具身智能中美路线博弈：从纯仿真与纯实景走向双闭环融合

事件概述

近期举行的国际具身智能技能大赛（IEIC）及全球头部企业的技术演进，凸显了中美在具身智能发展路线上的显著分歧与相互借鉴。美国侧重“代码模拟物理”，拥有顶尖的仿真工具链；中国侧重“车间喂养数据”，具备最完整的供应链和最丰富的真实应用场景。然而，随着技术发展，两条单一路线均暴露出局限性，行业共识正转向构建数字仿真与物理真实的双闭环体系。

核心信息

1. 美国“仿真流”：算力优势遭遇物理现实瓶颈

• 技术路径：以英伟达Omniverse和GR00T为代表，试图通过虚拟世界构建完美的数字孪生，利用无限次试错和低边际成本替代真机测试。
• 现实挑战：Sim-to-Real（仿真到现实）的鸿沟难以仅靠算力填平。真实物理世界的“粗糙度”（如布料形变、光线灰尘、油渍摩擦系数变化等）导致实验室策略在真实场景中失效。
• 路线调整：头部企业开始引入真实数据。
  • Figure AI：System 0模型使用超1000小时的人类运动数据替代109,504行C++控制代码，结合仿真到现实的强化学习进行适配。
  • 特斯拉：在得州和加州工厂要求工人穿戴动捕设备记录生产动作，承认非标准化动作无法通过仿真生成，必须依赖真人实录。

2. 中国“场景流”：供应链优势显著，但底层能力存在短板

• 硬件与成本优势：依托全球最全的制造车间和下沉市场，核心零部件国产化率突破75%。据测算，依托中国供应链可使特斯拉人形机器人物料成本从13.1万美元降至4.6万美元。
• 数据产能规模：截至2026年6月，全国建成启用超70家具身智能训练场。北京亦庄创新中心日产能超500小时，智元机器人上半年出货超8600台，占全球市场35%，形成了流水线式的真机数据采集能力。
• 主要痛点：
  • 数据缺口巨大：国内合规真实物理交互数据约50万小时，而通用具身模型需千万至亿小时级别，缺口超过99%。
  • 算法跟随：国泰海通研究指出，中国在具身模型领域缺乏原创性成果，算法层面处于跟随阶段。
  • 仿真工具链滞后：由于高质量自主仿真工具链仍在追赶，企业不得不使用成本高（500-1000元/小时）的真机数据，而非低成本（20-50元/小时）的仿真合成数据。

3. 未来趋势：双闭环融合定义行业标准

• 单边优势触顶：纯仿真缺乏真实物理反馈，纯实景缺乏通用泛化能力且成本高昂。历史经验表明，纯数字仿真会撞上物理法则墙，纯物理测试会被高成本拖垮。
• 融合方向：
  • 美国需让通用模型“下凡”，深入真实车间获取接地气的物理数据。
  • 中国需提升仿真工具链置信度，将场景数据上升为具有通用泛化能力的算法大脑。
• 决胜关键：谁能率先降低真实物理数据采集成本，同时提升数字仿真的置信度，实现“数字的巧”与“物理的笨”握手，谁将垄断下一代工业智能标准。