硬氪专访

真实世界才是最佳训练场

在人工智能从虚拟走向物理的关键转折点，“Scaling Law” 这一在大语言模型领域被验证的规律，正被具身智能行业重新审视。在硬氪的专访中，智元机器人合伙人罗剑岚给出了一个颠覆性的判断：机器人真正的 Scaling Law，一定发生在真实部署的闭环里。他强调，当前大量研究工作依赖仿真数据或有限的实验室环境，但这无法模拟真实世界中复杂的物理交互、动态变化以及偶然事件。只有让机器人在真实的工业产线、家庭服务、物流仓储等场景中“活着”干活，它们才能暴露“没见过、没练过”的盲区，从而驱动模型迭代。罗剑岚直言，一个能长期稳定运行的工程系统——数据回流、模型后训练、策略更新——远比在实验室里跑通一个漂亮 Demo 更有价值。

从“数十台”到“数量级”的飞越

要实现上述闭环，核心前提是足够规模的机器人部署量。罗剑岚透露了一个雄心勃勃的计划：2026年，智元将部署比现有数量高出几个数量级的通用机器人。目前行业普遍处于“数十台”级别的试水阶段，而智元瞄准的是“万台”甚至更高量级。他认为，只有当机器人的“公民”数量足够庞大，才能构建出真正丰富、多元、长尾的真实交互数据池。这些数据不再是遥操作或人工标注的“二手货”，而是由机器人自主行动产生的“原生数据”。这与罗剑岚在另一场行业圆桌上提出的构想一脉相承——用100亿元去构建“世界上最大的自我进化、自我闭环的数据飞轮”。 在他看来，当下还没有一个组织愿意或敢于做这件“难而正确”的事。

一个系统，三种能力

对于具身智能的终极模型形态，罗剑岚反对“单一模型打天下”的简单叙事。他明确表示，最终解决方案是一个“一体的系统”，而非孤立地依赖VLA（视觉-语言-动作）、世界模型或强化学习中的某一个。这个系统需要具备三种核心能力：VLA提供从视觉感知到语言理解再到动作执行的端到端链路；世界模型提供对物理世界的预测、反思与想象能力，在潜在空间做“预演”；强化学习则在真实反馈中不断优化策略。“VLA这个大趋势是对的，但它不见得长成现在这样。” 罗剑岚认为，短期内的VLA存在天然缺陷，而长期来看，这三个模块必须在同一个框架下协同运作，才能让机器人具备“理解后果，规划未来”的智能。

风物长宜放眼量

面对具身智能领域普遍存在的“短期落地难”焦虑，罗剑岚的态度更偏向长期主义。他强调，“短期看是负担，长期看会产生巨大价值。” 在数据采集和模型训练上，他拒绝走捷径。尽管合成数据、仿真数据在成本上极具诱惑力，但他更相信真实物理世界数据的最终统治力。他指出，地球上的“人形机器人居民”太少，不足以支撑起Action First（动作优先）架构的探索，因此必须靠大规模部署来“催生”数据，再反哺模型。在他看来，当下行业对世界模型的狂热讨论，本质上是对“VLA已死”论断的应激反应，但真正的突围之道不在学术黑话的竞赛中，而在那些正在工厂里搬箱子、在仓库里码货的机器人身上——它们每完成一次任务，都在为Scaling Law的涌现贡献一个比特。