具身智能，接下来怎么走
从模型突破，走向系统分工
《42章经》在 2026 年 10 月 24 日的一期节目里，请王淏楠聊了从 Agent、多模态到具身的经历。相比哪条赛道更热，其中更值得追问的是：当通用模型越来越强，机器人公司究竟还要自己做什么？
沿着这个问题，本文把节目中的几处判断，放回公开研究里看。比起让一个更大的模型包办所有环节，更值得关注的方向，可能是理解、控制、异常恢复和数据积累之间的有效分工。这是基于讨论展开的分析，不是已经确定的行业终局。
一、大模型和动作模型，未必互相替代
王淏楠倾向于一种组合：通用模型承担上层理解与推理，具身公司把自己的硬件和动作模型配合好。他把这种硬件与模型的协同设计，视作小团队可以积累差异的地方。节目转录
这种分工值得重视，但不必把它理解成两个固定大小的模型。真正需要划分的是职责：谁判断任务意图，谁持续执行动作，谁判断结果，遇到危险时谁能独立叫停。
例如，把杯子放进柜子，既包含识别物体、理解收纳位置，也包含接近杯沿、保持抓取、避开柜门。即便一套网络同时参与这些过程，系统仍然需要分别验收它们，不能用语言解释得通，替代动作执行得稳。
Google DeepMind 的 Gemini Robotics On-Device 2 模型卡也明确区分了这些责任：高层语义安全、底层运动与力控制，以及硬件相关的功能安全，需要分层处理；模型本身对分布外任务和高自由度机器人仍有局限。
接入更强的通用模型，可以是能力来源，却不是整机可靠性的替代品。 对产品团队来说，除了模型由谁训练，还要回答每一层出问题后，能否发现、隔离和处理。
分工也有代价。如果推理需要经过网络，等待期间机器人怎么处理当前动作？连接中断后，哪些任务可以继续，哪些必须停止？评估两层系统时，应把调用费用、响应时间和失联处置一起算进去，不能只比较某一次任务的完成效果。
二、世界模型应当服务具体任务
节目里另一个值得保留的判断是：机器人不一定要先完整重建世界，才能采取行动。王淏楠同时保留了另一种可能：如果仿真足够好，技术路线也可能改变。这段讨论的重点，在于世界模型究竟解决哪个问题。
一个能生成连续画面的系统、一个预测动作后果的模型、一套可计算接触与碰撞的仿真环境，不能只因为都描述世界，就当作同一种能力。对机器人有用的程度，要回到任务里判断。
假设任务是把抽屉拉开，需要知道的是把手在哪里、能否接近、拉动后会发生什么。未必需要重建房间里每一片叶子的细节；但如果要判断抽屉是否卡住，接触和受力又不能靠漂亮画面代替。
比争论是否需要世界模型更有用的，是问清它预测什么，允许多大误差，能否让机器人少犯一种明确的错误。这里提出的是一种评估方法，不是宣称某条研究路线已经胜出。
三、通用知识和真机经验，需要一起积累
机器人知道瓶子通常可以拿起来，与知道这只手怎样稳定拿起眼前的瓶子，是两个层次的问题。前者涉及语义和视觉理解，后者还涉及本体结构、传感器、物体材质和接触过程。
Physical Intelligence 在 2025 年公布的 π0.5 研究，采用了多种来源数据的共同训练，包括网页多模态数据、不同机器人与环境的动作数据。其消融实验表明，这些数据对不同层面的泛化有不同贡献；研究并没有把它们处理成非此即彼的选择。
由此看，讨论真机数据会不会被替代，容易漏掉更重要的一层：究竟是哪种能力缺数据？识别新物体、适应另一种夹爪、处理抓取滑落，可能需要不同的补充，不能只看总时长。
对一家具体的机器人公司，值得建立的也不只是一座越来越大的视频库，而是一套能回答问题的数据记录：什么硬件版本、什么任务条件、从哪里开始偏离、谁介入、介入后发生了什么。
数据的价值应当通过后续行为变化来证明。 如果增加了很多轨迹，同类错误仍反复出现，就需要检查覆盖、标注、训练与评估，而不是只把采集规模当成进展。
四、失败恢复，可能成为学习的入口
节目提出的一种设想，是让本体模型完成常规操作，遇到困难时由更强模型协助，必要时再交给人，并把有效的恢复轨迹用于后续训练。它的吸引力在于：不要求昂贵的能力全程参与，而是关注最需要帮助的时刻。
这里仍然是一项路线设想。节目没有给出受控部署证据，证明这样的安排已经减少了多少人工、降低了多少成本。
从机器人自己经历的状态中补充学习数据，并不是新问题。DAgger 的原始论文在 2011 年就讨论了模仿学习中的一个困难：机器人的动作会影响接下来看到的状态，只靠固定示范训练，会遇到分布变化。它通过迭代收集策略所访问状态下的专家标注来处理这一问题。
但 DAgger 并不等于节目里的大模型接管方案，更不能替它证明可行性。更强的模型能否成为可靠的纠错来源，还要单独测试：它是否看懂了失败，是否能及时给出帮助，帮助是否适用于当前硬件。
在实际设计中，至少还有三道关口。首先是识别异常，不能等损坏发生后才发现偏离。其次是安全接管，包括接管期间原控制器做什么，以及何时必须停机。最后是训练收益，留下的数据要能减少之后的同类失败。
如果这些环节没有成立，所谓闭环可能只是把困难转给另一个模型或操作员。真正值得观察的变化，是随着数据积累，同等任务条件下的介入次数是否减少，恢复后完成任务的比例是否提高。
五、先选能验收的任务，再谈规模
节目提到酒店整理，作为潜在应用场景。这是嘉宾对机会的判断，并不代表酒店叠被子已经实现了可靠部署或经济回报。
这个例子适合用来思考选场景的方法：在讨论通用能力之前，先把工作边界缩小。地面、物品、任务流程和人员活动，哪些可以约束？哪些变化必须由机器人适应？异常发生时，有没有人能在可接受的时间里处理？
边界清楚，不意味着任务简单。布料变形、狭窄空间、人机共处，都可能让一个看起来固定的流程变得困难。选择场景的意义，是让这些困难可以被列出来、重复测试，而不是在演示里绕过去。
可以先看三个读数：完成一次合格任务的总成本、每小时人工介入时间、无需介入完成任务的比例。 总成本要计入失败重做、远程支持、停机和维护；否则减少的现场人手，可能只是换成了后台人手。
这也解释了为什么连续运行比精选视频更重要。一次完成任务，展示的是能力；在明确条件下反复完成，并能处理常见异常，才开始接近可交付的产品。
接下来，更值得追什么
具身智能的未来，未必只有一条模型路线。通用模型、本体专用模型、仿真和真机数据，都可能继续进步；它们如何组合，也会随着能力、成本和任务变化而调整。
判断进展时，可以少问一点是不是到了某个标志性时刻，多问三个具体问题：换一个环境是否仍能完成？出错以后能否安全恢复？增加数据后，同类任务是否更少需要人帮忙？
如果这些问题逐步有了可重复的答案，模型能力才有机会变成持续改善的物理工作系统。它不需要先承诺包办整个世界，但需要把已经承诺的一件事，做得越来越可靠。
主要来源
- 《42章经》：少有的同时做过 Agent、多模态和具身的人，2026 年 10 月 24 日，曲凯对谈王淏楠。节目观点依据 BidClub 第三方转录转述，该稿经机器转写与 AI 清洗，未经本文作者逐段原声校听；本文不是实录。
- Google DeepMind：Gemini Robotics On-Device 2 模型卡，用于核对分层安全与模型局限。
- Physical Intelligence：π0.5: a VLA with Open-World Generalization，用于说明异构数据共同训练与泛化，非行业最新模型排名。
- Ross、Gordon、Bagnell：DAgger 原始论文，2011 年，用于解释策略引起的状态分布变化，不作为大模型接管方案的验证。