具身智能当前处于类似GPT-2的阶段，VLA（视觉语言模型）与世界模型（WM）虽底层同构但训练模式不同，终将融合。胜负手在于数据scaling，未来2-3年需关注首个千万小时级异构数据模型的泛化验证，达标即陡峭上行。
一、路线与阶段：VLA与WM同构，当前处于"GPT-2之前"状态
- 路线：底层均基于Transformer+diffusion，差异仅训练模式/预测目标，可互相改造、终将融合。VLA领先但依赖带action标注数据（头部仅十万-数十万小时），scaling瓶颈显著；WM可兼容无标注海量视频（百万小时级），与大模型逻辑一致，是必然方向。涌现判断：举一反三、组合创新。
- 阶段：最新模型新任务成功率仅约60%（任务多经精选），无稳定强泛化。具身智能需理解物理世界、接触逻辑、长程任务分配，GPT-3→GPT-4鸿沟更大。下一代目标：面向具身的上下文学习（新任务仅需1-2条示例），两大缺口：大规模数据闭环、统一评测基准（当前多仿真，与真实差距大）。
二、格局与数据：10分以内，数据scaling是胜负手
- 格局：满分100，所有参与者均在10分以内（未达可用标准），分水岭在规模化应用后数据指数增长。海外厂商已公布50-200万小时数据，整体百万小时效果验证、涌现初现。
- 数据：规模需求百万→千万→亿→10亿小时，每提升一个数量级可能带来能力跃升（未见天花板）。四大瓶颈：有效数据转化率低；多源异构视频流存储处理成本远高于文本；无统一格式标准，contact真值标注难于自动驾驶；数据通用性弱（3-5年后价值不确定）。contact标注最难，带动带触觉/关节数据手套需求。市场处"卖铲子"阶段，数采/存储/算力是确定性需求。
三、国内投入与落地拐点
- 投入：按本体为主/模型为主/二者兼具三类。头部本体（宇树、智元）年出货均1万台以下。头部单月资本开支大几千万元（不含人力）：数采1000-2000万、存储数百万、算力约2000万；成本占比最高是数据。
- 拐点：未来2-3年核心看首个千万小时级异构数据模型泛化效果，显著优于百万小时级即全行业资源涌入。千万小时级数据以异构为主（含大量人类第一视角，仅约1%本体真机），预训练用千万小时异构，后训练仅需千-万小时本体数据即可激发能力。
- 落地：当前唯一相对成熟场景为物流分拣包裹翻转（低难度细分），更精细任务尚无法实现。模型"小学阶段"做基础预训练、不绑定场景；直接绑定场景多为demo。进入"大学阶段"才向专业场景定向专用化。
四、盯什么（比路线之争重要）
- 首个千万小时级异构数据模型泛化验证→达标即行业陡峭上行；
- 数据格式/评测标准统一进展；
- contact标注工具与数据手套迭代；
- 本体出货与数采体系建设。
- 路线选择/身位先后非核心变量。
