2025年，具身智能成了继大语言模型之后最热的分岔路。所有人都盯着VLA模型的参数量，从12B到55B，好像数字越大越接近通用。但真正在仓库、车间里跑过的人会告诉你，模型只是最后10%的工程，前面90%是数据从哪里来、硬件能不能扛住10Hz以上的推理、以及失败之后能否自动纠错。这篇文章想给一个反直觉的结论：具身智能的护城河不是模型，而是数据闭环的速度和成本。
先对比当前两条路线。第一条是云端大模型派，以RT-2为代表，把视觉、语言、动作统统塞进一个多模态模型，参数到了55B，单次推理需要几百毫秒到秒级，适合任务级规划，比如“从桌上抓起红色杯子放到水槽”。第二条是端侧实时控制派，强调1kHz的力控和10-20Hz的视觉伺服，模型通常只有几十M到几百M，部署在工控机上。真正的产品必须两条腿走路：上层用大模型做语义理解，底层用小模型做闭环控制。单纯堆VLA参数，无法解决机械臂的抖动和夹爪的滑移。
那数据闭环怎么做？这是最容易被忽略的部分。以我们团队在3C装配线的实验为例：一个千分尺校准动作，传统示教需要8小时，而用遥操作数据采集+仿真泛化，我们把数据成本降到1.5小时，但前提是你得有一套标准化的数据管线。具体分四步：
- 用主手遥操作机器人，以20Hz记录关节角、扭矩、视觉特征，至少采集2000条轨迹；
- 在Isaac Sim里做Domain Randomization，随机改变光照、纹理、摩擦系数，扩增到5万条；
- 用预训练的VLA模型做行为克隆，但只微调最后两层，冻结视觉主干；
- 在真机上线前，先用数字孪生跑1000次仿真测试，通过率>98%才放行。 每一步都会踩坑，比如遥操作的延迟必须在50ms以内，否则采集到的动作质量直接崩。
比较一下主流方案的数字维度。英伟达的Isaac Manipulator提供超过100个预训练模型，但真机迁移需要NVIDIA L4 GPU，整机功耗约70W；而国产的某双臂平台用Jetson Orin 64GB，功耗降到25W，但仿真到现实的直接迁移成功率只有72%，差了18个百分点。这18个百分点，刚好就是数据闭环中“动态抓取”和“插拔”两个动作的差异。另外，云端大模型推理一次的成本约0.03美元，如果每天在产线上调用1万次，月成本就是9000美元，而端侧小模型一次推理成本几乎为零，但需要额外花3万美元买GPU。到底哪个划算？要看任务本身的并发量和时延要求。
我的独立观点是：具身智能的终局不是“一个模型统治一切”，而是“一个平台自产数据”。谁的能量采集、仿真生成、真机反馈做得越快，谁的模型就能在同样的参数下跑出更好的精度。别被参数量和发布会上的demo骗了，去做一个1000次插拔不失误的连续实验，比什么都真实。如果你正在研究机器人的增量场景，建议把70%的精力放在数据闭环上，而不是调prompt和换backbone。
