核心内容总结
具身智能（能在真实世界动手互动的机器人）是当前科技圈的热门赛道，资本疯狂涌入，但机器人始终不够“通用”（换个任务或场景就失效）。核心瓶颈是物理交互数据稀缺——机器人需要学的是人和物体、环境的真实互动（比如拿杯子、开门），这类数据远不如互联网文本多，缺口达100万到1亿倍。传统用真实机器人采集数据又贵又慢，行业正转向“用算力造数据”（视频+仿真生成），资本虽热情但开始更看重落地效果和客户复购，不再只听故事。
详细拆解
1. 机器人“不通用”的病根：缺“真实互动数据”
机器人要像人一样啥都能干，得学无数真实场景的互动——比如怎么拿不同形状的杯子、怎么在不同地面上走路。但这类“物理交互数据”天生少：互联网有海量文字/图片，可机器人需要的是“动手做”的过程数据。
现在全球头部企业最多只有30万小时的高质量真机数据，而要实现通用，可能需要千万甚至亿万小时。按行业测算，数据缺口是大语言模型（比如ChatGPT）的10⁶到10⁸倍——相当于你想考满分，但只做了1道题，离目标差100万道，所以机器人的“ChatGPT时刻”还远着呢。
2. 传统采集数据的坑：又贵又慢，根本喂不饱模型
过去大家靠真实机器人采集数据，但这招成本高、产能低：
- 人工采集：一个人一天只能采几百条数据，一个月才万条，远跟不上模型对数据“指数级增长”的需求；
- 标注成本：让机器人学复杂动作（比如炒菜），得人工标上万条数据，任务越多成本越高，线性累加根本扛不住。
这就像你想种一片森林，却只能每天种1棵树，啥时候才能成林？
3. 新解法：用算力“造”数据，成本降几十倍
行业开始换思路——“用算力换时间”：用互联网视频（比如抖音里的做饭视频）和自研仿真器生成数据，代替真机采集。
比如RoboScience公司把“物体运动轨迹”（比如杯子从桌上到手里的路径）作为数据格式，搭了全自动数据生产线：
- 成本：一条数据才几分钱，是真机采集的几十分之一；
- 产能：只要算力够，想生产多少就多少（理论无上限）。
他们今年计划把视频数据搞到千万小时，仿真数据到TB级，快接近ChatGPT数据量的十分之一了——相当于用机器批量造树，森林很快就能起来。
4. 资本态度：热但更挑，不看故事看真本事
虽然赛道火，但资本不再盲目撒钱：
- 上半年融资数据：国内288起融资，460亿，49家公司半年融了两轮以上，热情还在；
- 但机构更谨慎：只投能解决核心问题（比如数据缺口）的团队，而且要看“真实落地”（机器人有没有真的在工厂/家庭用起来）和“客户复购率”（客户会不会再买）——这些才是真能力，光讲“通用机器人”的概念没用了。
一句话总结
具身智能是好赛道，但想让机器人像人一样通用，得先填“数据大坑”；现在行业用算力造数据的思路有希望，但离真正爆发还有段距离，资本也开始务实了。普通人看这个领域，别只看估值，得看有没有真解决数据问题、有没有真落地。