人形机器人爆火，行业分歧激烈：上云能否解决数据难题？

过去一年，人形机器人在国内科技圈掀起热潮，各类展会、赛事层出不穷，行业气氛异常火爆。但就在不少人憧憬着“终结者”式机器人走进现实的同时，关于其现状和未来的质疑声也愈发高涨。

火爆的背后，是否隐藏着泡沫和技术短板？产业到底卡在哪些环节？云端训练和行业标准化，能否带来真正的突破？

2025年，机器人在国内的关注度可谓前所未有，春晚表演、马拉松赛事、展会竞技，话题不断。但从行业内部来看，分歧也不少。金沙江创投朱啸虎曾公开直言“人形机器人是泡沫”，引发网友热议。不少业内人士也承认，现阶段机器人距离真正的“上岗”还有不少难题。

一个最核心的问题，就是技术路线还未统一。到底是强化学习更有前景，还是世界模型更具突破性？是该重视数据本身，还是倚重模型设计？这些问题在行业内并无定论，不同公司各自为战，难以形成合力。

但争议归争议，若回归本质，机器人产业的终极目标其实很明确——参与劳动，提升生产力，推动社会效率提升。现实却是，离这一目标最近的门槛，叫做“数据”。

或许有人会说，机器人技术进展这么快，数据应该不成问题。但事实并非如此。业内共识是，要让大模型实现智能涌现，至少需要100亿到1万亿Token的数据量，这一规模是模型参数的十倍以上。而目前，主流研究的数据量普遍只有几个亿，最大的公开数据集也就10亿左右。

缺乏足够的数据直接导致两个问题：任务种类有限，泛化能力极弱。实验室里的机器人看似灵活，但一旦离开控制环境，面对真实世界就“抓瞎”。难怪业内会用“等米下锅”来形容现状，数据瓶颈死死卡住了机器人从实验室走向工厂和家庭的通路。

有人可能会质疑：既然数据如此关键，为什么不能直接采集更多真实场景数据？实际操作远比想象复杂。数据采集成本高、效率低，尤其是高质量、带标注的真实场景数据，更是难以大规模获取。

从另一个角度看，解决数据难题或许要依赖新方法。行业开始关注“上云”。通过云端平台，虚拟世界中可以生成、增广海量数据，实现低成本、高效率训练。

例如，华为云CloudRobo平台，利用自研MetaEngine引擎，通过数字孪生技术将真实物理场景复刻到云端，再在虚拟场景中模拟各类机器人，生成RGB图像、深度、时序等多维第一视角数据，并实现自动标注。

这种合成数据与真实数据结合的训练方式，极大提升了训练效率。银河通用创始人王鹤就曾指出，未来训练数据中，合成数据可能会成为主力，且门槛极高，需要企业有长期积累和核心技术沉淀。

更进一步，云端平台还能让机器人在虚拟世界中通过模仿学习进行“虚拟劳动”，大幅降低试错成本，加速技能学习。过去依赖真人操作采集数据的方法，效率低下且不易扩展。云端训练则完全由算力和电量决定，企业可在短时间内完成大量训练，显著提升机器人能力。

数据和训练之外，行业还有一个长期痛点——标准不统一。各家机器人厂商如同早年的手机厂商，接口、协议各自为政，难以协同作业。对此，华为云推出R2C（Robot to Cloud）协议，类似于“Type-C”接口，致力于推动行业协议标准化。

目前，国家及地方机器人创新中心、拓斯达、优艾智合等行业头部企业已经加入R2C协议。通过统一接口，机器人厂商能够实现即插即用，带动整个生态的协同发展，有望逐步打破行业壁垒。

或许有人会乐观地认为，上云能解决一切问题。但实际情况没有那么简单。对实时性、安全性要求极高的场景，企业依然倾向本地计算。云端的价值，更多体现在复杂场景识别、任务规划、模型调用等对算力要求极高的环节。机器人本体则更专注于具体执行，设备有望变得更轻、更便宜。

近期，华为在AI算力方面加大布局，发布了最新Atlas 950 SuperPoD和Atlas 960 SuperPoD超节点，支持8192及15488张昇腾卡，集群规模最大可达百万卡，位居全球前列。这些超算资源将为具身智能、机器人等领域提供强大保障，加速创新突破。

人形机器人是否“泡沫”，行业内外分歧明显。有人担心技术噱头大于实际价值，更多人则关注产业链的现实短板。质疑有合理性，但对行业前景过早下结论，未免失之偏颇。