关于具身，我的 hypothesis (Q4 2026)

0) Learning-based 是规模化部署机器人的范式

1) Learning-based 会让系统集成和部署获得“软件般”的 scaling capability，这个关键是积累的行业数据与垂直模型

2) 现场学习 & 真实数据会长期有价值 - 预训练提供基础能力，真实环境中的数据与迭代，负责把能力变成可靠的部署

3) 数采的艰难、耗时、不规模化是规模化部署机器人最大的瓶颈（不是模型 / 架构）

4) UMI 可以成为开发部署机器人的编程平台/接口。用户在自己的环境里亲手地很自然地完成任务，就能提供教会机器人的输入

5) 稳定地教学机器人这件事情是可以与机器人本体解耦的

6) 懂任务的人，可以直接教会机器人怎么做任务，工人 不需要理解机器人学习算法；新的编程机器人的方式由系统来负责吸收技术复杂度

7) 示范、尝试、人类来纠正、最后是机器人自己练习，这个可以成为统一的教学体验

8) 人类给机器人纠错既可以提供高价值的数据，又是一种自然的交互

9) 机器人可以越作业就越少需要人照看，这背后是现场的人工反馈以及自主练习 (RL)

10) Learning-based 范式下的机器人部署流程会有足够共性，可以产品化，不像过去的系统集成和自动化部署，只能做服务

11) 先给终端用户创造价值、再让机器人持续学习，是最可行的交付模式。想尽办法用最快的方法让机器开始作业，开始提供价值，什么方法都可以.. 然后再通过纠正与学习改善表现