SheetMN-A1

Title能力与部署的悖论

Issue2026.08

Scope配套材料

能力与部署的悖论

技术和产品的迭代越来越快，实地部署却并没有越来越容易。这个差距会随着模型能力的提升而消失吗？

Insights 三维度拆解 · 算力 / 数据 / 路径 与 MN-00 配套使用

摘要真实场景的数据和按领域建立的物理模型缺乏供给，这导致能力与落地之间出现结构性差距。这是 microNature 研究和带来改变的领域。

下面从算力、数据和数据获取路径三个方面展开，也说明 microNature 为什么这样设计。

← 返回主文件 · microNature — 物理智能基础设施

00Contents

A1Phenomenon

现象：三条不同步的曲线

前沿实验室的演示越来越好看，真实场地里的部署成功率却没有跟着上去。两条曲线之间的距离这几年没有收窄，还在拉开。

FIG.A1实验室演示能力与现场部署能力，差距在扩大

把同一段时间拆成三层来看（FIG.A2），大致能看出问题卡在哪一层：

FIG.A2三层供给的进度差：硬件快，模型居中，场景基建近乎缺席

硬件这一端的进展很扎实：中国制造业机器人密度 470 台 / 万名员工，排在全球第三；2023 年新增安装 27.6 万台，约占全球的 51%（IFR）。产能、成本、可靠性都在按季度往前走。慢下来的是大脑。参数规模并不是主要原因，缺的是场景数据和按领域建立的物理模型：机器最终要干活的那片真实世界，还没有被完整数字化，也没有以物理上准确的形式交给模型。下面三节分别讲这三件事。

A2Compute

成因一：Token 与算力消耗高，能力不随之线性增长

通用机器人的主流路线是「像素 → 语义 → 推断 → 动作」，先把连续的物理世界压成离散的 Token，再交给大模型推断该做什么动作。代价是单个任务的 Token 与算力消耗都很高，而部署能力并没有跟着同比例上升。

FIG.A3投入按数量级增长，部署能力趋缓，两者并不同步

含义更大的模型加更多的 Token，不会自动换来部署能力。压缩过程中丢掉的多半是接触、力、摩擦、形变、材质这类信息，而它们恰恰决定一个动作做不做得成。算力大都花在了还原语义上，物理量反而没有被还原出来。

A3Data

成因二：数据总量很大，数据效率很低

常有人拿视频数据的体量来说明物理智能不缺数据。这里有个口径问题：一小时视频里含有的有效物理知识，可能还比不上一千字文本。视频记录的是像素之间的相关性，不是可以直接拿来执行的物理量，缺少力、接触约束以及动作与结果的对应关系。总量确实很大，能用上的部分很少。

换成「可用于训练的高质量具身数据」这个口径，缺口大致是这样：

FIG.A4高质量具身数据的存量与需求，缺口超过 99%

对照：语言模型的起点互联网用三十年攒下了一份现成的高质量文本，任何团队都能拿它起步训练一个大模型。物理智能手上没有这样一份存货。没有互联网，也就不会有 Transformer；缺少真实物理数据这层底子，物理智能同样很难谈规模化。

A4Paths

成因三：四条数据路径，物理保真度都不够

目前获取具身数据主要有四条路径，逐条看下来，每条在物理保真度上都有各自的短板：

路径	做法	物理保真度问题
遥操作	人类远程操控真机，采集动作轨迹	物理上真实，但采集慢、成本高；力、热、接触这些量很难同步记全
第一人称视角	由头戴或机载相机采集	缺少全局几何与环境参数，遮挡多，大量物理状态观测不到
合成数据	通用仿真引擎批量生成	场景多为模板，物理参数和真实部署现场对不上，仿真到现实的落差主要由此而来
视频学习	从人类 / 网络视频中学习行为先验	没有动作标签，也没有物理量，学到的更接近「看起来像」，而不是「物理上做得到」

合成数据物理与实景不对齐视频学习只有像素相关性

FIG.A5四条路径的物理保真度都在门槛以下（相对示意，非测量值）

共性四条路径缺的是同一样东西：与真实部署现场对齐的物理量。这更像供给端的空白，而非某一条路径的工程细节问题，真实场景的物理本身还没有被建模，也就无从供给。

A5Cost

遥操作的成本账：靠人海采集为什么走不通

四条路径（A4）里物理保真度最高的是遥操作，但成本卡得很死：约 2,000 元 / 小时（Gartner）。按 1,000 万小时的需求量算，光采集这一项就要 200 亿元左右，还要配上一支很难规模化的操作团队。这笔账在商业上算不过来。

FIG.A6数据获取成本：遥操作与领域原生仿真的对比

前提能把成本降下来的只有仿真，前提是它和部署现场在物理上对得上。对不上，生成的数据就用不了，省下来的成本也就无从谈起。领域原生说的正是这件事。

A6Conclusion

叠加起来：机器人的规模定律至今没有出现

前面三节（A2／A3／A4）说的三件事各自都成立，麻烦在于它们同时成立，而且互相叠加：

① Token 与算力

单个任务的 Token 与算力消耗高，部署能力没有跟着同比例增长。

② 数据效率

总量很大，含有的有效物理知识很少，一小时视频可能不及一千字文本。

③ 数据准度

遥操作、第一人称视角、合成数据、视频学习四条路径，物理保真度都在门槛以下。

④ 结果三条叠在一起，机器人身上的规模定律到今天也没有出现，差距则以各种形式暴露在现场。

回应结论

补上真实物理世界的那一层基建

差距的来源在供给一侧：场景数据和按领域建立的物理模型都还不够。硬件已经跑在前面，它等的是一层真实物理世界的基建，把部署现场变成机器可以训练、可以验证、可以打分的数字底座，同时把数据获取成本降到原来的 1/20 至 1/200。microNature 的架构就是照着这层基建设计的。

查看 microNature 架构 →

附Sources

数据来源

IFR《World Robotics》：中国制造业机器人密度 470 台 / 万名员工（2023），全球第三；全球平均 162 台；2023 年中国新增安装 27.6 万台，约占全球 51%。
Gartner 及行业估算：遥操作数据成本约 2,000 元 / 小时；人形机器人高质量数据缺口达万倍量级。
盖世汽车研究院：具身高质量数据存量约 50 万小时，通用能力需求约 1,000 万小时，缺口超 99%；物理 AI 数据量约为语言模型语料的 1/20,000；仿真可将单条数据成本降至 1/20 至 1/200。
弗若斯特沙利文：中国具身智能解决方案市场规模 2030 年预计约 1,426 亿元。

注：FIG.A3 与 FIG.A5 为结构性示意（趋势与相对关系），非测量值；具体口径以访谈与一手数据为准。