二是构建“数据飞轮”是关键竞争力

回顾过去十多年的互联网发展，真正能做大的企业，最终依靠的都是数据闭环——更多用户带来更多数据，更多数据训练出更好的模型和系统，更好的系统又吸引更多用户，这个飞轮一旦转起来，就会形成强大的壁垒。具身智能也不例外，必须建立“一边创造价值，一边产生数据”的飞轮效应。

与大语言模型不同，具身智能的数据具有私有性与闭环性。大模型的预训练数据多来自公开网络，难以形成壁垒；后期精标数据又依赖昂贵的人工标注，易被复制。而用户交互数据往往质量有限，难以直接用于模型提升。

然而在具身智能场景中，数据飞轮可以高效运转：机器人以基础能力部署后，在真实场景中执行任务，成功经验强化模型，失败案例经人工干预后转化为高质量数据。这一过程类似自动驾驶，但机器人可优先选择容错率更高的场景（如无人环境下的清洁任务），以更低风险积累有效数据。

“每一次失败，都是模型进化的一次机会。”解浚源总结道，“这种‘从实践中学习’的闭环，正是具身智能持续进化的核心动力。”

“最大的挑战来自数据”

如何解决数据问题，已成为整个具身智能领域共同的“拦路虎”。很多人可能会感到意外：制约机器人发展的，居然不是模型算法，也不是机械结构，而是看似“随处可见”的数据，具身智能的数据到底难在哪？

如果你看过机器人马拉松或运动会，一定会笑出声。那场面简直堪称“大型翻车现场”——有的走着走着突然跪地不起、跑着跑着零件脱落、甚至有的在做动作时直接把自己抡飞……

这些狼狈表现的背后，根源在于具身智能严重缺乏高质量的物理交互数据。没有足够的数据支撑，机器人是无法感知到这个世界的物理法则，在真实世界中“稳健行走”都成问题。

与大模型不同，具身智能需要的数据非常特殊：它依赖大量来自物理世界的交互信息，比如摩擦系数、材料应力反馈、力度控制等。这类数据不像文本或图片那样容易获取，它们无法从公开网络批量下载，而必须通过实打实的动作尝试、碰撞、调整才能积累。

更关键的是，纯文本模型缺乏“身体经验”，它的知识来自符号关联，而非对物理规律的深层理解。要让机器人真正理解世界，就必须像教婴儿学步一样，让它亲自去摸、去抓、去摔倒、再爬起来——而这个过程，比训练一个大模型要困难得多。

和人类相比，人形机器人大概还处在“婴儿学步”的阶段。这绝不是讽刺，反而说明它们走对了路。毕竟，每个婴儿我们都称呼他为“宝贝”。

要知道，即便是刚出生的婴儿，也并非一张白纸。他们自带一套经过千万年进化而来的“预训练系统”，天生就具备几种关键能力：

·物理直觉：几个月大的婴儿，就会对“违反物理规律”的事情表现出惊讶。比如物体悬空不落、突然消失又出现，他们会盯着看更久——说明他们天生就对重力、支撑、物体恒存有了基本预期。

而机器人要学完海量数据，才勉强明白“东西掉下去会落地”这种常识。

·多感官学习：婴儿通过看、抓、爬、扔、咬，实时构建对世界的理解。第一次爬下沙发，身体就在感知高度、风险与动作控制——这种“体感学习”是纯数据替代不了的。

而机器人没有重量感、没有肌肉记忆，知识始终是抽象的、飘着的。

·小样本举一反三：婴儿是高效学习机器，大脑天生就对模式、因果和结构异常敏感。可能只见过两三只狗，就能认出不同品种的狗；没系统学过语法，却能快速掌握语言规则。

而机器人识别一只狗，可能需要学习百万张标注图片。

所以说，别小看婴儿的跌跌撞撞——每一步都是在快速的学习，增加脑回路。机器人今天走得笨拙，也许正是因为它终于开始像婴儿一样，用身体去理解世界了。

而理解这个世界的关键，就是为具身智能创造一个属于它的数据生态，以此构建机器人的“成长系统”。

千寻智能打造了一套完整的具身智能数据收集与训练系统，彻底颠覆了传统的逻辑和方式。他们几乎穷尽了人类各种动作模式，用于训练机器人，从简单的抓取，到复杂的任务，将这些从零开始的技能进化过程，凝缩为可迭代、可复用的数据体系。

更重要的是，千寻智能将数据的维度，从一维的文本空间，扩展至三维的物理世界。在无数次的训练中，通过模拟物理交互，生成动态的认知图谱，最终使得机器真正“用身体感知到这个世界的物理规则”。

“十年时间覆盖全球10%的人口”

千寻智能提出了一个雄心勃勃的目标：未来十年，让全球10%的人拥有自己的机器人。这两个数字背后，是清晰的战略决心与市场判断。

解浚源解释这两个数字背后的深意：十年，是技术落地所需的合理周期；10%，则大致对应全球发达国家人口总数——正如汽车普及之初，率先享受便利的是少数富裕阶层，人形机器人也将沿着相似的路径，从高端走向大众。

这两个数字就像坐标一样，锚定了千寻智能的发展基点和目标节点。

解浚源进一步分析说，从技术发展阶段看，当前的具身智能大约相当于大模型领域的GPT-2到GPT-3阶段。Scaling Law的方向已经明确，规模扩大必然带来能力跃升，但规模化的数据闭环尚未完全跑通。尽管算力不是主要瓶颈，硬件迭代仍比纯软件慢一拍。我们预估，距离出现ChatGPT式的“爆发点”，大概还需要三年时间。

但千寻智能并不只停留在远景规划上，我们已经迈入落地推进的实战阶段。机器人正在进入工业场景实测与生产应用。今年有望实现小范围落地，明年逐步扩大部署——具身智能走进工厂，已进入倒计时。