具身智能数据缺口争议：Ken Goldberg教授在ICRA 2026的演讲

在2026年国际机器人与自动化会议（ICRA）上，加州大学伯克利分校（UC Berkeley）的Ken Goldberg教授发表了一场引人深思的演讲，主题为《Can GOFE and Code-as-Policy Close the 100,000-Year "Data Gap" in Robot Manipulation?》。这场演讲不仅揭示了当前具身智能领域存在的数据缺口问题，更引发了关于数据驱动与工程方法孰优孰劣的深入讨论。

Goldberg教授首先以一个生动的比喻开场：如果按照人类平均阅读速度计算，要读完今天训练大型语言模型所使用的全部数据，大约需要10万年。而将这一概念类比到机器人领域，目前积累的数据总量，仅仅相当于几年的规模。这个惊人的对比数据，直接点出了当前具身智能发展中的核心矛盾——数据规模与实际应用之间的巨大鸿沟。

随着ChatGPT、视觉语言动作模型（VLA）和人形机器人热潮的兴起，依靠海量数据、深度学习和大模型驱动的Model-Free路线几乎成为行业主旋律。人们普遍相信，通过不断堆砌数据和提升模型规模，终将实现真正的通用机器人。然而，Goldberg教授提出了一个关键问题：什么时候？他认为，当前的数据积累速度远远不足以支撑这一愿景。

在演讲中，Goldberg回顾了自己团队的Dex-Net项目。该项目从利用概率模型评估抓取成功率，到构建大规模仿真数据集，再到训练神经网络完成真实世界抓取，展示了数据与工程方法深度结合的重要性。他指出，单纯依赖数据堆砌无法解决具身智能落地中的复杂问题，工程架构、模块设计和物理建模仍然不可或缺。

当前炙手可热的VLA模型拥有惊人的泛化潜力，却容易在环境发生细微变化时失效。传统工程系统虽然缺乏通用性，但可靠性见长的特点却让二者看起来像是天作之合。Goldberg提出了一种全新融合思路：让大语言模型不直接控制机器人，而是生成可解释、可验证的计算图，再由多个智能体协同构建和优化系统。这种“代码即策略”的方法，旨在弥合数据鸿沟，同时保留工程方法的可靠性。

Goldberg教授的演讲不仅揭示了当前具身智能发展中的数据缺口问题，更为行业指明了新的发展方向。他强调，未来的具身智能发展需要在数据驱动与工程方法之间找到平衡点，通过深度融合来解决实际应用中的复杂问题。这一观点无疑将在未来对具身智能的研究和开发产生深远影响。