事件
2026年,多家具身智能公司同时看到了一个信号:家庭机器人的「可用性边界」正在被跨越。
硅谷公司 Generalist AI 在其 GEN-1 模型上验证了一个现象——当向机器人提供海量训练数据后,精细手部操作任务的成功率从 64% 急速攀升至 99%。同期,Sunday Robotics 推出了 Umi 数据采集手套,开始直接将机器人送入家庭执行真实任务(收拾餐具、冲咖啡、叠衣服)。中国方面,曾主导「星海图」打造为估值 200 亿人民币独角兽的许华哲,近期也宣布创业进军家庭机器人,并判断「两年内中国将出现可用的家庭机器人」。
这三个事件指向同一个现象:具身智能不再是「性能曲线的缓慢上升」,而是突然跨越了一道看不见的门槛。
为什么会出现这道门槛?
在机器人学习中,有一个隐藏的、非线性的跃升点。当你有 1 万个动作示例时,机器人可能只学会了生硬的模式匹配,精度 50%-60%。但当你有 100 万个、1000 万个示例时,系统突然「理解」了动作背后的物理直觉、空间几何、力度反馈的关联性。这不是从 70% 平滑上升到 99% 的过程,而是在某个临界数据量处,整个系统的泛化能力发生相变。
这背后有三个推动力:
1. 数据规模的量变到质变 深度学习系统的能力曲线遵循 Scaling Law——性能与数据量、计算量呈幂律关系。初期增长缓慢,到达临界量后加速。Generalist AI 从 64% 到 99% 的跃升,证明了数据采集(特别是家庭场景的多样化任务)的累积已经触发了这个临界点。
2. 反馈循环的加速 Sunday Robotics 的策略很关键——不是在实验室采集数据,而是直接把机器人送进真实家庭。每一次失败、每一次成功都会被记录、标注、反馈到模型。这形成了「部署→数据→迭代→再部署」的正反馈,加快了临界点的到达。
3. 架构创新的到位 GEN-1 模型、Umi 采集手套等工具的成熟,意味着行业找到了高效的数据到能力的转换机制。不再是「我们有很多数据但不知道怎么用」,而是「有了工具,数据可以高效转化为能力」。
为什么「两年」这个判断可能不只是乐观?
许华哲的判断基于一个观察:一旦临界点被突破,后续的部署和迭代会加速。Generalist AI 的 99% 精度意味着,在特定任务上,机器人已经接近人类水平。中国的成本优势、数据采集效率、以及整个产业链的准备程度(芯片、伺服、电机等),使得「可用的家庭机器人」的商业化时间表可能真的是 24 个月内。
这不是科幻想象,而是阶跃式跨越的必然。