数据困境与模型挑战下，AI智能体与机器人如何实现突破？
AI智能体与机器人的发展现状
AI智能体的兴起
随着人工智能技术的不断进步，AI智能体在近年来逐渐崭露头角。2025年被业界普遍认为是AI智能体的元年，在Inclusion·外滩大会上，各类智能体功能多样，数量众多。智能体的概念仍处于被定义和落地的过程中，用户端和企业端虽给予一定宽容，但这种宽容期限有限。
机器人的发展态势
机器人领域同样备受关注。在当前算力爆发与模型创新的关键阶段，机器人的发展面临诸多挑战。无论是进入家庭的服务机器人，还是工业领域的机器人，都在数据和模型方面存在问题，距离大规模产业化落地还有很长的路要走。
机器人面临的数据困境
数据采集难题
宇树科技创始人王兴兴指出，机器人数据采集存在诸多问题，优质数据采集困难，数据质量标准模糊，采集类型、规模和价值判断都不明确。目前机器人的数据采集、噪声以及数据质量问题都很大，处于比较模糊的阶段。
数据质量差异
清华大学许华哲表示，真实数据质量好但昂贵，仿真和互联网数据便宜易获取，但与真实数据存在质量差距。即便采用真实数据，也存在“真实到真实的差距”，这会影响训练出的VLA模型最终质量。
数据利用思考
王兴兴希望通过提高数据利用率、提升模型对数据的理解能力，实现用少量数据获得良好效果。银河通用张直政认为具身大模型发展需要海量数据，全部用真实数据采集不可行，仿真数据在可控性和规模化方面有优势，可通过其他模型弥补不足。
机器人面临的模型挑战
模型与硬件结合问题
王兴兴指出，对于机器人而言，AI模型最大的问题是无法很好地利用硬件，比如灵巧手。目前纯语言模型或纯视频模型效果较好，但语言与图像深度融合面临巨大挑战，在机器人控制领域，生成视频与机器人控制模态精确对齐仍是难题。
灵巧手难题及解决思路
灵心巧手苏洋表示，若有大量设备，真机数据采集会变容易且成本降低。他希望造更多便宜灵巧手，降低其在人形机器人成本中的占比，争取三年内降价，先在工业领域应用稳定后再进入家庭。
具身智能路径探索
国家地方共建人形机器人创新中心江磊指出，当前具身智能路径尚未收敛，但智驾、机械臂、腿足式机器人以及芯片这四条路径，未来若集中于一点，具身智能产业可能落地。
AI智能体面临的挑战与趋势
概念落地与宽容期限
BAI资本龙宇坦言，智能体概念还在定义和落地过程中，当前用户和企业给予极大宽容，但这种宽容期限有限。随着token成本下降，人们对智能体交付完成程度会更较真，尤其在金融等高风险领域。
垂直领域数据缺失
RockFlow创始人Vakee指出，大模型在垂直领域数据缺乏，在金融领域落地对准确性要求高，且强监管场景需要算法具备可解释性。
未来产业分化趋势
龙宇认为，半年前备受关注的垂直Agent如今较少被提及，未来智能体将呈现产业分化、模型产业化趋势，关键是定义新的交互范式，而非产品形态。
突破困境的关键与展望
理解数据价值
无论是机器人还是智能体，都需要真正理解数据的价值。明确数据采集的方向和重点，提高数据质量，合理利用不同类型的数据，以提升模型训练的效果。
提升模型能力
突破模型面临的挑战，加强模型与硬件的结合，解决语言与图像融合等问题。不断优化模型架构，提高模型的智能水平和应用能力，实现更好的控制和交互。
期待爆发式发展
当机器人能够突破数据和模型的限制，进入千家万户，为人们的生活带来便利；当智能体能够准确理解并完美执行指令，在各领域发挥重要作用，AI时代将迎来真正的爆发式发展，改变人们的生活和工作方式。
相关问答
机器人数据采集存在哪些问题？
机器人数据采集存在诸多问题，优质数据采集困难，数据质量标准模糊，采集类型、规模和价值判断都不明确，整体处于比较模糊的阶段。
仿真数据有什么优势和不足？
仿真数据在可控性和规模化方面具有极大优势，但在物理和语义学习上不如真实数据，不过可通过图文大模型和数字大模型来弥补。
机器人模型面临的主要挑战是什么？
机器人模型面临的主要挑战是无法很好地与硬件结合，如灵巧手；语言与图像深度融合困难，在机器人控制领域模态精确对齐仍是难题。
智能体概念目前处于什么阶段？
智能体概念还在被定义和落地的过程中，当前用户端和企业端给予一定宽容，但这种宽容期限有限，随着发展人们对其要求会更严格。
未来智能体的发展趋势是怎样的？
未来智能体将呈现产业分化、模型产业化趋势，关键是定义新的交互范式，而非产品形态，会更加注重实际应用和效果。
机器人和智能体突破困境的关键是什么？
机器人和智能体突破困境的关键是真正理解数据价值，提高数据利用率，突破模型面临的挑战，提升模型能力，实现更好发展。
