第 14 章 五年后¶
这一章是我在 2026 年 5 月落笔写下的预测，把靶子立在 2030 到 2031 年。做预测的意义不在于碰运气猜对，在于把筹码押在哪里、凭什么这么押、又该在什么时候接受证伪，清清楚楚摊在纸面上。若是两年后回头再翻这一章，发现有一半都说错了，那反倒是这本书最体面的一种过时方式。
我在序言里提过，这本书的有效期大概只能撑到 2028 年。这一章是同一句话翻过来的另一面：到 2030 年，倘若下面这些事还没怎么动静，你就该心生警惕；要是这几件事真的动了，你也该跟着调整方向。
预测之所以难写，是因为人总会本能地往两个极端靠拢：一头是“五年之后天地全变了”的科技乌托邦调调，另一头是“五年后跟今天差不多”的犬儒做派。这两种腔调都不坦诚。机器人这件事真实的节奏向来是：硬件走得慢，数据跑得快，算法在两者之间被夹着往前走。接下来的三组预测各列五条，便按着这个节奏排布。
我不会假装自己押注每一条时都有同样的底气。后文把预测分成了三档：不会变、会变、可能变也可能不变。最后一档其实是写给我自己看的，免得过上两年再引述这一章时，我只挑命中的那些念给别人听。
第一组 不会变的五件事¶
接触动力学的 sim2real 还是会很难。这道坎在 2010 年代就摆在那里，2020 到 2026 年间也未曾真正解决，只是被 VLA 那一脉的耀眼风头遮盖住了。问题的根子在物理，不在算法。摩擦系数、表面微观纹理、软材料的本构方程、湿润度、温度，这些量在仿真里要么压根没建模，要么只能塞进一个粗糙的常数去对付。第 7 章讲过为什么 sim 在 2026 年比 2020 年还要紧，可那纯粹是对运动学和视觉而言的。一旦任务切入需要精细力控的接触片段，sim2real 的深沟立刻就会露出来。MuJoCo 3、Isaac Lab、Drake 这几年都在加紧支持 contact-rich，本质上却依然在刚体与有限元之间做插值近似。我赌到了 2030 年，装一根软线进一个孔、给一只软玩具系蝴蝶结、把生鱼片摆盘这种任务，仿真训出来的 policy 直接 zero-shot 搬到真机上，依然大概率会失败。能跑通的，依然是“sim 训大致动作 + 真机几百到几千条数据 fine-tune”这套两段流程。
灵巧手仍然贵且不可靠。站在 2026 年看，五指人手级别的灵巧手，要价大约在 5 万到 30 万美元之间，真落到实际工况里算，MTBF（平均无故障时间）大多扛不过 200 小时。过去十年里，这个数字改善得极其缓慢。原因纯粹出在物理结构上：人类手指里塞着 30 多块肌肉、上百条腱、几千个机械感受器；要在直径不到 2 厘米的指节空间里复刻出这等密度，机械、电气、传感、散热每一项都被逼到了工艺极限。Shadow Hand 是 2005 年代的老底子，哪怕到了 2026 年推出新版本，核心结构和价格区间依然没怎么动。Tesla Optimus 试着用一只 11-DoF 的简化手压低成本，Figure 02 走的是相近的路子，1X NEO 更是干脆退回只在指尖加触觉的两指夹爪。简化手顶用，量产手便宜，但真正“和人一样灵巧的手”，到了 2030 年依然会是科研圈里的奢侈品。家庭机器人会绕开这个问题，绝不会站在原地等它解决。
长程任务仍然需要分层。第 1 章与第 6 章立下的判断，我在这里再押一次注：到了 2030 年，5 分钟以上的连续任务依然离不开某种形式的层级结构。它未必还死守着 LLM、VLA 与控制器这三层划分：或许演变成让 LLM 充当 monitor 而非 planner，或许是 VLA 内部自己长出 hierarchy（Helix 那一路正在尝试），又或者是借由层级强化学习把分层直接学进网络里（像 Berkeley 与 DeepMind 的 HRL 复兴）。但那种扁平的、单靠一个网络从开机一路吐指令吐到关机的 5 分钟连续控制，到 2030 年依然成不了稳健的工业做法。原因全在数据。靠 teleop 采集 5 分钟连续轨迹的代价，是录制 30 秒片段的 50 到 100 倍；更麻烦的是，5 分钟里隐藏的失效模式会发生组合爆炸，中途一旦某一步走形，后半截就全变成了脏数据。这是一道被数据经济学死死锁住的硬关卡，不是光靠堆算力就能跨过去的。
99% 的问题仍然吃掉 80% 的工程时间。这是第 12 章那条工程定律的自然延续。从一台机器人在 demo 里跑通，到最终把产品真正 ship 出去，中间隔着的差距在 2030 年依然得花上几十倍的工程代价，不会单凭模型变强就凭空抹平。原因在于 demo 暴露的失败模式是连续的（精度不够、动作不流畅、偶尔抓不稳），真实产品的失败模式却是离散且对抗的（猫跳上桌台、小孩往传感器上糊满果酱、电源瞬间闪断、Wi-Fi 掉速降级、用户把工作区擅自挪改了一半）。模型再强也只能压制住前一类，后一类麻烦必须靠系统架构、回退逻辑、运行监控与工程运维来稳稳兜底。没有任何一条 scaling law 会自动解决“用户家把猫窝放在了机器人充电桩前面”。
评估仍然落后于训练。第 9 章里早早点破过这条。到了 2030 年，我敢押注评估依然会是具身领域里最破烂不堪的环节。原因很单纯：评估本质上必须消耗真机时间，而真机时间不能并行、不能加速，更没法在云端随意租借。哪怕到了 2030 年仿真评估变得更加逼真，最为关键的“和真机的差异”那一段，终究只能老老实实在真机上量出来。Hugging Face 的 LeRobot 那头一直在力推统一的 leaderboard，可回看 2026 年的现状就会发现，各家公司自行公布的指标几乎毫无可比性。到了 2030 年，大家大概率还在为了“成功率”是按 trial 算还是按 task 算、里头包不包含 reset、reset 又算谁的时间这些琐事吵得不可开交。这不是技术的问题，而是利益的问题。每家公司都只想让自家的指标定义看起来最漂亮。
第二组 会变的五件事¶
触觉传感器会便宜一个数量级并且普及。Meta 的 DIGIT 刚出来那会儿，视觉触觉还只是实验室里搭着玩的科研玩具，到了今天已经能做到小规模出货；2024 到 2025 这两年间，中国和欧洲更是冒出至少十家做低成本电容触觉、磁性触觉与压阻阵列的小公司。我敢押注到了 2030 年，给一台中端机器人的每一根手指都覆上拥有 1000 个以上触点的触觉皮肤，单只手的触觉硬件成本会落到 200 美元以下（2026 年这个数字大约还在 2000-5000 美元）。推着这件事往前走的动力来自两条线：一是手机与可穿戴设备里的微型电容传感器代工链早就熟透了，二是工业界终于彻底认下了“VLA 离不开触觉输入”这个事实。π0 的后续工作里，把触觉接入输入流的版本跑起来明显更稳当，这道信号在圈子里传得飞快。触觉要是真能便宜到可以随意“洒”在每一处接触面上，sim2real 过去讲的那套故事就得被重写大半。这倒不是因为仿真变好了，而是真机数据里平白多出了一条崭新的反馈通道，让策略终于有机会自己摸索出真实的接触模式。
家用人形会先在轮式半人形上落地。第 11 章讲过为什么人形在大多数场景里纯属一种昂贵的固执。我敢押注到了 2030 年，第一批真正能在普通家庭里跑过 1000 小时以上的“通用助手机器人”，下半身一定是轮式或者轮腿混合（类似 1X NEO 早期方案、Apptronik Apollo 的某些 SKU，外加中国几家跟进的厂商），上半身则是双臂配躯干。两条腿走路这件事在家庭场景里解不开任何商业难题，讨好的只是一种叙事。讲故事在拿融资的阶段管用，搬进客户家里可没人在意。Tesla Optimus 和 Figure 02 押注的全双足人形线，我赌到了 2030 年依然主要蹲在工厂与仓库里，进不了家庭。真正能把家庭这条路先跑通的，恰恰是那些坦然承认“轮子比腿好使”的公司。
数据集会进入 1 亿 trajectory 的级别，主要由中国玩家拉动。站在 2026 年看，眼下最大的开源具身数据集 Open X-Embodiment 拢共不过 100 万条 trajectory 左右，最大的闭源数据集（Tesla、Figure、PI）充其量也只是这个量级的数倍。我敢押注到了 2030 年，至少会有一家公司或联合体对外公开 1 亿条量级的具身数据集，而且推着这件事情落地的主要动力来自中国。背后的因由是中国制造业握着一套极其独特的数据采集成本结构：teleop operator 人工成本低、机械臂造价便宜、真实的产线场景多，地方政府在数据基建上也肯掏真金白银。智元、宇树、银河通用、星动纪元这几家在 2025-2026 年间已经陆续放出自家的百万级数据集，往后若是华为、字节这样的巨头真下场做起来，更会是完全不同的量级。这并不是说谁手里数据多谁就稳赢，而是“演示数据 = 石油”这句老比喻终于落到了实处，且这桶油在中国手里的储量要大得多。美国在算法、芯片与模型架构上大概率会继续领跑，但在纯粹的演示数据这件事上，筹码正不可逆地倒向东边。
VLA 推理频率突破 100Hz 成为标配。2026 年的大多数开源 VLA 只能勉强跑在 5-15Hz，唯独 π0-FAST 靠着设计把这个数字硬拉到了 50Hz 量级。卡住频率的脖子从来不是模型本身，而是 tokenizer 与 action head 的结构。flow matching、action chunking 与 speculative decoding 这几条路线在 2025 年就已初见成效。我押注到了 2030 年，70 亿参数体量的 VLA 在 RTX 6000 这一代显卡上稳稳跑出 100Hz 只是及格线，30 亿参数的模型跑上 200Hz 也算不上新鲜事。把频率拉上去不单是为了数字漂亮，而是因为 100Hz 恰好是力控不可逾越的最低门槛。频率一旦掉到这个数字底下，凡是碰上接触敏感的任务，底层就非得垫上一层经典控制器来兜底不可；唯有跨过 100Hz，VLA 才有资格亲手吐出力控信号。这道关隘一旦闯过去，第 1 章表格里那行“接触很多、力控敏感”，就会从端到端的专属优势彻底变成理所应当的标配。
至少 2-3 家具身公司会上市或被巨头并购。2026 年具身赛道的融资势头依然很热，但早已过了光靠“画 PPT 拿钱”的年头，市场要看实打实的出货数据。我敢押注到了 2030 年，具身公司里至少有 2-3 家能把整套资本周期走完：或是 Figure、1X、Physical Intelligence 这样的明星公司里挑出一两家敲钟上市，或是宇树、智元在 A 股或港股完成 IPO，又或是 Apptronik 被哪家汽车厂或科技巨头整体吃下。这道坎迈过去之后，估值逻辑就会从纯粹讲故事彻底转向按真实出货量算账，整个赛道势必迎来一轮估值挤压。对工程师而言，这非但不是坏事，反倒是天大的好事：泡沫褪去后幸存下来的几家公司会老老实实进入“做产品”的周期，工程岗位的需求与比重也会远远压过单纯的研究岗位。
第三组 可能变也可能不变（不押注）¶
下面这五件事我有自己的看法，但手头的底牌还没硬到敢下注的份上。我把它们摊出来交给你琢磨，而不是替你拿主意。
会不会出现一个“具身 GPT-3 时刻”？所谓的这个时刻，指的是某一个模型冷不丁把任务通用性拉拔到了全新的台阶，使得原先所有针对单个具体任务精心打磨的优化技巧瞬间作废，逼得全行业的公司都只能掉头围绕它重构自己的技术栈。GPT-3 在 2020 年就是这么洗劫 NLP 领域的。在具身机器人这边，这样的变局或许会在 2027-2029 年间降临，或许根本不会发生。悬在中间的变量纯粹看数据：倘若 1 亿条 trajectory 真能在 2028 年之前堆成山，这个时刻就极可能到来；要是数据规模卡死在千万量级动弹不得，它大概率就来不了。我个人的主观判断是 50/50。这场风暴一旦真的成真，前文“不会变”的几条断言里至少会有两条被当场击穿，所以无论如何，你都得留出一只眼睛死死盯住这个节点。
开源和闭源生态怎么分裂？2026 年的今天，LeRobot、OpenVLA 与部分开源的 π0 这一路人马，还在吃力地追赶 Tesla、Figure、1X 这批闭源大厂的脚步。但具身世界的开源要比纯粹做 LLM 艰险得多，只扔出一个开源权重，根本抹不平硬件、真机数据与 teleop 平台的沉重开销。Meta 当年在 Llama 上屡试不爽的打法，搬到机器人领域究竟还能不能奏效，我眼下完全看不透。一种可能是到了 2030 年，开源阵营已经被闭源断崖式甩开三代；另一种可能则是中国厂商祭出全栈开源的狠招（硬件 + 数据 + 模型一体端出），直接将现有格局彻底凿穿。这两种截然不同的走向，对工程师挑方向、找坑位的影响天差地别，只是我如今确实不敢轻易下注。
真正可信的家庭机器人能不能在 5 年内出现？这里说的“可信”有非常苛刻的尺度：不需要 teleop 人工在暗中兜底，不需要算法工程师随时远程介入，机器人在家里连续跑上一整周不掉链子，用户也敢放心地把小孩单独留在它跟前。站在 2026 年，我们离这个目标还差得极远。1X NEO 的 beta 测试用户家里至今少不了大量的 teleop 频繁介入，Figure 哪怕放在环境简单的工厂产线里，边上也得安排专人眼睛不眨地盯着。这桩麻烦归根结底是前文那个 99% 问题的相变临界点。这个临界点究竟能不能在 5 年内闯过去，往往不由算法说了算，而是被一堆走得极慢的现实变量死死拖着：保险赔付机制、行业监管、电池安全硬指标，甚至家庭 Wi-Fi 的连接稳定性。整个行业或许会在 2030 年之前侥幸跨过临界点（比如一线城市公寓里终于跑通了 1000 台稳定工作的家用机），也完全可能被硬生生拖到 2032 年之后。
中美在 humanoid 形态战的胜负如何？2026 年当下的格局很清楚：美国在双足人形的技术线上攥着模型与资本的双重优势，中国则在硬件制造与数据采集的泥潭里抢先占住了身位。双方会不会在 2030 年之前决出高下，全看商业落地的真实节奏与具体形态。倘若家庭机器人这一路率先突围，且押中的正是前文赌过的轮式半人形，那这场仗压根就犯不着在双足人形的擂台上分输赢，交火线早就换到了另一片天地；倘若工厂与仓库这条路最先跑通，而且工况证明全双足人形确实不可或缺，那么美国很有可能会赢下这一局；要是这两条路哪一条都没能如期走顺，五年内就只能维持僵局。在我眼里，这盘棋未来大概率继续悬而未决，谈不上谁彻底胜出。
通用人工智能和机器人的政策监管框架。这件事完全落在了纯技术讨论的视线之外。欧盟的 AI Act 早在 2024 年就已落地表决，针对 high-risk AI 系统划出了一整套条条框框，但具身机器人塞进那套框架里到底合不合身，至今谁也没在实战中摸过底。美国联邦政府到 2026 年依然拿不出统一的法案，只在加州、纽约等个别州零星有些动作。中国针对工业机器人早就立下了成熟的标准，可对家用人形机器人这块，依然缺少专门的规范。我不去预测政策的具体走向，但想给所有干具身的工程师提个实在的忠告：老老实实存好你每一份训练数据的源头记录，保存好每次 deploy 上线时的安全边界配置，留好你亲手做过的红队测试报告。未来若真有监管机构敲门核查的那一天，你绝不会想当那个站在原地一句话都交代不清楚的工程师。
给一直读到这的工程师 5 条择业 / 投入精力的建议¶
第一，别跟风扎进“通用人形”，除非你耗得起五年交不出货的底牌。轮式半人形、桌面机械臂、专用搬运机器人，这些方向看着不够抢眼，但在 2026 到 2030 年这几年里，反倒是工程师真正能做出真东西的去处。融资 PPT 上人形排得最满，可真到了工厂的采购单和家庭的客单上，唱主角的并不是它。
第二，touch 和 force 值得早点进场。视觉那条路早就挤满了人，VLA 的门槛也被各家推得极高，但触觉和力控的人才在整个领域里依然紧缺。前文赌过触觉传感器会便宜一个数量级，这就意味着接下来五年，这个方向会从实验室走向真实的工程落地，需要大量懂硬件、也懂模型的人。翻看技术史，站在这种交叉位置上的人，得到的回报向来不差。
第三，在评估和数据基建上花的心力，比你预想的要值钱得多。第 9 章已经说过，90% 的 demo 都死在评估上。接下来的五年里，会出现专门做具身评估、数据标注与 failure mode 分析的基础设施公司，卡住类似 LLM 生态里 Scale AI、Weights & Biases 的位置。工程师要是擅长这类工作，到了 2028-2030 年，就会成为行业里极其稀缺的角色。
第四，至少把一种经典控制方法摸透到能亲手动手写出来、跑得通的地步。impedance control、admittance control、QP-based whole-body control，在这三者里挑一个，自己从头写一遍并彻底跑通。倒不是因为它们有朝一日会取代 VLA，而是下一批最顶尖的具身工程师，必定是手里同时攥着 VLA fine-tune 与经典控制这两手硬功夫的人。只懂其中一边的人，遇上需要做决定的关口，往往会看错局面。
第五，眼睛别只盯着美国的进展。中国具身赛道在 2025-2026 年的迭代速度，放在全球都是最快的那一档。看不懂中文 paper 算不上借口，几条最关键的线（智元、宇树、银河通用、Galaxea、星动纪元）全都有英文 tech report 或者 arXiv 投稿。漏掉了这一边，就等于在未来五年的具身硬件与数据里漏掉了半边天。
把判断尺再立一次¶
第 1 章那把“端到端 vs 分层”的尺子，整本书一直在用。写到这一章末尾，我想把它再立起来一次。
未来五年，这把尺子是会改变还是会彻底消失？我押它不会消失，只会磨得比现在更锋利。
理由摆在眼前：端到端这条线在五年内会吃下更多以往属于分层的领地，第一组预测里 100Hz 推理频率成为标配的那条推断，会让“接触敏感任务必须分层”这个在 2026 年还算管用的判断慢慢失效。与此同时，第二组那条“长程任务仍然需要分层”也一样站得住，VLA 拿不到 5 分钟连续轨迹的演示数据，这事跟模型能力强弱无关。所以五年之后这把尺子不会变松，它会在两头各自往里收一收，中间剩下的判断窗口反而掐得更准：60 秒以内 + 力控敏感 + 失败可重试 = 端到端，3 分钟以上 + 子步骤明确 + 接触人 = 分层。中间那片灰色地带，也会从 2026 年的一句“看情况”，变成 2030 年的“看下面这五条更细的指标”。
整本书里这把尺子立得最早，也是我最希望读到这里的同行能记住的一件事。具身领域里最容易让人栽跟头的判断，从来不是挑错了哪种具体算法，而是用错抽象层级。把一个 5 分钟的任务硬塞给端到端，或者把一个 30 秒抓毛巾的动作非要拆成三层 LLM-VLA-控制器，犯的都是同一种错。这把尺子在五年内不会过时，只会越磨越细。
收尾¶
在序言里我说过，摄影那本书写完，我希望搁上五年拿出来还能用；眼前这本要是写完两年就过时了，反倒证明这个领域真的在往前走。
写到这里，我倒想反过来再说一句：这本书过不过时，算不上判断这个领域好坏的指标。书里摆出来的那些立场，哪天被你不同意、被你动手修改、被你甩在身后彻底超过，才是真正的好指标。
如果你读完合上书，能在下一个项目的某处具体决策上，清楚说出“这件事我跟书里第 X 章不一样的看法是什么”，而且这个不同背后有真实的项目数据撑着，那这本书就算把该出的力全都尽到了。
具身这摊事在 2026 年，仍旧处在所有判断都在被重新写过的窗口期。到了 2030 年，大部分格局会落定下来；等跨进 2031 年，又会开启下一轮重写。横在中间的这几年里，谁能在动手干活的同时，始终想得清楚自己到底在做什么、为什么要这么做，谁就能在这一波里活得最久。
练习¶
回去重看一段你在 2024 年存下的 demo video。哪家公司、哪台机器人都行，挑一个当年让你觉得大受震撼的。带着前 13 章学到的眼光重新审视一遍：它的剪辑在哪一处藏了多少个 take？它的任务时长落在第 1 章表格里的哪一行？它的失败模式对应着第 6 章里的哪一类？现在的你又能看出多少当年没瞧出来的门道？把这些都写下来，跟当时的笔记逐一对比。
找一段 2026 年最近三个月里的具身 demo（任意来源），用本章三组预测里的某一条对它做一次“未来检验”：如果第一组那条“长程任务仍然需要分层”到了 2030 年依然成立，那么这个 demo 五年后该长成什么模样，攻克了哪些眼下悬着的问题，又有哪些难题依然没能解决？
把属于你自己的“五年后预测”写下来。不要照搬我的。三条不会变 + 三条会变 + 两条不押注。写完之后封进一个文件，等到 2031 年 5 月 2 日再打开看一次。预测的对错本身没那么要紧，你在这几年里判断能力的变化才最要紧。
找一位你在具身领域里信得过的同行，坐下来把这一章好好聊一次。不要找想法跟你处处合拍的，去找跟你意见最合不来的那个人。把这章里你最不赞成的一条标出来，听听对方会怎样反驳。听完之后你的判断有变动吗？无论变了还是没变，都随手记下来。做完这件事，比单单读完这一章管用十倍。
感谢你读到这里。在这个所有判断都在推翻重写的窗口期里，愿你做出的下一个判断，总能比上一个更准一点。