最近，华人AI科学家李飞飞收购了一家机器人公司。

很多人好奇：一个做世界模型的AI专家，为什么会切入机器人？

更有意思的是，她切入机器人的方式，并不是造一台更像人的机器人，而是想给机器人“办学校”。

这个学校做两件事：第一，训练机器人；第二，给机器人考试。背后的原因是，机器人行业最大的瓶颈，可能不是缺一个更强的大脑，而是缺数据、缺训练场，以及缺一套可靠的评测体系。

大语言模型为什么发展这么快？因为互联网每天都在产生海量数据。文字、图片、视频，这些天然就是AI训练素材。

但机器人完全不同。

大模型训练依靠的是互联网上海量现成数据，而机器人需要采集真实动作数据。让机器人学叠衣服、搬东西、拿杯子，都需要大量人工训练，数据不仅少，而且成本高。

同时，机器人犯错的代价也更高。大模型答错还能人工检查，但机器人输出的是动作，一旦出错，可能直接造成损失。

所以机器人不能简单复制ChatGPT的发展路径。

未来一个重要方向，可能是“仿真”。真实世界数据太昂贵，就让机器人在虚拟世界训练。比如拿杯子这个动作，在不同光线、不同背景，让机器人反复练习。先通过仿真掌握大部分能力，再用少量真实数据完成调整。

这也带来一个重要判断：机器人真正爆发之前，仿真训练所需要的算力，可能会先起来。过去很多人认为，要等机器人卖出去，芯片需求才会增长。但实际上，在机器人进入现实世界之前，大量训练、模拟和测试本身，就需要大量算力。

所以机器人产业第一波受益者，未必是造机器人的公司，也可能是做数据、仿真、评测等基础设施的企业。

也提醒大家，不要只盯着人形机器人。并不是否定人形机器人的未来，而是认为它可能不是最先落地的方向。机器人更可能先从工厂、仓库、酒店等相对确定的场景开始，最后才进入家庭等复杂环境。

毕竟，人形机器人之所以像人，是为了适应各种环境。但如果只是完成某一项任务，专业机器人可能效率更高。所以，人形机器人可能是终局，但未必是第一站。方向对不代表时间点也对，真正重要的是看谁能活到行业爆发的那一天。

所以看机器人行业，不能只问：“机器人是不是未来？”更应该关注：哪些机器人会先落地？哪些环节会先赚钱？哪些公司能活到行业真正爆发？