2026开年的那场演示事故
今年开春上海具身智能大会，最出圈的不是哪个大厂发布了参数千亿的具身大模型，是一场翻车的现场演示。
某拿了超过30亿融资的头部人形机器人创业公司，上台做文本到动作生成的实时演示。观众现场给的指令很简单：从沙发上起身，走到吧台，开冰桶拿一瓶冰可乐，递给前排嘉宾。
你去翻网上流传的民间录播。全程卡顿了七次。起身那一下顿了三秒，胯部关节晃得像要散架。开冰桶拉盖子的时候，手臂连续抖了两次，动作硬生生卡在半空。最后递可乐那一步，机器人的腰没跟上上半身的动作，可乐直接砸在台面上，气泡喷了嘉宾一裤子。
现场安静得能听见针掉。网上马上吵成一团。有人骂大模型都是忽悠，有人说关节伺服电机精度不够，还有人扯是电池功率跟不上。
没人提核心问题：文本到动作生成运动连贯性，整个行业都在装看不见这件事。
说实话，现在的模型已经能把单个动作做的像模像样了。你让机器人伸手，让机器人转弯，让机器人坐下，单个动作都不会错。错就错在动作和动作衔接的那一帧半秒里。就像你拼乐高，两块积木的榫卯对不上，硬摁进去，一碰就散。
现在主流公开的动作捕捉训练数据，90%都是碎片化的单动作片段。每个片段平均长度不到1.2秒，相当于正常人眨三次眼的时间。模型就是拿着一堆一秒不到的碎块，硬拼出十几秒的连续动作，能不卡吗？
被成本掩盖的底层逻辑
说白了，运动连贯性的本质，从来不是算法能不能识别文本指令，是模型有没有见过足够多“连续的人类动作”。
我跟智元机器人的一个朋友聊过这件事，他们去年训练启元人形的动作模型的时候做过对照测试：同样参数量的同一模型，用连续动作数据预训练，动作衔接的错误率比用碎片化数据训练直接降了72%。
但是没人愿意干这件事。一套1000小时的连续人体动作捕捉数据，报价超过1200万，比一块英伟达H100芯片还贵3倍，但是对模型推理速度的提升不到8%。对于要冲融资、要赶发布会、要给投资人看成果的创业公司来说，花这个钱太不划算了。
这就像生物进化里，人类学会直立行走，不是先学会迈左腿再学会迈右腿，是整个身体从重心控制到关节协调的整套连续进化，缺了任何一环的适配，直接就会摔跟头。我们现在的训练方法，就是把完整的进化拆成了单个动作的碎片，喂给模型，让它自己拼，能拼出连贯的动作才见鬼了。
不过话说回来，现在国内行业的博弈也很有意思。头部公司比如智元、宇树，愿意砸钱投数据采集，毕竟他们已经融到足够多的钱，要拼落地效果。而大部分中早期创业公司，还是抱着能凑就凑的心态，用免费公开的碎片化数据刷参数，先把demo做出来拿融资再说，落地连贯性的问题，留给下一轮去解决。
这个方向我认为走偏了。大家都在卷大模型参数，卷关节扭矩，卷电机精度，都觉得把这些堆上去，连贯性自然就出来了。其实根本不是，就算你把所有零件都换成最好的，模型没见过完整的连续动作，还是会在衔接处卡顿，就像一个没学过画画的人，拼贴别人的素描碎片，画出来的人还是五官错位。
产业链上被忽略的新缺口
说了这么多，这件事跟普通从业者、跟小公司有什么关系？
其实机会就在这里。现在整个行业都在抢大模型算法工程师，抢机器人结构工程师，开出百万年薪抢人，但是没人提，做连续动作数据采集和标注的团队，现在缺口超过一万个。
原来做游戏动画、做影视动捕的那帮人，其实转过来就能做。原来你给游戏做人物动作，都是单个技能动作拆开来做，现在你要做的，就是跟着普通人拍一整天：从起床穿衣服，到刷牙洗脸，到做饭擦桌子，到出门换鞋锁门，全程连续捕捉，把一整套连贯的动作数据清理标注好，卖给机器人公司，人家愿意掏大价钱买。
我知道有人会说，现在不是都在用AI生成合成数据吗？还要人工采？说实话，合成数据都是从碎片化数据拼出来的，连数据本身都没有见过连贯的人类日常动作，合成出来的还是错的。你骗模型，模型最后就骗你，出来的动作就是卡。
对于小创业者来说，这比你去凑钱卷大模型香多了。你不用拿几十亿烧算力，不用跟大厂拼参数，只要你能做出高质量的连续日常动作数据集，做出标准化的标注工具，全行业都要求着你。现在已经有不少做动捕的小团队，靠给机器人公司提供定制化连续数据，一年赚几千万，活得比那些拿了融资的机器人创业公司还滋润。
明年就能看到，第一家靠卖高质量连续运动数据起来的公司，估值会超过一半烧钱做大模型的人形机器人创业公司。你信吗？
