300名截肢患者，正在变成机器人的触觉训练师

具身智能的瓶颈正从算法转向数据，尤其是高质量操作数据。英伟达的一项实验将8个AI与8台机器人封闭在实验环境中，它们自主学会了做实验，全程无需人类干预。这展示了自主数据生成的潜力，但距离通用场景仍遥远。

与此同时，300名截肢患者正在用自己的触觉数据训练机器人。这种“人体数据采集”模式不仅成本高昂——每位患者需长期配合，还涉及复杂的伦理与隐私问题。数据稀缺性已成为具身智能商业化的首要障碍。

模型每迭代一次，对算力和芯片架构的需求就可能颠覆。淬思科技这家新晋创业公司获得首轮融资，由Monolith和启盈同创领投，其使命是用AI贯穿芯片设计全流程，大幅缩短定制芯片的开发周期。这是对“模型推着芯片走”态势的直接回应。

理想汽车则从应用端出发，提出具身智能需要“一颗芯片、一套大脑、一个新范式”。其自研芯片并非通用GPU，而是针对机器人运动控制与感知的专用架构。硬件与算法的协同变得空前紧密。

智谱年内股价暴涨18倍，市值逼近万亿港元，但营收仅7亿元。这种“估值先行、营收滞后”的剧本在大模型赛道反复上演。市场的狂热建立在“未来将成为基础设施”的信仰上，但现实是商业化场景尚未跑通。

对比英伟达和理想的做法——前者做重投入的实验平台，后者强调硬件落地，智谱的轻资产模式能否持续支撑高估值？证据尚不足，但泡沫信号已经明显。

英伟达的封闭实验展示了具身智能的“自主科研”可能性，但理想汽车指出，真正的具身智能需要走出实验室，与供应链、应用场景深度耦合。淬思的芯片设计AI化，则是试图打通从模型到硬件的“最后一公里”。

三种路径——纯自主、硬件协同、设计自动化——并非互斥，而是共同构成具身智能的生态拼图。然而，每条路径都面临数据、成本或时间的巨大约束。

具身智能的热度无可否认，但三重真相不容回避：数据采集的伦理与经济成本、芯片设计对模型迭代的滞后、以及资本市场与商业现实的背离。英伟达和理想选择重投入，智谱选择轻资产，淬思选择中间地带。

短期内，没有一种模式能同时解决所有问题。行业需要的或许不是更快，而是更精准的聚焦——在数据、硬件和商业模式上找到各自的突破口。