核心内容总结
上海WAIC的“智启具身论坛”上，机器人行业大佬们对“机器人ChatGPT时刻”给出了2-5年的一致预测，但对“这个时刻的具体标准”尚未达成共识；同时围绕三个关键问题展开深度讨论：机器人的数据飞轮如何形成（需真实场景干活积累）、VLA（视觉语言动作模型）是否已死（融合路线才是未来）、全栈能力是否必要（能力要全栈，生意可多样），反映出行业虽未完全收敛，但已明确探索方向。
一、机器人“ChatGPT时刻”：2-5年的数字背后，标准还没对齐
论坛上嘉宾们给出的时间预测集中在2-5年，但对“什么才算机器人的ChatGPT时刻”说法不一。智元的姚卯青给出了明确标准：机器人能开箱即用，听懂普通人随便说的自然语言指令，常见任务（比如拿东西、整理）成功率达到70%-80%；而其他嘉宾（如腾讯张正友、Dyna马也骋等）没定义具体标准。这意味着，看似大家对时间达成共识，实则对“达标线”的理解还存在差异——有人可能指“能完成简单任务”，有人可能指“能应对复杂场景”。
二、数据飞轮：不是“采”来的，是机器人“干”出来的
机器人需要的是物理经验数据（比如拿杯子用多大劲、走路遇到台阶怎么调整），这和大语言模型靠互联网现成文字数据不一样。嘉宾们讨论了几种数据来源：
- UMI：低成本采集人类操作数据（人拿着设备做任务，系统记录动作和视觉信息，转成机器人能学的经验），短期能快速积累数据；
- 部署数据：机器人在真实场景（比如酒店折毛巾）中犯错、停顿、恢复的过程数据（教机器人应对意外），是最值钱的“塔尖数据”；
- 数据金字塔：底层是免费的互联网视频/第一视角数据，中层是真机多任务数据，塔尖是部署数据。
关键问题是“鸡生蛋”：没有足够好的模型，客户不敢让机器人上岗；不上岗，就拿不到最有价值的部署数据。所以，机器人的数据飞轮不是靠“采集”，而是靠“在真实场景里干活”积累出来的。
三、“VLA已死”是伪命题，融合才是未来
VLA（视觉语言动作模型）是“看眼前场景+听指令，直接生成动作”；WAM（世界动作模型）是“先预测动作会带来什么结果，再做决策”。最近行业流行“VLA已死”，但论坛上的讨论推翻了这个说法：
- PI的任至意说，他们的VLA模型π0.7效果仍领先，且VLA可以融合世界建模能力；
- Dyna转向WAM是因为某些任务（比如鲁棒性要求高的场景）更高效，但没否定VLA；
- 腾讯张正友指出，机器人需要分层系统：上层负责推理（比如“今天要打扫房间”），中层负责感知动作（比如“拿起扫帚”），底层负责控制电机（比如“调整扫帚力度”），不可能靠一个模型解决所有问题。
结论：VLA没死，死的是“一个模型包打天下”的幻想，未来主流是融合VLA和WAM的系统。
四、全栈能力要具备，但全栈生意不一定做
机器人公司分两种路线：
- “大脑路线”：只做模型（比如PI、腾讯），但研发时必须懂硬件（腾讯说“不卖本体，但要做硬件研发，否则不知道模型在实际机器上的限制”）；
- 全栈路线：既做模型又做本体（比如智元、Sunday），因为真实场景里，机器人的可靠性、成本、续航等问题，光靠模型解决不了（比如关节控制、电池续航会限制智能上限）。
未来趋势：全栈能力（懂软硬件）是必须的，但商业模式可以多样——可能出现像苹果一样的全栈公司，也可能出现像安卓一样的模型平台。但现在硬件还没标准化，即使只做模型，也绕不开硬件的限制。
最后：时间不重要，自我加速才是关键
论坛上的时间预测（2-5年）只是参考，机器人的“ChatGPT时刻”真正到来的标志，是数据、模型、本体、真实部署形成自我加速循环：机器人部署越多→积累数据越多→能力提升越快→进入新场景成本越低。在此之前，所有时间表都是预测，所有路线都在验证。但可以确定的是，行业正在快速向“实用化”靠近。