眾所周知，人形機械人，那可是今年爆火的科技。但我發現這玩意有多火，爭議也就有多大。
因為自打春晚機械人扭秧歌開始，這行發展的是真的快。4月份機械人馬拉松才跑步呢，8月份就能開運動會了。
各種機械人展會今年也不少，甚至WAIC這個往年搞大模型的展會，今年也騰了好大一塊地放機械人。
但你別看場面上熱熱鬧鬧，喧囂之下也湧現出另一種聲音。
今年年初金沙江創投的朱嘯虎直言：「人形機械人就是泡沫」。
不少網友其實也有點這意思，道理嘛也顯而易見，視頻上這一個個機械人好像都能上天，巴不得趕明兒就搞成終結者，然而現實里，這些鋼鐵boy們連個門都打不開。。。
先說立場，哥們我是覺着，具身智能這玩意以後肯定大有作為，包贏的。但是為了搞清楚，為啥這裏邊兒有這麼多爭議，我也去扒了行業現狀。
結果沒想到，我發現有些問題還真不完全是瞎說。
因為在具身智能這個產業里，確實還有一些難點。就別說網友了，甚至不少業內人士對這些行業問題也沒達成共識。
舉個例子，這行現在連技術路線都還沒統一。未來到底是強化學習牛逼，還是世界模型牛逼？我們應該更關注數據，還是更關注模型？……這些問題都沒個定論，大家只能各搞各的，沒法形成合力。
懂行的朋友看到這可能就要說了，那不管咋說，他們這些路線的目的，起碼都是一個吧。
有一說一，確實。如果只看目的，那整個機械人產業的終極價值，就是參與勞動，提高生產力。和咱人類一個樣，「勞動最光榮」嘛。
但問題是，就算咱拋開這些分歧不談，還有一個更直接、更要命事兒擺在行業面前：沒數據。。。
這可不是哥們瞎說，現在整個行業都在面臨「等米下鍋」的問題。
因為你要想讓一個大模型智能湧現，那至少需要100億到1萬億個Token的數據，差不多是模型參數的10倍以上。但現在呢？大部分研究的數據量都只有幾個億，最大的公開數據集也就10億左右。
俗話說重複是學習他爹，你這訓練量不夠，那肯定沒法漲技能啊。
所以這就導致現在的機械人，任務種類是少得可憐，泛化性是差得離譜。說白了，沒有足夠的數據去訓練，尤其是真實場景的數據，導致機械人都是實驗室里「圈養」的胖寶寶，一到現實就抓瞎。
數據瓶頸，死死卡住了機械人從實驗室走進廠里、屋裏的路。這個月的外灘大會上，宇樹創始人王興興也是這個意思，當前具身智能發展面臨的多重挑戰中，其中一個就是數據方面的問題。
拿VLA模型來說，目前與真實世界交互的數據就不太夠用。
不過，要因為有難點就否定行業，我覺得也有點着急了，咱最好還是看看行業內有沒有什麼對應的解法。
我們找到了一個在華為雲搞具身智能的朋友，人家就說：「行業問題是沒錯，但你也不能只看到這一層。」
什麼意思呢，就是要解決這些新技術里的新問題，那肯定也得有新的方法論和平台。
就比如上雲，用雲端的方式，來系統性地解決機械人產業的各種難題。
拿我們前面說的，這個首當其衝的數據問題來說。
既然現實中數據採集和訓練都非常困難，那能不能把這些東西搬到雲上做呢？還真可以。
實際上，這也是個行業趨勢，像英偉達最近搞的Cosmos基礎模型，就是用雲端生成合成數據來訓練物理AI。
包括國內，華為雲也有一個CloudRobo具身智能平台。它也是在雲端能造出一個數字世界，跟現實一模一樣，然後在這個裏面生成數據搞訓練。
這就好比給機械人開了個《黑客帝國》裏的訓練模式，在虛擬空間裏把十八般武藝都練熟了，再回到現實世界裏幹活。
那它們是具體怎麼做到的呢？說來也不複雜，主要分兩步。
第一步，是解決數據的問題，也就是先得有米。
像華為雲CloudRobo，背後就是靠一個叫MetaEngine的自研引擎，來搞數據重建，把一個真實的物理場景，在雲端復刻出一個數字孿生體，整個過程低人工，自動完成。
然後，再在這個虛擬場景里搞數據增廣。其實就是在這個數字世界裏，模擬各種形態的機械人，生成海量的第一視角數據，什麼RGB圖像、深度、時序數據，要啥有啥，還都帶着自動標註。
據說以後在某些場景下的機械人訓練，可以通過真實數據跟合成數據的比例調整，提升訓練效率，就基本上能夠解決「沒米下鍋」的問題。
之前銀河通用創始人王鶴甚至說過，合成數據會佔訓練數據的絕大部分，而且一般人還做不來，需要廠商有長期的積累和核心技術know-how。
然後第二步，就是解決訓練和運行的問題，也就是讓機械人學着幹活兒。
CloudRobo的訓練平台，就能讓機械人在這個虛擬世界裏，通過模仿學習，進行無數次的「虛擬勞動」，也就是能大幅降低試錯成本，加速技能學習。
這倆搭配起來，其實是個很前沿的想法。
以前要想練一個機械人的模型，那機械人怎麼運動，是要人來餵數據的，甚至有的數據採集還得動補，這就跟鐵甲鋼拳似的，你一邊動它一邊記錄數據，然後反覆學習。
但是要把這都搬到虛擬世界裏，那就非常便利了，因為雲端的訓練完全是算力和電量決定的，就現在這些雲廠商的保障，你在外面哼哧哼哧搭一天環境，人家可能已經擱裏邊兒訓練了兩年半了，每天都跟凌晨四點洛杉磯似的。
而且人家在這裏面學成之後，它的運行平台還能無縫連接實體機械人，直接傳進機器大腦里，開機就能唱能跳能幹活，所以這也就是為啥不少大廠都在琢磨這個方向。
光說不練假把式。之前華為雲就現場展示過一段從CloudRobo畢業的雙臂機械人，在一個小小的分光盒裏進行高精度操作，成功率達到了90%以上。還能讓埃夫特的工業噴塗臂，快速學會噴塗新零件；能讓樂聚的人形機械人，在汽車產線上搬運上料啥的。
所以我覺得，在雲上解決數據和訓練這事，其實很有前景。
但除了在雲平台搞數據仿真訓練，機械人這行業里還有不少複雜問題，現在也有了靠雲端來解決的解法。
比如這行里現在還有個問題是，行業標準亂，各家機械人廠商像早期的手機廠商似的，諾基亞、摩托羅拉、愛立信，系統、充電口全都不一樣。那這情況肯定沒法像iOS安卓鴻蒙一樣大規模多機協同。
所以就需要一個統一的協議，讓他們互相能聽懂。華為雲老哥說他們有個方案，叫R2C（Robot to Cloud）協議。這個就類似機械人界的「Type-C」接口。主要就是給來聚合大家的生態，推動行業標準化的。
只要是預置了R2C接口的合作夥伴，就能實現「即插即用」。這就好比你買個新鼠標，不管Windows還是Mac，插上USB口就能用，不用再到處找驅動盤了。
像國家地方共建人形機械人創新中心、拓斯達、優艾智合等各個領域的頭部玩家，都加入了R2C協議。有種振臂一呼，各大門派紛紛響應的感覺，大家都開始上船了。
不過咱說句實話，不怕得罪人，就是上雲這個事呢雖然好，但是也肯定不是包治百病的，啥時候都能用。
你想想那些對實時性、安全性要求極高的場景，人家可能還是想搞本地計算，這咱得理解。
實際上，雖然咱經常跟大家說上雲，但是雲計算的真正價值，其實是在於那些更複雜的場景。像什麼最耗算力的複雜場景識別、任務規劃、模型調用這些工作，其實以後很可能都交給雲端，機械人本體就更專注於執行，變得更輕、更便宜。
換個角度，你也不想你的機械人整體背個大電腦對吧，這玩意不方便我說白了。所以這麼一來，就能為機械人從實驗室走進工廠，走入家庭，提供了一種可能的路徑，這就是所謂的雲本體化。
之前王興興在WRC演講的最後，也說到人形機械人本體上，其實沒辦法直接部署很大規模的算力，所以這玩意以後肯定要靠分佈式的集群算力來解決。這其實就是用到了雲端算力來解決問題。
就在這幾天，華為在AI算力方面也有了新的佈局：其發佈了最新超節點產品Atlas 950 SuperPoD和Atlas 960 SuperPoD超節點，分別支持8192及15488張昇騰卡，在卡規模、總算力、內存容量、互聯帶寬等關鍵指標上全面領先，在未來多年都將是全球最強算力的超節點。
基於超節點，華為同時發佈了全球最強超節點集群，算力規模最大將達到百萬卡，作為世界最強算力集群將為具身智能行業創新突破提供穩固且澎湃的算力支持。
華為全聯接大會2025：華為副董事長、輪值董事長徐直軍發表主題演講
說到底，上雲也好本地也好，這些技術手段都是來給咱解決問題的，讓機械人早點去勞動，參與社會實踐，那就是好手段。
總而言之，那些說機械人是炒作的聲音，其實也沒全錯，他們確實指出了行業現存的困難。
但只看到困難，就跟只看到冰山一角一樣，容易得出悲觀的結論。
所有技術的喧囂都終將過去，這些人類的造物，最終要從學校走上社會，在擰緊的螺絲、搬運的物料、焊接的縫隙中來驗證它們的價值。
一句話，具身智能這事兒，太複雜了，還是需要一個甚至幾個跑在前面的人站出來，先不做機械人本體，先把基建搞出來。
其實務實一點也真沒錯，與其在岸上爭論這道能不能走，不如把路修起來。
畢竟，路修寬了，大家才能跑得更快，更遠。
