杭州未来科技城的一家咖啡馆里，一位做仓储分拣机器人的创始人把手机推到我面前，屏幕上播放着一段机械臂从传送带上抓取异形包裹的视频。"你看，这个demo在展会上特别炸，但到了客户现场，包裹表面有油污、反光、堆叠角度变了十度，成功率直接掉到六成以下。"他的语气里没有抱怨，更像是一种见怪不怪的无奈。这种场景，在我十几年的工业设计职业生涯中反复出现。实验室里的光鲜演示与产线上的灰头土脸之间，隔着的从来不只是几道技术门槛，而是一整片需要小心蹚过的沼泽地。IJCAI 2026上关于人类视频赋能机器人学习的讨论，之所以值得产业界认真对待，恰恰是因为它试图在这片沼泽地上搭建一座表征桥梁，让机器人能够通过观看人类视频来获取操作知识，而不必从零开始在每一个任务上重新训练。

这个框架的核心逻辑并不复杂。互联网上沉淀了海量的人类操作视频，HowTo100M数据集包含1.36亿个视频片段，Ego4D收集了3600小时的第一视角视频，这些数据如果能够被机器人有效利用，理论上可以大幅降低机器人学习的数据采集成本。但问题在于，人类视频和机器人可执行的动作之间存在一道表征鸿沟，人的手臂有七个自由度，机器人的关节配置千差万别，人的视觉系统经过亿万年进化，而机器人的感知管线刚刚拼凑成型。如何把人类视频中的动作知识"翻译"成机器人能够理解和执行的表征，就是所谓的表征桥梁问题。IJCAI 2026上讨论的四条技术路线，本质上是在回答同一个问题：这座桥该用什么材料、什么结构来造。

第一条路线是潜在动作方法，以LAPA为代表，发表于ICLR 2025。它的思路是不在像素空间或显式关节空间做对齐，而是学习一个潜在的动作表征空间，把人类视频和机器人轨迹都映射到这个空间里去。这个思路的优势是灵活，不依赖精确的人体姿态估计，也不要求机器人和人在形态上严格对应。但从工业设计的项目管理角度看，潜在空间的黑箱特性是一个巨大的风险点。当系统在产线上出错时，你很难定位是映射空间的哪个维度出了问题，调试成本极高。对于需要向客户交付确定性指标的项目来说，这种不确定性有时候比性能指标略低更让人头疼。我们在做智能硬件产品定义时，有一个基本原则：关键链路上的每一个环节都必须是可解释、可追溯的，否则后期的质量管控就是一场灾难。潜在动作方法在学术上很漂亮，但要走到可交付的产品阶段，还需要在可解释性上做大量工程化工作。

第二条路线是显式2D方法，包括ATM、Magma以及Google的Gemini Robotics。这条路线直接在2D图像空间中识别人类手部的位置、轨迹和交互区域，然后将这些2D信息映射为机器人的动作指令。它的优点是数据获取门槛低，普通RGB视频就能用，不需要深度相机或者动捕设备。Gemini Robotics背靠Google强大的多模态大模型能力，在语义理解层面表现突出，能够处理"把红色的零件放到蓝色的盒子里"这类带有语义指令的任务。但显式2D的硬伤也很明显：它丢失了深度信息和三维几何结构。在工业场景中，抓取、装配、插拔等任务对三维空间精度的要求往往在毫米级，仅凭2D图像很难稳定地完成这类操作。我见过不少创业公司在这个方向上踩坑，demo阶段用2D方法做桌面级的轻任务看起来很流畅，一旦客户要求处理有深度变化的真实工况，整个技术栈就得推倒重来。技术选型时如果只看demo的流畅度而忽略场景的精度需求，后期返工的代价是极其高昂的。

第三条路线是显式3D方法，代表工作有MANO、EgoVLA和VITRA。MANO是一个参数化的手部模型，能够从视频中恢复出人手的三维姿态和形状；EgoVLA和VITRA则进一步将第一视角视频中的3D手物交互与视觉语言动作模型结合起来。微软亚研在这个方向上的布局值得关注，他们将灵巧手硬件与VITRA算法配合并开源，但明确表示不做硬件产品，定位偏research。这个策略选择很耐人寻味。显式3D方法在几何精度上优于2D方法，对于需要精细操作的工业场景有天然的适配性。但它的代价是数据采集和标注成本高，对计算资源的需求也更大。在实际项目中，3D重建的鲁棒性在遮挡、快速运动、光照变化等条件下仍然不够稳定。我们在参与几个智能装备项目时发现，产线上的光照条件远不如实验室可控，工人走动带来的阴影、设备表面的反光、物料本身的半透明材质，都会让3D感知管线的故障率显著上升。这不是算法本身的问题，而是技术与环境之间的适配问题，需要大量的场景工程来弥补。

第四条路线是世界模型方法，以字节跳动的GR-1、GR-2以及WAM为代表，也是目前最受关注的方向。GR-2使用了3800万视频片段进行预训练，试图让模型在内部建立一个对物理世界的预测模型，不仅理解"看到了什么"，还能预测"做了某个动作之后会发生什么"。这个逻辑在认知科学上是完整的，人类确实能够在大脑中模拟动作的后果，然后选择最优的动作序列执行。如果世界模型真正成熟，机器人就可以在"脑内"完成大量的试错和规划，而不必在物理世界中反复尝试，这对于降低机器人在真实场景中的训练成本具有革命性意义。然而，正如冯志远在IJCAI上指出的那样，世界模型目前"逻辑完整但效果不够"。在我们接触的多个具身智能项目中，世界模型在短时序、简单物体的预测上表现尚可，但一旦涉及长时序、多物体、接触丰富的操作任务，预测的累积误差就会迅速放大，导致规划出的动作在物理上不可执行。从研究原型到可量产的系统，世界模型还有很长的路要走。

冯志远的几个判断值得产业界反复咀嚼。他认为VLA加强化学习的组合做demo效果很好，但泛化能力差；世界模型逻辑完整但当前效果不够。这个判断实际上点出了当前具身智能领域一个非常现实的技术选型困境。对于创业公司来说，选择VLA加RL路线，能够在短期内做出令人惊艳的demo，有利于融资和早期客户拓展，但一旦客户提出泛化要求，就会发现技术栈的天花板。选择世界模型路线，长期想象空间大，但短期内效果不稳定，产品化节奏慢，资金压力大。这不是一个纯粹的技术判断题，而是一个涉及融资节奏、团队能力、客户预期和市场窗口的综合博弈。在我参与的工业设计项目中，类似的技术路线博弈几乎在每一个智能硬件项目中都会上演。我们的经验是，不要把赌注押在单一路线上，而是根据具体场景的需求做混合架构：在精度要求高、变化有限的工位上用传统的工业机器人方案保底，在需要一定泛化能力的环节引入VLA做语义理解和任务规划，在安全冗余和异常处理上保留硬编码的规则系统。这种看似不酷的混合方案，往往是项目能够按期交付的关键。

冯志远提出的两阶段分工思路也很有启发性：第一阶段用人类视频做大规模预训练，第二阶段用机器人数据做适配。这个思路与大语言模型的预训练加微调范式高度一致，本质上是在解决机器人数据稀缺的问题。但从产业落地的角度看，两阶段之间的接口怎么定义、适配阶段需要多少机器人数据、适配的成本和周期多长，这些问题直接决定了方案的商业可行性。在工业设计的项目管理框架中，我们把这类问题归为"技术转移损耗"。实验室里验证有效的两阶段流程，到了工程化阶段往往会发现，预训练表征在目标场景上的迁移效果不如预期，需要补充的机器人数据量远超论文报告的数字。Ego4D的3600小时第一视角视频听起来很多，但如果考虑到工业场景中极其细分的操作类型和物料种类，这些数据的覆盖面其实非常有限。一个汽车总装车间里的装配工序就有上千种，每一种工序的操作手法、力度、角度都不尽相同，通用预训练表征能覆盖多少，需要打上一个大大的问号。

冯志远认为当前最大的鸿沟是本体差异，并提出用灵巧手加头戴相机来缩小这个gap。这个判断抓住了问题的关键。人类视频中记录的是人手的操作，而大多数工业机器人使用的是二指夹爪或者简单的吸盘，执行器的形态差异使得很多人类动作根本无法直接映射。灵巧手在自由度和操作能力上更接近人手，理论上能够缩小本体差异带来的映射鸿沟。但灵巧手本身的产业化程度仍然很低，成本高昂、可靠性不足、控制复杂。我们在评估灵巧手方案时发现，目前市面上的灵巧手单台价格普遍在十万到五十万人民币之间，平均无故障工作时间与工业级夹爪相比有数量级的差距。对于投资回报周期敏感的制造业客户来说，这样的硬件成本和可靠性水平很难进入量产采购清单。头戴相机方案虽然在第一视角数据采集上有优势，但在工业场景中，工人佩戴头戴设备的意愿、设备的工业级防护要求、数据隐私和合规问题，都是需要逐一解决的落地障碍。技术方案如果只考虑算法层面的合理性而忽略人的因素和组织因素，就很容易在落地时碰壁。

关于具身智能的"GPT-3.5时刻"何时到来，冯志远的判断是"可能还会很久"。这个判断对于当前热度高涨的具身智能赛道来说，是一剂必要的清醒剂。GPT-3.5之所以成为一个转折点，是因为它在通用语言理解和生成上达到了足够多用户觉得"可用"的阈值，从而触发了网络效应和数据飞轮。具身智能要达到类似的转折点，需要在通用操作能力上跨越一个更高的门槛，因为物理世界的复杂度和容错空间远比语言世界严酷。语言模型说错一句话，用户可以容忍甚至觉得有趣；机器人在产线上抓错一个零件或者碰伤一个工人，后果可能是灾难性的。这种容错率的差异决定了具身智能的产业化节奏不可能像大语言模型那样爆发式增长，而更可能是一个从特定场景逐步渗透的渐进过程。对于创业者和投资者来说，调整预期、找准场景、控制烧钱节奏，比追逐"通用具身智能"的宏大叙事更重要。

微软亚研的策略选择为行业提供了另一种参照。他们选择灵巧手加VITRA的组合并开源，但不做硬件产品，定位偏research。这种策略的好处是站在价值链的上游，通过开源建立学术影响力和生态话语权，同时避免硬件制造和供应链管理的重资产投入。对于微软这样体量的公司来说，这是合理的战略选择。但对于中国的创业公司和制造业企业来说，不能简单复制这种模式。中国拥有全球最完整的制造业供应链和最丰富的应用场景，这是我们做具身智能产业化的独特优势。如果只做research而不碰硬件和场景，就等于把最有价值的产业化经验拱手让人。江苏创品工业设计在服务制造业客户的过程中深刻体会到，场景 know-how 是比算法本身更难构建的壁垒。一个在3C行业打磨了两年的抓取方案，迁移到五金行业可能需要重新做大量的适配工作，这种跨行业的迁移成本，只有真正深入产线、理解工艺、与一线工人反复沟通的团队才能有效控制。算法可以开源，但场景经验和工程细节是开源不出来的。

回到表征桥梁的四条路线，从工业设计的专业视角来看，没有任何一条路线能够在短期内独立解决所有问题。潜在动作方法灵活但不可解释，显式2D方法易用但精度不足，显式3D方法精确但成本高昂，世界模型完整但效果不够。这种"各有短板"的格局意味着，未来三到五年内，混合架构将是产业落地的主流形态。具体怎么混合，取决于场景的需求特征。在结构化程度高、节拍要求快、容错率低的场景，比如3C产品的螺丝锁付和屏幕贴合，传统工业机器人加视觉定位仍然是性价比最高的选择，人类视频学习可以作为异常检测和工艺优化的辅助手段。在半结构化、物料种类多、变化中等的场景，比如电商仓储的分拣和医药行业的配药，VLA加显式2D或3D感知的混合方案有较大的应用空间。在非结构化、需要灵巧操作和复杂推理的场景，比如柔性装配和家庭服务，世界模型加强化学习的长期潜力最大，但短期内可能需要遥操作数据做冷启动。

demo与产品之间的差距，是每一个做产业落地的团队都必须正视的问题。我在评审创业项目时，经常看到团队在PPT上展示机器人流畅地完成叠衣服、开瓶盖、插USB线等任务，但一问到成功率、平均无故障次数、环境变化容忍度、异常恢复能力这些产品级指标，就往往支支吾吾。在实验室条件下跑通十次和在客户现场连续运行十万次，是完全不同量级的工程挑战。一个可交付的机器人产品，需要在感知、决策、执行、通信、安全、维护等各个环节都达到工业级的可靠性要求。人类视频学习作为感知和决策链路上的一个环节，如果自身的可靠性不能达到五个九甚至六个九的水平，就会成为整个系统的短板。这也是为什么我们在做产品定义时，坚持要求每一个引入的AI模块都必须有降级方案：当视觉识别不确定时回退到传统几何匹配，当规划模块超时未响应时执行安全停止，当通信中断时进入本地预设流程。这些"不智能"的兜底设计，恰恰是产品能够在真实环境中存活下来的关键。

项目管理中的技术风险控制，是另一个容易被学术讨论忽略但对产业落地至关重要的维度。一个具身智能产品从立项到量产，通常需要十二到二十四个月，期间技术方案可能需要经历多次重大调整。如果核心技术栈与某个尚未成熟的学术方向深度绑定，比如把所有的操作规划都押在世界模型上，一旦该方向在项目周期内没有达到预期效果，整个项目就会面临延期甚至夭折的风险。成熟的项目管理方法是对关键技术路径做风险分级：对确定性高的技术提前锁定方案并投入工程资源，对确定性中等的技术准备Plan B并持续跟踪进展，对确定性低但潜力大的技术以小规模预研的方式保持关注但不纳入关键路径。在我们服务的客户中，那些能够成功把AI技术融入产品并实现量产的团队，无一不是在技术风险管理上做得极为克制和务实的团队。他们不会因为某个技术在论文中看起来很美好就all in，而是用最小可行原型快速验证、用客户现场的真实数据做决策、用渐进式的迭代节奏控制风险。

创业公司在技术路线选择上还面临一个深层的博弈：是做深一个场景做透，还是做通用平台摊薄成本。这个选择没有标准答案，但有一些规律性的东西值得参考。从工业设计的商业化逻辑来看，单一场景的市场容量如果足够支撑一家公司的营收目标，那么做深场景的确定性更高，因为场景know-how的积累会形成壁垒。如果单一场景的市场容量有限，就不得不考虑平台化，但平台化对技术通用性和工程化能力的要求呈指数级上升，融资需求也更大。人类视频学习的表征桥梁框架，从长远看是在为通用机器人平台铺路，但在当前阶段，无论是数据规模、模型能力还是硬件成熟度，都还不足以支撑一个真正通用的平台。冯志远所说的"具身GPT-3.5时刻可能还会很久"，实际上也是在提醒创业者，通用平台的时间窗口尚未打开，现在更现实的路径是在特定场景中积累数据和工程能力，等待技术拐点的到来。

平衡设计方法论在整个讨论中扮演着一个隐性但核心的角色。研究与产业的平衡，意味着我们既不能因为学术上的不完美就拒绝将技术推向应用，也不能因为短期的商业压力就放弃对更优技术路径的探索。理想与现实的平衡，意味着我们在心中装着通用具身智能的远景的同时，必须脚踏实地解决产线上每一个具体的抓取失败和通信超时。长期投入与短期回报的平衡，意味着研发预算中既要有面向三到五年的前沿探索，也要有面向六到十二个月能产生客户价值的产品迭代。这三个平衡不是静态的，而是随着项目阶段、市场环境和技术进展动态调整的。在杭州这片创业热土上，我见过太多团队在平衡木上失去重心而跌落：有的沉迷于发论文和打榜，迟迟拿不出可交付的产品；有的急于变现，在技术尚未成熟时就过度承诺，导致客户信任崩塌。真正能够行稳致远的团队，往往是那些把平衡作为一种日常纪律来执行的团队。

从更宏观的视角看，人类视频赋能机器人学习这件事的意义，不仅在于降低机器人的数据采集成本，更在于它可能改变机器人技能的传承方式。过去，一个机器人工作站的部署需要工程师花费数周甚至数月的时间进行编程和调试，每换一个任务就要重来一次。如果人类视频能够被高效地转化为机器人技能，那么一个熟练工人的操作经验就可以被数字化、被传播、被复用，这对于制造业的知识沉淀和技能传承具有深远价值。但这个愿景的实现，需要算法研究者、硬件工程师、工业设计师、制造企业和一线工人的协同努力。算法研究者不能只在基准测试上刷分，需要更多地走进产线理解真实需求；硬件工程师需要在灵巧手的成本和可靠性上取得突破；工业设计师需要重新思考人机协作场景下的交互方式和安全边界；制造企业需要开放更多的场景和数据；一线工人的经验和智慧需要被尊重和系统化地采集。这是一个系统工程，任何单一环节的缺失都会让表征桥梁的地基不稳。

评测基准的失效问题，表面上看是学术问题，实际上也是产业问题。LIBERO、CALVIN、SIMPLER这些仿真基准在推动研究进展方面发挥了重要作用，但仿真环境与真实世界之间的reality gap使得在这些基准上取得的好成绩很难转化为真实场景中的可靠表现。冯志远提到三大难题中的评测基准失效，实际上触及了当前具身智能研究的一个结构性缺陷：大家在一个越来越脱离实际的排行榜上竞争，论文指标节节攀升，但产业界真正关心的成功率、鲁棒性和安全性指标并没有得到同步改善。从项目管理的角度，我们建议创业团队建立自己的场景化评测体系，用客户现场的真实任务、真实物料、真实环境条件来衡量技术方案的有效性，而不是过度依赖公开基准的排名。这当然更难、更慢、更不性感，但它能确保你的技术投入方向与客户价值是对齐的。

视频切割即语义分割的问题，在产业场景中同样被低估。一段人类操作视频中，哪些帧属于"抓取"动作，哪些帧属于"放置"动作，哪些帧只是无关的过渡动作，这个分割问题在实验室的短视频中也许不难，但在真实产线中，工人的操作节奏有快有慢，动作之间的边界模糊不清，还经常被打断、插入检查动作、与同事交谈。如果语义切分不准确，下游的动作学习就会建立在错误的时序标签上，效果可想而知。这个问题在学术研究中往往通过人工标注或者简单的规则来解决，但在规模化的产业应用中，不可能对每一段视频都做精细标注。自动化的、鲁棒的语义分割能力，是人类视频学习从研究走向产业必须跨过的一道坎。

本体加视角的双重差异，则是表征桥梁最核心的技术挑战。本体差异不仅是自由度数量的差异，还包括关节布局、运动学特性、执行器类型、力控能力、末端工具等多个维度。视角差异则涉及相机安装位置、视场角、分辨率、帧率、深度感知能力等。人的第一视角头戴相机与机器人手腕相机或者固定基座相机看到的画面，在几何和语义上都有显著不同。这两重差异叠加在一起，使得简单的端到端映射很难奏效。灵巧手加头戴相机的方案之所以被寄予厚望，正是因为它在本体和视角两个维度上同时向人类靠拢，从而降低了映射难度。但如前所述，灵巧手的硬件成熟度和头戴相机在工业场景的适用性，仍然需要时间来验证。在这个过渡期内，更务实的做法可能是针对特定的本体和相机配置，采集小规模但高质量的机器人数据做适配，而不是期望一个通用的表征桥梁能够无差别地连接所有本体和视角。

产业落地的沼泽地，说穿了就是无数个这样看似琐碎但牵一发而动全身的问题交织在一起。表征桥梁能不能跨过技术河，取决于算法团队的聪明才智；但能不能走过沼泽地，取决于整个产业生态的成熟度和协同效率。在杭州，我们看到越来越多的产学研合作正在打破实验室与产线之间的围墙：浙江大学、之江实验室等研究机构与制造企业共建联合实验室，阿里、字节等企业在具身智能基础模型上持续投入，一批创业公司在仓储、物流、3C、汽车等场景中默默打磨产品。这种生态的力量，比任何单一技术突破都更能决定具身智能产业化的速度和质量。江苏创品工业设计在其中的角色，是把技术可能性翻译成产品定义和用户体验，把实验室的原型转化为可制造、可维护、可盈利的商品，把研究者的理想主义与企业家的务实精神连接起来。这座桥，和表征桥梁一样，需要精心的设计、耐心的施工和持续的维护。

IJCAI 2026上这场关于人类视频赋能机器人学习的讨论，不应该被视为又一个学术热点的兴起与消退，而应该被看作具身智能产业化进程中的一次重要校准。它让我们看清了四条技术路线各自的边界和潜力，看清了从demo到产品之间的真实距离，看清了本体差异和评测失效这些根本性挑战的难度。对于身处产业一线的人来说，这些信息的最大价值不是给出了答案，而是帮助我们提出了更好的问题：我们的场景需要哪条路线？我们的团队能驾驭哪种混合架构？我们的客户愿意为什么程度的智能化买单？我们的资金跑道够不够撑过技术成熟的周期？这些问题没有标准答案，但每一个认真做产业化的人都必须直面它们。跨过技术河需要智慧，走过沼泽地需要韧性，而在河与沼泽之间找到那条若隐若现的路径，需要的是平衡的艺术和对落地细节近乎偏执的尊重。