你有没有发现，现在机器人demo越来越多了？

打开社交媒体，各种机械臂流畅操作的视频层出不穷。但当你真正想引入到工厂或服务场景时，却发现效果大打折扣——这到底是怎么回事？

上周，我在深圳亲眼见证了一场可能改变行业认知的机器人黑客松，答案就藏在其中。

3天黑客松，暴露了具身智能行业的残酷真相

💡 3天就能复现论文demo？大学生团队惊艳全场

当我晚上9点抵达比赛现场时，原本以为会是少数人的战场。结果一进门，整个人都惊呆了！

灯还亮着，地上支起一排排帐篷。机械臂24小时不停运转，选手们围在工位前采集数据、训练模型、盯着评测结果。有人困得不行，就在场边睡一会儿，醒来继续干。

现场流传着一句话：“我可以歇着，卡不能歇。”

这是全球最大规模的线下具身智能开发者大赛之一！主办方为所有参赛队伍免费开放高质量数据集、数采设备、训练环境和高性能双臂操作平台，还有算力资源。

最震撼的是什么？

参赛队伍可以在3天内，完成从数据采集、模型训练到真机部署的整个闭环！而通常情况下，专业研究实验室完成类似搭建至少需要6个月！

比赛设置了四类核心能力：抓取放置、语言理解、精细操作和长时序决策。对应到具体任务，就是套环、按指令分类水果、插电源线、拼写单词等。

你知道吗？许多由00后大学生组成的团队，借助主办方提供的算力、数据和基础模型，只用两天时间，就能让机器人完成pick-and-place这类常见于论文和演示视频中的任务，做出一个“看起来很像那么回事”的demo！

⚠️ 但B榜测试让所有团队现出原形

比赛分为A榜和B榜两个阶段。A榜任务公开，选手可以围绕明确目标进行训练和优化；B榜则不会提前公布具体任务和数据分布，更侧重考察模型在真实环境中的泛化能力。

比赛第一天，大家的成绩普遍不高，套环任务的成功率大多只有20%到70%。但到了第二天，很多团队已经迅速摸清了自己擅长的方向，开始集中优化，一些团队甚至在单一任务上出现明显过拟合，成功率逼近100%！

就在大家以为胜利在望时，主办方放出了隐藏的B榜。

当任务不再已知，原本围绕单一目标优化出来的模型，很快暴露出局限！

获得三等奖的南京邮电大学参赛者袁浩宽表示，他们选择的是“按指令分类水果”任务。到了B榜阶段，比赛不仅新增了水果种类，还加入了干扰项，并改变了抓取与放置的空间结构。

“之前针对A榜做的微调基本用不上了，只能回到base model，重新采集更有多样性的真机数据。”

他们在现场补采了约30条随机摆放的数据，微调了约1小时、总计约1万步，但效果依然不理想，主要问题在于数据量和多样性都不够。

🔥 过拟合vs真泛化：行业分水岭已现

这也不是个别队伍的偶发问题，而是许多队伍在B榜阶段的共同反馈。针对单一任务做出高分并不算太难，但一旦任务开始引入泛化要求，比如增加水果种类、改变摆放方式，模型就很难稳定跟上。

在这场黑客松里我看到两件事：

一方面，任务适配的速度确实在变快，机器人进入真实场景的门槛正在被拉低；另一方面，哪些团队是在认真做base model，哪些团队只是借助现成基座和任务微调做出表面成绩，也会以更快的方式被区分出来。

一个开源基座模型，加上一些现场采集的数据，再配几张算力卡，围绕特定任务做短周期微调，就有机会复现论文或宣传视频里的效果。

这样的结果当然不是毫无价值，它说明现有基座模型和工具链已经足以支撑某些任务的快速实现；但它也不应被误读为“模型已经具备通用能力”。因为这类demo的前提，往往是明确任务、固定环境和有限变量，而不是开放世界中的持续适应。

真正把具身公司拉开差距的，是谁拥有更强的base model，谁能在任务变化、环境变化和连续执行中保持稳定。

也就是说，认真做基座模型的团队，与套壳做过拟合的团队，未来的差距只会越来越大！

自变量的选择：不为短期落地牺牲长期能力

🌟 为什么选择家庭场景而非工业？

赛场上的教训，也在某种程度上印证了主办方自变量的思路。

对很多参赛队伍来说，比赛很快暴露出一个问题：后训练和参数微调可以补足一部分能力，但到了某个阶段，决定模型上限的仍然是基础模型本身。

基于这一判断，自变量在场景选择上没有选择更容易通过工程手段优化效果的场景，而是将家庭等更复杂的环境放在相对靠前的位置，希望在真实交互中积累数据，并据此持续迭代基础模型。

自变量CTO王昊表示，公司的核心方向是“保持基模不停往前迭代”。在他看来，团队当然可以去场景里做探索，验证基模能力，看看它是否能在某些场景里实现规模化应用；但有一点必须克制，即不要为了让机器人在垂直场景里更快落地，而堆太多针对性的模型系统和工程补丁。

比如发现视觉上有盲区，就再加一个视觉小模型去做检测和弥补，这类方法“短期来看可以帮助你加快落地，但是长期来看，对基模的提升是有害的”。

这句话不止技术判断，也是商业判断！

💡 "具身原生"模型才是未来

从外部合作轮廓看，自变量并非没有工业客户，但它投入更多精力的场景，明显偏向家庭、养老院、酒店等服务环境。

王昊并不回避这一点。他表示，从产品战略和商业策略来说，自变量希望机器人能够尽早大规模部署，更早进入商业场景，而家庭、养老院、酒店这样的服务场景之所以重要，是因为“这种场景才能给我们提供数据的来源”。

与此同时，自变量认为家庭是最复杂、最开放的环境之一，朝着这样的复杂场景推进能力，再回头覆盖更垂直的场景，本质上是一个先做通用、再做“降维”的过程：当基模足够强时，垂类场景对模型提出的额外要求反而会下降。

而通用能力，最终还是要落回基础模型能力。

这也是为什么，具身厂商开始把目标指向“具身原生”的模型。

⚠️ 数据金字塔的底层分歧

今天几乎所有具身公司都在讲自己的“数据金字塔”，但不同公司对金字塔底部到底该放什么，理解并不相同。

以星海图和自变量为例，两家公司都强调Egocentric data的重要性，但对这个概念的理解其实并不一样。星海图的Egocentric核心数据基座，更多是指人类第一视角视频。自变量的Egocentric数据则包括人的可穿戴设备。

王昊表示：“从自由度视角来看，Egocentric的数据完全和人的自由度一致，所有的手持式、穿戴各种设备是介于人的自由度和机器的自由度之间的形态。”

看起来这只是数据分类方法的不同，实际上对应的却是对“通用能力从哪里来”的不同判断。有人认为，先让模型拥有大量人类视角经验最重要；有人认为，要尽快获得更贴近机器人控制结构的数据；也有人更看重真机接管、遥操作和真实任务反馈。

看上去所有人都在谈数据，但真正的分歧，往往恰恰藏在对数据最底层定义的不同里！

三天时间，足够做出一个像模像样的结果。这意味着，demo不再稀缺，甚至不再可信。

真实世界需要的是基模能力的持续提升，需要真正“hands dirty”的过程——去理解模型、理解硬件、理解数据，也理解那些不会出现在视频里的失败与边界。

在这样的标准下，很多差距才刚刚开始显现。

金句： 当demo不再稀缺，真正的差距才刚刚开始显现。

互动问题： 你觉得现在的机器人demo有多少是真正具备泛化能力的？评论区聊聊你的看法！

引导语： 如果这篇文章让你对机器人行业有了新认识，别忘了点赞支持！分享给更多对AI和机器人感兴趣的朋友，一起探讨行业的真实进展！