三个未解分歧
前面十一章构成一条完整的推理链。这一章的作用是拆自己的台： 指出这条链上最可能断的三个环节。 每个分歧都同时有支持与反对的一手证据，本图谱不给结论，只给判据。
分歧一 · 技术路线是否真会收敛
第 03 章的核心判断是「四条路线已趋同为分层式端到端」。 如果这个判断错了，那么第 04 章之后的所有推理都要重估—— 因为它意味着技术竞争仍在早期，谁都可能被一个新架构颠覆。
收敛方证据
- 按快慢分层已成各家默认做法：π0.5、Helix 02、ViLLA、GR00T、Gemini Robotics 2、星海图 G0 是同一个答案的不同实现
- 都嫁接预训练 VLM 作为慢层
- 低层都用连续动作生成（flow / diffusion）
- 都采用动作分块与推理执行分离
不收敛方证据
- 动作表示仍分裂：离散 token vs 连续 flow，π0.5 在两个训练阶段各用一种
- 是否需要显式中间层未决：OneTwoVLA 批评硬解耦，Fast-in-Slow 主张共享骨干
- 预训练起点分裂：嫁接 VLM（主流）vs 从零联合训练（自变量声称，无论文）
- 参数规模方向有明确反例：S2-VLA 2B 在长时任务上超过 7B 模型 一手
- Rethinking VLA Scaling 显示简单数据池化会导致负迁移（77.3% → 72.1%） 一手
如果收敛为真，未来 12 个月内应该看到：新发布模型的架构描述趋于同质， 竞争焦点转向数据与部署工程；如果收敛为假，应该看到： 某个不采用「慢层 VLM + 快层动作生成」结构的模型，在真机长时任务上取得明显领先。 世界模型路线（蚂蚁 VA 系列、自变量 WALL 系列）是最可能提供这个反例的方向。
分歧二 · 独立大脑供应商这门生意是否成立
这是全篇最重要的产业分歧，直接决定第 08 章那一整派公司的命运， 也决定第 06 章「数据主权」判断的实际后果。
成立方证据
- 东吴证券判断：三类参与者最终都会有一席之地
- 蚂蚁灵波已证明「接得上」：预训练覆盖 20 种构型
- 乐聚是唯一有公开证据的正式采用案例： KUAVO 4 Pro 完成后训练适配，150–300 条演示跑通场景 转述
- 傅利叶明确选择做适配、不做基座，对外定位是「Made for AI」转述
- 国际有现行案例：Apptronik Apollo 2 采购 Gemini Robotics 2
- 中小本体厂确实缺乏自研基座的资源
不成立方证据
- Figure 终止 OpenAI 合作（2025-02）： 「不能外包 AI，就像不能外包硬件一样」一手
- Covariant 被 Amazon 反向 acquihire（2024-08）： 最大风险不是竞争，是被超级买家吸收一手
- 彭志辉：「把这一趴外包给一家供应商，整体就达不到最优效果」
- 王鹤（据 36氪／投资界报道）：要做得快就得闭环， 硬件里别人做不好的部分要控制在自己的环路内 转述
- 灵波的真机数据依赖生态伙伴供给——飞轮关键环节不在自己手里
- 智元拆分觅蜂，说明本体厂在收编而非开放数据供给
调研确认：中国侧尚无任何一例公开的「本体厂停止向第三方大脑供数据」或 「合作破裂」案例。 也没有找到智元、宇树、银河通用明确拒绝接入第三方大脑作为量产方案的声明。
因此准确的表述是：国内目前处于竞合期。国际两个坏结局是警示，不是已在中国发生的事实。 任何声称「中国的独立大脑已经被挤出」的说法，目前没有公开证据支持。
三个可观察信号：
① 宇树的自研大脑什么时候规模化部署——它现在是最大的潜在客户，也可能变成最强竞争者；
② 是否出现第二个、第三个「乐聚式」的正式采用案例，且带有合同金额；
③ 是否有独立大脑公司被大厂或本体厂收购团队（Covariant 模式重演）。
分歧三 · 物理世界是否存在 Scaling Law
这是最底层的分歧。第 05 章的「数据墙」与第 06 章的「数据主权」判断， 都建立在「数据越多、能力越强」这个前提上。如果物理世界没有 Scaling Law， 那么攒数据就不是通往通用能力的路，整个产业的资源配置方向都错了。
成立方证据
- 星海图明确以「Scaling Law 驱动」为技术主张
- 千寻韩峰涛：「2026 年之于具身智能，就是 2023 年之于大语言模型」
- 华泰证券：大脑有望跟随 Scaling Law
- EgoScale 的数据量实验：任务完成度从 0.30 提升到 0.71， 且尚未饱和——这是最强的一手正面证据 一手
- HumanScale：同规模预训练下人类视角数据带来域外 +90% 一手
不成立方证据
- 模型尺寸 scaling 指数仅 −0.246，性能翻倍需参数量约 56 倍 一手
- 跨本体数据负迁移：加更多数据反而从 77.3% 降到 72.1% 一手
- 仿真数据 scaling 会 plateau（Sim-and-Real Cotraining，50+ 策略实验） 一手
- 王兴兴在 WRC 2025 判断瓶颈在模型能力而非数据—— 与「数据荒」叙事冲突，但他同场也提到了数据不足，立场不像流传版本那样绝对 转述
- 面壁姚远（学术合伙人、多模态智能首席科学家）原话： 「数据层面的 Scaling Law 依然成立，更多有效数据仍然会带来能力提升， 但参数规模的 Scaling Law 尚未形成共识，具身模型还要满足实时推理要求， 不可能简单复制语言模型不断扩大参数的路径。」 前半句同样重要：他说的不是 scaling 失效，而是数据继续有效、参数无共识 一手
正反双方引用的其实是两种不同的 scaling：
支持方引用的多是数据 scaling（EgoScale 数据量增加、能力提升且未饱和）；
反对方引用的多是参数 scaling（模型做大收益极低、且撞实时约束）。
把这两者分开看，一个更可能成立的表述是： 数据 scaling 的证据强于参数 scaling—— 这也解释了为什么行业在往「小模型 + 大数据 + 端侧部署」的方向走， 而不是往「更大模型」走。但即使数据 scaling 成立，它也不能解决负迁移问题： 数据需要正确配比，而不只是堆量。
另外五处值得关注的矛盾
这些矛盾不足以构成独立分歧，但会影响对具体数字的解读。
| 矛盾 | 双方说法 | 本图谱的处理 |
|---|---|---|
| 卡脖子在数据还是模型 | 腾讯与 36氪称「数据荒」；王兴兴在 WRC 2025 判断瓶颈在模型能力而非数据， 但同场也提到了数据不足 | 阶段差异：预训练阶段缺数据，部署阶段缺可用模型。两者不冲突。 王兴兴本人的立场也不像流传版本那样绝对 |
| 工业场景占比究竟多少 | 已售存量纯工业物流 4%（战略研究院）；2025 年度出货工业制造 9.2%（中商）； 2026H1「工业＋商业」合计 70%+（SAG） | 三个口径混用造成的假矛盾：存量 vs 年度出货、纯工业 vs 工业加商业。 流传的「2025 年工业制造 55%」在任何一个口径下都对不上，本图谱不使用 |
| 蚂蚁 LingBot-VA 领先 π0.5 超 20% | 蚂蚁自述 | 未找到独立第三方复现，本图谱不作为定论使用 |
| Gemini Robotics 2 灵巧度 | 官方 blog 称 advanced dexterity；分任务数据 32%–92% | 按任务拆开呈现，见第 07 章图 |
| 自变量 WALL-B 在线自我进化 | 媒体报道有此能力 | 无算法细节、无安全机制说明、无基准，标为未证实 |
如果只记住五件事
一 · 技术路线之争基本结束了
分层式端到端已是事实主流，剩余四条分歧都在实现细节层面。 把「分层派 vs 端到端派」当作核心矛盾，已经是过时的框架。
二 · 现有能力数字大多不可信
没有共同考场、最通用基准已被考满且被证明是背题、延迟因测量条件差异可相差 60 倍、 独立复现打折 27 个百分点、没有第三方裁判。 看到任何排名，先问「谁测的、什么条件、谁缺席」。
三 · 真机数据是无法用算法补齐的资产
三条绕墙路径都能把需求从「大量」压到「少量」，但都压不到零。 数据主权因此是这个产业最硬的壁垒——但它要求的是持续采集、质检判断与正确配比，不只是堆量。
四 · 「一脑多机」是技术事实，不是商业事实
技术上已被证明可行（灵波 20 构型）， 但没有任何一家公开过模型授权收入。 独立大脑派的估值建立在一个尚未验证的商业模式上。
五 · 商业化比公开叙事更早期
招采 74% 金额来自国有单位、已售结构中工业物流仅 4% 转述、 优必选卖 1,079 台仍净亏 7.90 亿 一手、 海外最强标杆的 CEO 在财报会上说今年产线里人形数量为零 一手。
本图谱不预测谁会赢，因为三个最关键的分歧目前都没有决定性证据。 它试图做的是另一件事：把每个判断的证据等级标清楚， 让读者能自己判断某个宣称的可信度。
如果只带走一条方法：遇到任何具身智能的能力宣称， 先问三个问题——谁测的、什么条件下测的、谁选择了不参加。