在人工智能快速迭代的当下，具身智能正走到路线选择的关键节点。业内目前主要有两条技术路径：在预训练模型基础上持续改进，以及构建世界模型的探索方案。Generalist团队近期发布的技术宣言则指出，这两种主流方法都存在明显限制，并提出“从零训练”的新思路。问题的关键在于研发范式不同。多数企业更偏向“想法驱动”，往往围绕短期热点快速跟进；Generalist选择“目标驱动”，把实现物理AGI（通用人工智能）作为终点。这种差异深入分化出技术路线：前者多依赖现有模型微调迭代，后者则从原始数据出发重新训练模型。 从现有结果看，“从零训练”在一些核心指标上表现出优势。GEN-1模型约99%的参数为全新训练，在多项测试中表现突出：任务成功率超过99%，执行速度提升3倍，并具备一定的自主故障恢复能力。原力灵机公司的DM0模型也在一定程度上验证了该路线，其在RoboChallenge评测中取得领先成绩。 行业观点认为，这条路径体现的不只是技术选择，更是研发理念的调整。基于既有模型的方案见效更快，但也容易受制于基础模型的边界与缺陷；“从零训练”投入更高、周期更长，却有机会绕开既有框架的限制。Generalist创始人将其类比为人工智能领域的“GPT-3时刻”，认为它可能带来新的阶段性跃迁。 展望未来，具身智能或将迎来更深层的结构性变化。随着算力提升与数据积累，“从零训练”的边际收益可能进一步放大。这不仅是技术路线之争，也折射出企业在重大创新面前的战略耐心与长期投入能力。中国企业在有关方向的提前布局，正在为全球竞争增加新的变量。
具身智能的下一阶段竞争，可能不再是谁提出了更响亮的概念，而是谁更能围绕目标建立可持续的“数据—训练—部署—验证”体系。无论选择冷启动还是渐进式迭代，回到任务、回到指标、回到真实场景，才能让技术争论沉淀为可复制、可推广的产业能力。