【AI 的下一步，为什么是端侧和物理 AI】579 美元，70 分钟，9557.8 万 token。桌上那个魔方没抓起来。10 月底，优必选公布了一组真机实验：让通用大模型 Astra 直接控制 Walker C1 人形机器人，去抓一个魔方。70 分钟不是机械手在桌上摸索的时间，是模型累计处理的时间。它得一遍遍看画面、判断位置、算下一个动作，每判断一次，就是一次完整推理。换个分工，17 美元，抓起来了。Astra 只管听懂任务、调用技能，具体动作交给自研的 Thinker-VLA。另一组抓福袋的实验里，Astra 只调用 2 次，累计约 5 分钟、301 万 token。两组任务不同，费用不能直接相减。但这组实验说穿了一件事：会想，不等于会做。同样的麻烦，手机和眼镜上也有，只是卡的地方从数据换成了内存。40 次决策，33 分钟，碗还是没叠上优必选还做了一组叠碗实验。Astra 直接控制机械臂，连续做 40 次动作决策，33 分 15 秒，1035.3 万 token，12.02 美元，碗没叠起来。接上 Thinker-WM 之后叠成了。世界模型先预测几种动作的结果，Astra 只负责挑。token 降 83.6%，费用降 74.2%。还有个更极端的对比。全身 VLA 绕障那组，Astra 只响应 31 次，641.8 万 token，7.44 美元，19 分 30 秒。19 分钟里模型只被叫了 31 回，其余时间机械臂自己在动。钱从按每一次动作计，变成按每一次决定计。直控那 70 分钟里，机械臂大半时间在等模型想完。不拆开，机械臂就得原地等。现实世界不会等 AI 慢慢想。机械手碰到杯子，杯子可能滑；力度偏一点，东西就掉。机器得一边动一边感觉，触觉、位置、力度一变就改动作。11 月 4 日，宇树科技创始人王兴兴在乌镇世界互联网大会上说，机器人在固定工位上，训练得好可以把成功率做到接近 100%，但拆手机、穿针引线这类精细活，成功率明显下降。他把这个障碍叫&34;最后几毫米的问题&34;：模型输出的动作，和机械手在现实里实际完成的动作，中间总差一点。搬箱子，几毫米还能忍。换成穿针引线，这点误差直接废掉一个动作。他给过一个更具体的标尺：具身智能的&34;GPT 时刻&34;，是机器人在约 80% 的陌生场景里，用语音指令完成约 80% 的任务。现在离这条线还有距离。这几毫米补不上，模型再聪明也顶不上，它缺的是真实接触里练出来的手感。真机一小时 1000 块，仿真 4 块起物理 AI 指的是模型不只输出文字，还输出动作：往哪走、用多大力、什么时候松手。机器人是最典型的载体，自动驾驶和工业设备也算。它学动作的办法，是反复看真实世界里的操作。桌上放不同形状的杯子，装水还是空的，表面有没有水渍，抓取角度差多少，结果都会变。一次抓成功，换个场景不一定还行。人拿杯子不用算这些。手指一碰，感觉出重量，力度自己就调了。这些组合没法靠想象补齐，只能一条条采下来。价格梯度摆在那里。真机遥操作数据，市场报价 500 到 1000 元一小时；不用机器人本体的采集方式，手持夹爪或第一视角设备，200 到 600 元；人类第一视角视频 50 到 100 元；仿真合成数据 4 到 30 元。采集真机数据要人、要机器人本体、要传感器、要场地，采完还要查同步和完整。按 500 到 1000 元一小时算，采 100 万小时就是 5 亿到 10 亿元。这是单价乘出来的规模，不是哪个项目的真实预算。便宜的办法也有。仿真能模拟碰撞和摩擦，让机器人先在虚拟环境里练。问题是仿真里的物理参数和真实桌面不可能完全一致。虚拟环境里抓得稳，换到真实桌面，接触力、摩擦系数、传感器误差都变了。有团队做过双臂实测，仿真里成功率 73%，搬到真实环境掉到 47%。这类衰减是 Sim2Real 的老问题，仿真能压低训练成本，替不掉真机验证。所以几种采集路线会长期并存，各管一段：仿真铺量，第一视角视频打底，真机补最后那一段。谁也替不了谁。每天采 500 小时，能用的有多少到 2026 年初，全球高质量的真实物理交互数据大约 50 万小时。头部企业提出的积累目标已经是千万小时级。两边口径不同，算不出精确缺口，方向是清楚的。北京亦庄的人形机器人数据训练基地是个具体样本。30 多个场景，上百台不同构型的机器人，日产能超过 500 小时，按全年算理论上有 18 万小时。产能不等于能用的数据。基地刚开的时候，合格率只有约 50%，三个月流程优化后才到 95% 以上。同样一小时，有的能直接进训练，有的要返工，有的因为轨迹错误、时间对不上，进不了训练集。有效数据不是录到画面就算。动作要和时间戳对齐，轨迹要能复现，重复的段落要去重，采的人还得确认这一段能教会模型点什么。建起来也不等于跑通。全国公开的集中式具身智能数据采集项目有 106 个，84 个已经投运，能确认实际在采的只有 67 个。设备进场只是第一步。后面还要有人采、有人处理、有人买，最后得证明这些数据真让模型变好用了。11 月 4 日，墨奇智能联合创始人、CTO 黄青虬在乌镇给了一个更硬的判断：10 万小时高精度数据训练出来的模型，可能优于 1000 万小时低质量数据。他强调了时间同步、轨迹精度和重复数据筛选。这句话把&34;50 万小时对 1000 万小时&34;的对比翻了过来。攒时长不难，攒到能教会动作的小时才难。7B 的模型只有 3.5GB，8GB 手机为什么还卡端侧 AI 指的是把一部分或全部推理放到设备本地完成，能不传的原始数据尽量不传。往本地搬有三个理由：断网也能用，数据不出门，每次调用不用再付一遍 token 钱。在电梯里让手机把一段录音转成文字，走云端，信号一断就卡住；走本地，慢一点也能出结果。很多人以为端侧跑不动大模型是装不下。算一下没那么夸张：70 亿参数的模型用 4bit 量化，权重只有 3.5GB 左右，8GB 内存的手机装得下。装得下和跑得顺，中间隔着几件事。手机要留给操作系统、相机和后台服务。模型处理长对话还要保存上下文缓存，越长越占地方。还有带宽。手机内存带宽大约 85GB/s，模型每吐一个字，权重都要从内存里搬一遍。带宽跟不上，NPU 标称算力再高，出字也快不起来。同一个模型换台机器，出字快慢能差出一截，差的就是这一环。再往下是功耗和散热。能连续跑一分钟，和能全天候待命，是两种工程要求。所以端侧不是换一颗更强芯片就完事。内存容量、带宽、压缩、调度、功耗，得一起重新配平。32GB 砍到 16GB，靠的不是换芯片内存一涨，原本能拖的事拖不下去了。国内有车企把智驾域控的内存从 32GB 压到 16GB，靠的是英伟达中国团队写的一个轻量推理框架，配上 FP4 量化，驾驶功能和精度不降。没有换硬件，靠软件把内存需求砍了一半。FP4 的意思是，权重和中间结果都用 4 位浮点存，同样的功能占的地方少一半。代价是精度要拿工程手段补回来，否则识别会掉点。车企愿意做，是因为内存已经绕不过去。2026 年 3 月到 6 月，车规级存储芯片的涨幅约 180%。手机这边更直观。2026 年二季度，LPDDR4X 平均售价环比涨幅至少 70% 到 75%，LPDDR5X 涨 78% 到 83%。配置也跟着变。高端机以 12GB 为主，16GB 收缩，中端机重新重视 8GB。千元机里，存储占物料接近 60%，成本最先扛不住。反差在这儿：台上讲更复杂的 AI，排产时先减内存，把一部分计算重新交回云端。这不是技术路线倒退，是成本逼着厂商重新分配：哪些任务值得放在本地。语音识别、部分翻译、图像处理，尽量放设备上。长文本、多步推理、大模型调用，交给云端。所以现在大部分厂商的做法是：能本地的本地，跑不动的发出去。IDC 给出的 2026 年中国 AI 手机出货是 1.47 亿台，占比首次过半，53%。1.47 亿台里，能完全断网跑完一个 7B 模型的，大概不是多数。AI 为什么同时走向这两个方向一个管手机、眼镜、SoC 和存储，一个管机器人、传感器、训练数据和动作控制，表面差得很远。它们遇到的是同一种情况：模型能用了，硬件和数据跟不上。真开始做，麻烦就来了。端侧要算，多一分本地推理，多占多少内存、多耗多少电、多加多少成本。机器人要算，让一个动作稳定下来，要采多少有效数据、训多少次、失败了谁来纠。端侧把模型压小，机器人本体的算力预算才够用；机器人跑出来的真实数据，又回头喂给模型。两个方向还会在一个东西上撞头：机器人本身就是台端侧设备。它要在本地完成感知和一部分推理，再把复杂规划交给云端。11 月 3 日，小米公布具身基座模型在青年公寓的试运营：连续 30 分钟以上、跨 3 个房间、50 多项任务，包括桌面整理、垃圾清扫、物品归位和房间巡检。能把多个动作串成连续任务，是一步。但这份验证推不出机器人能在普通家庭连干 8 小时，也代替不了长期成功率、人工介入次数、单次任务成本的统计。优必选在乌镇说，产线上每 10 分钟下线一台人形机器人。机器造得越来越快，数据没跟着变快。端侧也一样。手机有 AI 功能，不代表用户愿意为它多付钱；机器人完成演示，不代表客户马上下单。这两个方向一起被看见，跟难度关系不大。模型先变得能用，产品才有人做；产品做出来，约束才暴露。需求、采购意向、订单、收入，是四件事。现在只有最前面一段是真的：设备在买内存，机器人在买小时。下一次发布会，先别急着鼓掌。断网能不能用、连续干活会不会出错、干一次要花多少钱，这三个数比参数表有用。能下单的地方，才会长出产业链。风险提示：内容只作为研究，不作为投资建议。