单任务 token 与算力消耗高，部署能力不随消耗线性增长。
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
产品越来越惊艳，真实部署却似乎越来越困难，这是为什么呢？换句话说，技术与能力之间的差距不会随着模型能力升级而自动消失吗？
Insights
三维度拆解 · 算力 / 数据 / 路径
与 MN-00 配套使用
TL;DR
技术与能力的鸿沟是结构性的，根源在供给侧：硬件在高速迭代，大脑基座模型在进步但没跟上，而真正的瓶颈在第三层，场景数据与领域原生物理建模几乎未被供给。
下面从算力、数据和路径三个维度展开，说明为什么物理智能的基建是必经之路，以及 microNature 的成立与设计初衷。
00Contents
A1Phenomenon
现象：三条不同步的曲线
前沿实验室的 demo 越来越惊艳，真实场地的部署成功率却没有同步上升。这个 gap 没有收窄，反而在扩大。
把同一条时间轴拆成三层看（FIG.A2），问题出在哪一层，一目了然：
硬件一端完全没有问题：中国制造业机器人密度 470 台 / 万名员工，全球第三；2023 年新增安装 27.6 万台，约占全球 51%（IFR）。产能、成本、可靠性都在按季度进步。慢的是大脑，而大脑慢的根源，不是参数规模不够，而是场景数据与领域原生的物理建模严重不足：机器最终要工作的真实世界，还没有被数字化、被物理准确地供给给模型。以下三节逐一拆解。
A2Compute
成因一：token 与算力消耗高，能力不线性增长
通用机器人主流路线走的是「像素 → 语义 → 推断 → 动作」：把连续的物理世界折叠成离散 token，再由大模型推断动作。这条路线的代价是，单任务的 token 与算力消耗极高，而部署能力并没有随消耗线性增长。
含义
「更大的模型 + 更多的 token」不会自动兑换成部署能力。被折叠掉的，恰恰是物理世界中最关键的信息：接触、力、摩擦、形变、材质。token 花在了重建语义上，而不是重建物理上。
A3Data
成因二：数据总量天量，数据效率极低
常有人以「视频数据是天量的」来论证物理智能不缺数据。这是一个口径错误：小时级视频蕴含的有效物理知识，可能不及千词文本。视频里是像素相关性，不是可执行的物理量，没有力、没有接触约束、没有与动作的因果对齐。数据总量天量，数据效率极低。
把口径对齐到「可用于训练的高质量具身数据」，缺口是这样的：
对照 LLM 的起点
互联网用三十年沉淀了一份现成的、高质量文本基建，任何团队都可以拿它 bootstrap 一个大模型。物理智能没有这份现成的东西。就像没有互联网就没有 Transformer，没有真实物理数据基建，就没有物理智能的规模化。
A4Paths
成因三：四条主流数据路径，物理保真度均不足
目前行业获取具身数据的路径主要有四条。逐条拆开看，每一条都在物理保真度上有硬伤：
| 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 | 物理真实但采集效率极低、成本极高；力、热、接触等物理量难以同步完整记录 |
| Ego 视角 | 第一人称视角采集（头戴 / 机载相机） | 缺全局几何与环境参数；视角遮挡严重，物理状态大量不可观测 |
| 合成数据 | 通用仿真引擎批量生成 | 模板化场景，物理参数与真实部署场景不对齐，是 sim2real gap 的主要来源 |
| 视频学习 | 从人类 / 网络视频中学习行为先验 | 无动作标签、无物理量，只有像素相关性；学到的是「看起来像」，不是「物理上可行」 |
共性
四条路径缺的都是同一样东西：与真实部署场景对齐的物理量。这不是某条路径的工程瑕疵，而是供给侧的结构性缺失，真实场景的物理本身还没有被建模、被供给。
A5Cost
遥操作成本对比：暴力采集为什么走不通
四条路径（A4）里物理保真度最高的遥操作，成本是硬约束：约 2,000 元 / 小时（Gartner）。按 1,000 万小时的需求量测算，纯遥操作采集需要约 200 亿元，还要叠加无法规模化的人力组织。这条路在商业上不成立。
前提
能把成本打下来的，是与部署场景物理对齐的仿真。物理不对齐，仿真数据就不能用，成本账就不成立。这正是「领域原生」四个字值钱的地方。
A6Conclusion
叠加结论：Scaling Law 至今未出现
① Token / 算力
② 数据效率
数据总量天量，有效物理知识极低，小时级视频或不及千词文本。
③ 数据准度
遥操作、ego、合成、视频学习四条路径，物理保真度全部在门槛之下。
④ 结果
三条叠加，机器人的规模定律（scaling law）至今未出现，gap 以各种形式暴露。
结论 · 回到 Sheet MN-00
缺的不是更大的模型，是缺失的那一层基建
gap 的根源不在模型参数，而在供给侧：场景数据与领域原生的物理建模严重不足。硬件已经跑在前面，等它的不是更大的模型，而是一层真实物理世界的基建，把部署场景变成机器可训练、可验证、可打分的物理数字基座，把数据获取成本打下 20 至 200 倍。谁先把这一层做扎实，谁就把 gap 变成自己的 moat。这正是 microNature 架构所对应的解法。
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 LLM 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。