2026没过完，已有480亿美元投进了物理AI

机器人企业愿意为数据投入巨额资金，背后有一套在大语言模型领域已被验证的技术逻辑——Scaling Laws。

ChatGPT等语言模型的快速进步，已经证明了大规模训练的价值。如今机器人行业也希望找到类似规律：让模型通过丰富的真实世界数据掌握操作技能、适应新任务。

今年8月，美国机器人公司Dyna Robotics公布的研究提供了实验证据。其最新世界动作模型Dyna-2，用超过100万小时的人类第一视角视频预训练，涵盖做饭、整理物品、组装零件等日常动作。

研究人员设置了1000小时、1万小时、10万小时、100万小时等不同训练规模做对比。

结果显示，在14项真实机器人操作任务中，随着预训练数据扩大，模型平均表现从20%提升到53%。

其中转动钥匙的任务尤为明显：10万小时以下数据训练的模型均未成功，而100万小时视频预训练的模型，成功率达到90%。仅用约10分钟机器人操作数据微调，预训练模型就具备了双手灵巧拧瓶盖的能力。

这项研究初步证明，大规模人类视频数据确实能持续改善机器人操作能力，提高新任务学习效率。 虽然规律还需更多真实场景检验，但至少为行业重金采集数据提供了技术依据。

不过，视频数量只是因素之一，数据质量、任务覆盖和跨机器人迁移能力，同样影响训练效果。

因此，除了扩大数据采集规模，行业还在探索另一条路径：让机器人进入真实工作环境，通过实际部署持续积累经验。

今年4月，Skild AI宣布收购Zebra Technologies旗下机器人业务（包括此前的Fetch Robotics）。