一段坐在会议室里聊天的第一视角视频，完全来自真实世界。它看起来很 “真实”，但拿去训练机器人，可能没什么用 —— 镜头里没有发生有效的动作，环境状态也没有改变，模型自然学不到任务是怎么完成的。 这让我意识到，具身智能的数据瓶颈，和大模型时代不太一样。互联网上有大量现成的文字，但物理世界的数据不会自动变成一个干净的数据集。机器人要看见物体、理解状态变化、做出动作，还要承担动作带来的后果。真正难的问题，不只是数据够不够多，而是缺什么、怎么造、怎么验证，以及这些数据能不能回到真实部署里产生价值。 这期我邀请了群核科...