在近日舉辦的GTC具身智能論壇上，特斯拉、Physical Intelligence（PI）、Agility Robotics、Skild AI及Hexagon等企業的技術領袖齊聚，圍繞自動駕駛數據遷移、仿真與現實差距跨越等核心議題展開深度探討。與會者提出，盡管人形機器人與自動駕駛在數據需求上存在共性，但技術路徑的差異與場景復雜度仍構成關鍵挑戰。

特斯拉AI軟件副總裁Ashok Elluswamy指出，自動駕駛數據遷移至人形機器人需精準篩選。他以特斯拉車隊為例，強調并非所有數據價值均等——專業司機的駕駛數據比賽車手數據更具實用性。這一邏輯同樣適用于機器人：特斯拉工廠中數十萬員工執行的物理任務，為人形機器人Optimus提供了關鍵學習樣本。通過攝像頭采集的互聯網視頻雖數據量龐大，但如何篩選有效信息、評估其對任務目標的貢獻，成為技術落地的核心問題。

Agility Robotics CTO Pras Velagapudi提出“數據金字塔”模型，將數據按采集難度與價值分層：頂層為遙操作機器人數據，底層為通用視頻。他強調，頂層數據雖精準但稀缺，需結合下層數據預訓練模型。例如，在與客戶合作時，團隊通過分層利用數據，既用頂層數據完成核心任務，又借助底層數據提升模型泛化能力。然而，合規與監管限制（如部分區域禁止部署監控系統）導致運營數據采集面臨挑戰，部分場景僅能獲取部分觀測數據。

Physical Intelligence聯合創始人Chelsea Finn則從跨形態數據利用角度提出新思路。她發現，當模型訓練數據覆蓋多種機器人形態時，反而能更高效遷移人類視頻中的信息。例如，網絡視頻中的人類動作數據，結合輪式、四足等機器人數據訓練的模型，在泛化能力上優于僅使用人形機器人數據的模型。這一發現挑戰了“形態越接近人類、遷移效果越好”的直覺，為數據利用提供了新方向。

在機器人架構設計上，分層模型成為共識，但具體實現路徑各異。Agility Robotics的Digit機器人采用任務層、技能層、控制層分層架構，控制層由RL驅動，通過域隨機化技術應對環境變化（如不同摩擦系數的地面）。Physical Intelligence則將分層架構與單一模型結合，上層負責抽象規劃（如語言指令理解），下層執行具體動作，實現15分鐘多步驟任務（如泡咖啡）。特斯拉的方案更強調端到端統一性：所有層級在同一模型內運行，共享信息以降低決策延遲，適應人形機器人對實時性的高要求。

Hexagon Robotics則探索多模型編排，通過“機器人提示工程”整合感知、規劃、控制模塊。Arnaud Robert比喻道，這類似于為ChatGPT設計提示詞，但需額外注入環境信息（如產線變化）。團隊還構建了高精度與快速移動的混合模型架構，根據任務需求動態切換，解決單一模型在精度與速度上的矛盾。