在近日举办的GTC具身智能论坛上，特斯拉、Physical Intelligence（PI）、Agility Robotics、Skild AI及Hexagon等企业的技术领袖齐聚，围绕自动驾驶数据迁移、仿真与现实差距跨越等核心议题展开深度探讨。与会者提出，尽管人形机器人与自动驾驶在数据需求上存在共性，但技术路径的差异与场景复杂度仍构成关键挑战。
特斯拉AI软件副总裁Ashok Elluswamy指出，自动驾驶数据迁移至人形机器人需精准筛选。他以特斯拉车队为例，强调并非所有数据价值均等——专业司机的驾驶数据比赛车手数据更具实用性。这一逻辑同样适用于机器人：特斯拉工厂中数十万员工执行的物理任务，为人形机器人Optimus提供了关键学习样本。通过摄像头采集的互联网视频虽数据量庞大，但如何筛选有效信息、评估其对任务目标的贡献，成为技术落地的核心问题。
Agility Robotics CTO Pras Velagapudi提出“数据金字塔”模型，将数据按采集难度与价值分层：顶层为遥操作机器人数据，底层为通用视频。他强调，顶层数据虽精准但稀缺，需结合下层数据预训练模型。例如，在与客户合作时，团队通过分层利用数据，既用顶层数据完成核心任务，又借助底层数据提升模型泛化能力。然而，合规与监管限制（如部分区域禁止部署监控系统）导致运营数据采集面临挑战，部分场景仅能获取部分观测数据。
Physical Intelligence联合创始人Chelsea Finn则从跨形态数据利用角度提出新思路。她发现，当模型训练数据覆盖多种机器人形态时，反而能更高效迁移人类视频中的信息。例如，网络视频中的人类动作数据，结合轮式、四足等机器人数据训练的模型，在泛化能力上优于仅使用人形机器人数据的模型。这一发现挑战了“形态越接近人类、迁移效果越好”的直觉，为数据利用提供了新方向。
在机器人架构设计上，分层模型成为共识，但具体实现路径各异。Agility Robotics的Digit机器人采用任务层、技能层、控制层分层架构，控制层由RL驱动，通过域随机化技术应对环境变化（如不同摩擦系数的地面）。Physical Intelligence则将分层架构与单一模型结合，上层负责抽象规划（如语言指令理解），下层执行具体动作，实现15分钟多步骤任务（如泡咖啡）。特斯拉的方案更强调端到端统一性：所有层级在同一模型内运行，共享信息以降低决策延迟，适应人形机器人对实时性的高要求。
Hexagon Robotics则探索多模型编排，通过“机器人提示工程”整合感知、规划、控制模块。Arnaud Robert比喻道，这类似于为ChatGPT设计提示词，但需额外注入环境信息（如产线变化）。团队还构建了高精度与快速移动的混合模型架构，根据任务需求动态切换，解决单一模型在精度与速度上的矛盾。
