上交大穆尧2026具身智能展望：精细操作成为新的兵家必争之地

今天平安夜，弘扬老师机器人24小时叠衣服的直播，不仅是一次技术展示，更是一个对具身行业新一代模型研发和数采方案的范式重构信号。在感召之下，我重新审视了当下的技术路径，如果把目光投向即将到来的2026年，一个明显的趋势正在浮现：传统的“抓取-放置”任务作为学术研究的焦点将逐渐退潮，而“精细操作”将成为新的兵家必争之地。

1. 抓放任务的“退潮” 说“过时”并不是说这类任务不重要。相反，目前VLA（Vision-Language Action）解决这类任务要到真正的“Solid”（坚固/鲁棒）程度，距离还是差很大。但这部分工作性质变了，它可能更多交给工业界来做迭代优化会更好一些，通过工程化手段解决Corner Case。

2. 真正的战场：精细操作（Fine Manipulation）。展望2026年，我会更关注的任务是精细操作。这类任务在PI06的demo上已经初见端倪，比如手机之类电子产品的出厂装盒、叠纸箱子、叠衣服。它们具有鲜明的特点：

• 颗粒度极细：每一步都很细，有严格的步骤和次序。

   

• 长时程：整体执行时间偏长。

   

• 极高的操作难度：以我们实验室目前集中活力在做的“机器人做化学实验”为例，这是我做过最hard的task了。面对复杂的物理交互，就连遥操，普通同学都搞不定。

精细操作蕴含着更丰富的知识，只有把这样的数据Scale Up（规模化）起来，才是非常有意义的。而在Scale Up的过程中，我们必须重新定义什么是“好数据”。

“二次尝试”的价值，特别是在精细操作的过程中，出现了一些环节尝试失败后的“二次尝试”数据，才是最为金贵的，也是最需要Scale Up的。

• 一气呵成的成功往往掩盖了容错的逻辑。

   

• 模型在失败后如何调整、如何纠错，这些数据中包含了对泛化性最有帮助的高维信息。

这种对数据丰富性（特别是“二次尝试”数据）的高要求，直接引发了数采范式的革新。

1. 传统“任务书”模式的失效。我现在觉得，由研究人员写一份详细的采集任务书，交由数采员采集的方式，实际上很难采集到真正对泛化性有帮助的数据。

效率与质量的博弈:数采员往往希望以最快的效率完成采集任务（KPI导向），他们对于“二次尝试”这样数据的丰富性和必要性是很难保证的，往往会下意识规避失败。

2. 呼唤“同步迭代”的新模式。目前大多数厂家采用的严格分工明确的方式，可能不适用于新一代模型的研发。我们需要更灵活的机制：

• 训采同步：数采的同时，模型的训练要同步进行。

   

• 动态调整：要根据模型当下的表现来调整数采的需求和目标，灵活地调整数采任务书。

   

• 深度介入：这往往需要研究人员盯着数采员，甚至亲自下场界定数据的边界。

新的数采和模型协同进化方案，我觉得是需要学术界和工业界协同思考和优化的。2026年的竞争，将不再是简单的抓取，而是谁能通过范式革新，在精细操作的Hard模式下，真正跑通数据与模型的闭环。