一个足以让所有演示视频失信的数字中国信通院《具身智能发展报告2026年》里藏着这个行业最不愿被反复提起的一组对照同一套算法、同一个机器人在仿真环境里的任务成功率是89.4%一旦搬进真实的家庭环境这个数字塌方到12%。从九成到一成不是打了折扣是近乎归零。而我们平时刷到的那些惊艳视频——机器人叠衣服、倒水、收拾桌面——绝大多数拍摄于两种环境要么是精心布置、反复重试后剪辑出的高光集锦要么是仿真器里跑出来的漂亮曲线。真实的、杂乱的、充满意外的家是另一回事。为什么仿真会骗人要理解这道鸿沟得先搞清楚机器人到底靠什么学会干活。语言模型可以躺在互联网上睡觉——人类几百年的文本、图像早就堆在网上喂进去就行。但机器人需要的不是看过什么而是摸过什么一个杯子的重量、一张桌子的摩擦力、一次没抓稳导致的滑落、光线变化时摄像头的曝光补偿。这类物理交互数据互联网上一条都没有。它必须被一台一台机器、一次一次动作、一小时一小时地攒出来量级要求是千万小时级。这是天文数字。靠真机慢慢采集根本来不及于是行业造了两个温室一是仿真合成。在虚拟世界里建一万个厨房、十万种光照、无穷多的物理参数让机器人在里面日夜不停地练。优点是快、便宜、可控致命缺点是——虚拟世界的物理规律永远是对真实世界的简化。仿真里的桌面没有那层看不见的油膜光线不会突然过曝杯子掉下去不会碎成需要打扫的残骸。机器人在温室里学会的完美动作到了野外第一个回合就水土不服。二是遥操作与 UMI人类示教。让人戴着设备手把手教机器人把人的动作录下来当样本。这条路的数据更真但更贵、更慢而且人示范的是理想轨迹机器人复现时一旦环境有零点几厘米的偏差就崩了。这就是行业最尴尬的处境真数据贵到采不起仿真数据又假到不能用。两边都靠不住于是仿真跑分成了最容易刷、也最没意义的指标。温室依赖症是怎么养成的问题不只出在技术上也出在激励上。对一家需要融资的初创公司来说我们的模型在基准测试上成功率 89% 是一句能写进 PPT、能上发布会、能打动投资人的话。而我们派了二十个人去真实家庭里采了三个月数据成功率只有 12%——这句话没人爱听也拿不到钱。于是整个行业不约而同地选择了在温室里刷分优化仿真环境、挑选友好场景、把评测基准往有利于自己的方向调。跑分越高融资越顺融资越顺就越有动力继续刷分。一个自我强化的泡沫就这么吹起来了。报告罕见地把这层窗户纸捅破并给出一句冷静的判断当前行业正处于期望膨胀期未来两三年会经历一轮市场出清。翻译成人话就是现在靠仿真跑分和剪辑视频撑起来的高估值很大一部分会在真实世界的检验面前被挤掉水分。仿真衰减那个绕不过去的打折系数业内有个词叫sim-to-real gap仿真到真机的性能衰减。它不是一个可以靠堆算力消除的 bug而是这门学科的底层物理约束。你无法在仿真里 100% 复现真实世界的摩擦力、形变、光照、噪声与传感器误差。只要仿真和现实之间哪怕存在千分之一的物理偏差机器人在仿真里零误差的完美策略搬到现实就会被这个偏差放大、扭曲直到失效。报告点明仿真和真机采集是互补而非替代——仿真负责让机器人见多识广覆盖长尾场景真机数据负责教会它手上有多少真实力道。谁要是宣称纯靠仿真就能训出能干活的机器人基本可以判定是在讲一个不成立的故事。国内已经建了超过 70 家训练场本质上就是为了在受控但真实的环境里采集这种数据。但报告同时直言高质量数据供给与合规流通仍是短板。数据这件事远没有到钱到位就能解决的程度。这件事为什么值得你警惕如果你正被机器人马上要进家了的叙事撩得心痒这组数字是最好的清醒剂。12% 的成功率意味着你花十几万买回家的机器人十个任务里要失败将近九个。它会把水洒了、把衣服揉成一团、在杂乱的客厅里彻底懵掉。这不是再优化两代产品就好了的量级差距而是一道需要从数据基础设施、物理建模、评测标准全链条重建才能填平的鸿沟。反过来它也解释了一个此前让人困惑的现象为什么出货量看着挺热闹真实上岗的却没几个。因为很多被统计进出货的机器人流向了科研教育和展会表演——这些场景要么不在乎成功率要么有人在旁边兜底。真正需要在无人监管下自己把活干成的家庭场景12% 这个数字说明它还没准备好。一门学问如果只能在自己的考卷上拿高分那不叫学会叫押题。机器人真正的考场不在仿真器里而在那个满地是玩具、光线忽明忽暗、谁也不会为它的失败买单的真实客厅。在 89.4% 和 12% 之间那道裂缝被真正填平之前所有关于机器人管家的承诺都应该先打上引号。
