机器人 AI 开发者仍困于 GPT-2 时代 高质量数据成瓶颈
物理 AI 领域资本火热，但机器人的“大脑”仍受限于数据匮乏，行业正探索从自动驾驶迁移技术来破解困局。
物理 AI 正吸引数十亿美元风投，但机器人硬件虽强，大脑却仍停留在 GPT-2 时代——缺乏高质量训练数据，难以商业化落地。开发者正从自动驾驶借鉴工具与方法，试图突破这一瓶颈。
正文摘录
物理 AI 是风险投资领域最热门的赛道之一，各家公司筹集数十亿美元资金，将当初催生大语言模型的那套工具应用到机器人技术上。 这股热潮帮助中国领先的机器人制造商宇树科技完成了一次大规模的 IPO，该公司登陆中国版纳斯达克后估值达到 660 亿美元。然而本周形势急转直下，公司市值蒸发近一半。分析师指出了一个显而易见的问题：虽然机器人的物理能力在不断提升，但它们仍然缺乏真正创造价值的工作技能。 上周的 Actuate 大会上，一群为机器人构建 AI 大脑的开发者齐聚一堂，现场的热情显而易见。据主办方 Foxglove——一家帮助物理 AI 模型构建者管理和可视化数据的公司——透露，这场活动自 2023 年首次举办以来规模已扩大两倍，今年有 1500 名参会者。 风险也同样明显：另一家物理 AI 基础设施公司 Avala 的展台上挂着一块牌子，承诺解决"机器人数据危机"。 这场危机指的是高质量训练数据的匮乏。构建能做任何任务的通用机器人的尝试仍然遥不可及，而用端到端学习解决特定任务也尚未产出性能可靠、可商业化的产品。对于开发者来说，出路在于更好地模仿前沿 AI 实验室的进阶路径——寻找或创造更多样化的数据集，尝试不同的训练方案，设计更好的强化学习场景。 Harry Mellsop 是 [Antioch](https://techcrunch.com/2026/04/16/this-simulation-startup-wants-to-be-the-cursor-for-physical-ai/) 的创始人，这家初创公司为模型构建者打造仿真工具。他认为物理 AI 正处于"GPT-2 时代"——即 ChatGPT 出现之前的 OpenAI 模型阶段。要跨过这道坎，需要更多的数据和算力，尤其是针对光线追踪优化的 GPU，这类芯片用于生成高保真仿真环境。