大模型时代，大家已经习惯用参数量判断模型。

7B、70B、百亿、千亿参数，模型越大，似乎能力越强。

但到了具身智能，这套逻辑正在变得没那么直接。

最近做VLA、世界模型和机器人基础模型岗位时，我越来越明显地感受到：企业真正讨论的已经不只是“模型多大”，而是另外几个问题：数据从哪里来？Action怎么统一？换台机器人还能不能用？真机跑得多快？失败以后能不能继续学？

所以具身智能的底座之争，最后很可能是一场系统能力竞争。

一、是什么：具身智能的“底座”到底在争什么？

目前机器人基础模型大致有几条路线。

一类从VLM出发，加入Action Head，形成VLA。

一类从视频世界模型出发，让模型同时学习未来状态和动作，也就是现在越来越热的World Action Model。

还有一些团队开始探索更加Robotics-native的Foundation Model，从预训练阶段就把机器人本体、Action和物理交互放进去。

NVIDIA今年也明确判断，下一代机器人基础模型很可能出现VLA和WAM进一步融合的趋势。

路线还没有完全收敛。

但无论最后采用哪一种架构，有几个真正决定机器人能力的底层问题越来越清楚。

二、为什么：参数量为什么越来越难决定输赢？

1. 机器人缺的是高质量“动作数据”

语言模型可以从互联网获得海量文本。

机器人没有这么幸运。

真正有价值的数据通常需要：

遥操作、真机采集、人类视频、仿真生成、传感器同步。

而且视频本身还不够。

最好能同时知道：机器人看到了什么、身体状态是什么、执行了什么Action、最后成功还是失败。

GR00T 1.7目前公开的训练体系就已经混合真实示范、人类第一视角数据和大量仿真数据。

所以具身模型以后很可能出现一种情况：

参数只有几十亿，但拥有非常强的数据闭环，实际机器人能力依然可以很强。

2. Action Space比很多人想象得更难

机器人和大模型最大的区别之一，就是模型最后必须输出动作。

机械臂7自由度。

灵巧手20多个自由度。

人形机器人可能几十个自由度。

不同机器人之间关节数量、尺寸、控制频率和传感器全部不同。

所以一套模型想跨机器人复用，Action Representation就是核心问题。

2026年最新研究也在不断探索统一Action Space和Latent Action，目的就是让不同机器人共享技能。

这件事解决不好，模型再大，换一个本体以后还得重新做大量适配。

3. 真机推理速度会直接卡能力

机器人不会等模型慢慢想。

手正在抓杯子，杯子如果开始滑动，Policy需要及时调整。

所以端侧部署、推理延迟、Action Chunk、异步推理会越来越重要。

Google现在甚至专门推出On-Device版本的机器人VLA，重点解决本地运行和新机器人快速适配。

这说明具身智能底座还要拼一个传统大模型不那么敏感的指标：实时性。

4. 跨本体能力会成为真正的大门槛

机器人行业不可能只有一种机械臂。

未来会有双臂、人形机器人、轮式机器人、灵巧手和各种工业本体。

如果每一种机器人都重新训练一套模型，成本会非常高。

所以现在Cross-Embodiment已经变成机器人基础模型的核心方向。

最新研究把这个问题称为“Embodiment Gap”：语义和视觉能力可以复用，但真正落到某一台机器人执行时，仍然存在大量适配工作。

未来谁能用更少的数据快速适配新机器人，底座价值就会明显提高。

5. 最后还要看有没有数据飞轮

这可能是我从猎头角度最关注的一件事。

机器人部署出去以后，每天都会产生新的：

成功数据、失败数据、边缘场景、不同物体和不同用户操作。

这些数据能不能回到模型？

能不能自动筛选？

能不能继续Mid-training和Post-training？

NVIDIA今年谈机器人通用能力时，也把Data Flywheel列为提升泛化和适应能力的核心路径之一。

一家公司有1000台机器人持续工作，和只有几十台实验室机器人，长期积累出来的数据可能完全不同。

三、怎么做：机器人公司真正应该抢什么人才？

如果具身底座竞争越来越系统化，人才画像也会变化。

企业不能只招“大模型算法专家”。

我会重点搭几层人才：

**模型层：**VLA、World Model、Diffusion/Flow Matching、RL。

**数据层：**遥操作、Robot Data、数据清洗、评测、数据飞轮。

**Action层：**Policy、Action Representation、Cross-Embodiment、Retargeting。

**系统层：**模型部署、异步推理、ROS2、真机Runtime。

**闭环层：**真机评测、失败分析、Post-training。

近期具身岗位已经开始把Data、Model和System放进同一个人才画像里，也说明企业越来越重视完整闭环。

我的一个观察

具身智能这一轮很可能不会简单复制语言大模型的“参数竞赛”。

机器人面对的世界多了一层物理约束。

模型最终必须控制一个真实身体，在有摩擦、有碰撞、有延迟、有误差的环境里完成任务。

所以未来真正拉开底座差距的，我更看重五件事：高质量机器人数据、统一Action能力、跨本体泛化、实时部署，以及持续的数据闭环。

模型参数依然重要，算力也依然重要。

但到了真实机器人上，决定一套底座有没有价值的，最终还得看：换一台机器人，需要多少数据才能适配；遇到一个新任务，要多久才能学会；跑到客户现场以后，能不能继续从失败里变强。

这可能才是具身智能底座之争真正进入下一阶段以后，最值得看的指标。