聊聊人形机器人的数据瓶颈。这事比硬件量产更关键，但讨论的人不多。
先看一个数字：Boston Dynamics训练Atlas的后空翻，用了超过10万次仿真迭代加1000次真机测试。而一个工厂里的简单搬运任务，环境复杂度比后空翻高一个数量级——光照变化、物料摆放偏差、地面不平、人走来走去。
问题就来了：你不可能在仿真里穷举所有工厂场景。仿真里的杯子永远长一个样，现实里的杯子有几百种。So，真实操作数据成了唯一的护城河。
现在行业里有三条路线。第一条是Tesla的路径，靠车厂场景自己采集，Optimus在超级工厂里每天跑，数据自己长出来。这条路门槛最高，但一旦跑通对手追不上。第二条是Figure的路线，做通用操作模型，和OpenAI合作用大模型做任务规划，减少对特定场景数据的依赖。第三条是国内多数厂商的路，先做demo、做融资、再补数据。
说实话，第三条路很难走远。操作数据不是你想采就能采的，需要真实部署场景。没有场景就没有数据，没有数据就没有能力，没有能力就拿不到场景——死循环。
这其实就是当年自动驾驶的故事重演。Waymo靠自建车队采数据，特斯拉靠量产车采数据，其他家要么死要么被收购。人形机器人这个赛道，三年后大概率也是这个结局。
你们觉得呢？人形机器人什么时候能真正进厂搬砖？
