极佳视界王啸峰：数据和评测才是具身智能当前最大瓶颈，模型架构并非核心难题

事件概述

在2026世界人工智能大会现场，极佳视界算法合伙人王啸峰接受访谈，围绕具身智能（机器人）当前的技术瓶颈、模型路线选择、数据策略、评测体系建设以及商业化路径等发表了观点。他强调，模型架构虽然重要，但当前行业的真正瓶颈在于高质量数据和标准化的评测体系（Benchmark）。

核心信息

1. 模型路线：世界-动作模型（WAM）不是VLA的替代品

   • 极佳视界新发布的GigaWorld-Policy-0.5采用WAM路线，将视频与动作作为两个“专家”分别训练，以提高数据利用效率。未来当动作数据足够时，模型可能回归统一形态。
   • WAM与VLA（视觉-语言-动作模型）并非对立：高层任务规划依赖语言模型，而精细操作和物理交互由WAM负责，两者可协同工作。

2. 数据是核心瓶颈

   • 具身数据可分层：底层是互联网视频和世界模型生成数据，上层是仿真数据、本体采集的真实交互数据（rollout）。第一人称的Ego数据未来价值更大，因采集成本可控且扩展快。
   • 王啸峰判断，1000万小时高质量真实交互数据可能足够支撑家庭机器人通用化，但高质量要求场景多样、标注准确、包含失败样本和动作细节。当前数据远未达标。
   • 模型基础设施（如语言模型底盘）已较成熟，数据与评测才是关键短板。

3. 评测体系亟需标准化

   • 当前成功率评测无法精细定位失败原因，且不同团队任务定义各异，导致结果不可比。行业需要低成本、可复用的标准化benchmark。
   • 极佳视界内部将benchmark团队与算法研发分离，用自动化方法构造任务矩阵并逐步骤打分，减少人工波动。同时先用世界模型和仿真做前置测试，再上真机，以降低试错成本。

4. 自研本体的目的：获取真实数据并闭环迭代

   • 极佳视界自研机器人本体Maker H01，名称寓意“make everything”。当前已在工厂中执行物体搬运、上下料和精细装配等任务。
   • 自研本体的核心价值在于将模型置于真实场景中，收集实验室无法获得的失败数据、用户反馈和交互信息，形成“模型-本体-场景”的相互校正闭环。
   • 已有超100台Maker H01完成下线和交付，公司2026年目标为千台交付，但最终取决于产品稳定性与客户验收。

5. 家庭场景落地路径

   • 先从人才公寓（武汉光谷之寓）切入，相比普通家庭更标准化，但仍具备真实环境复杂性。机器人目前已可完成清洗衣物、折叠衣物、简单烹饪（如番茄炒蛋）等长程任务。
   • 王啸峰认为家庭机器人真正可卖的标准是：消费者愿意买回家，它能持续解决部分家务，且随使用逐步优化。目前模型仍需算法人员针对性微调，标准化产品化尚未成熟。
   • 未来1-2年重点在于提升模型基础能力（类似于语言模型的泛化程度），之后再大规模进入垂直场景。

值得关注

• 王啸峰明确反对“模型路线决定论”，认为行业应优先解决数据质量和评测标准化问题。
• WAM路线代表一种不依赖强语言能力的物理交互方案，可能对精细操作场景更具优势。
• 自研本体+真实场景数据闭环的思路，与纯仿真或远程操作采集路径形成差异。
• 家庭机器人商业化的前提是模型能力再上一个台阶，而非仅靠Demo或特定场景交付。