讨论具身智能，很容易落入两个极端。一个极端说“明年每家都有机器人管家”，另一个极端说“机器人永远做不好家务”。这两种说法都太省事。真正值得看的，不是某个时间点会不会突然变天，而是几条曲线是否同时变好。
通用机器人不是无所不能的机器，而是在足够多的真实任务里能可靠工作、还能通过数据继续变强的系统。大白话说，它不必像人一样会所有事，但要比专用机器更能换任务，比玩具演示更能长期工作。
第一条曲线：数据
前面说过，具身智能缺的不是文字数据，而是动作数据。真正有价值的数据包括视觉、深度、触觉、关节状态、力、任务结果和失败原因。没有这些，模型很难知道“看起来一样”的动作为什么一个成功、一个失败。
数据飞轮一旦建立，会让领先者更领先。部署更多机器人，收集更多真实任务；真实任务改进模型；模型提升后进入更多场景。但飞轮也可能卡住：机器人太贵导致部署少，部署少导致数据少，数据少导致能力提升慢，能力慢又更难卖。
具身智能的竞争，不只是模型竞赛，也是谁能让足够多的机器在真实世界里安全地干活，并把每次干活变成训练材料。
第二条曲线：成本
机器人要普及，成本必须下降，而且不是只下降购买价。关节寿命、维修速度、电池更换、现场部署、远程运维、软件更新都要规模化。一个机器人如果买来不贵，但三天两头停机，实际成本仍然很高。
这里会出现类似汽车和手机产业的供应链效应。产量上来以后，电机、传感器、控制板、结构件会更便宜；标准化以后，维修和备件也会更成熟。但人形机器人比手机难，因为它会摔、会撞、会和环境接触，机械磨损不能靠软件更新消掉。
第三条曲线：安全和信任
机器人越接近人，社会越会要求它可靠、可控、可追责。一次事故可能抵消很多次成功演示。安全标准、保险、责任划分、现场培训和监管都会影响扩散速度。
社会接受度不是大家觉得机器人酷不酷，而是人们愿不愿意让它进入工作流和生活空间。员工是否愿意和它同场工作？老人是否愿意让它靠近？企业法务是否敢批准？这些问题没有算法那么耀眼，却决定了商业速度。
我们应该怎样看演示
看一段人形机器人视频，可以问几个朴素问题：环境是否被精心布置？任务失败率是多少？有没有剪辑？是否能处理没见过的物体？连续运行多久？人离它多近？摔倒后怎么办？这个任务如果换成轮式底盘或专用机械臂，会不会更便宜？
这些问题不是泼冷水，而是把注意力从“像不像人”拉回“能不能可靠创造价值”。真正的进步经得起这些追问：感知更稳，动作更自然，失败能恢复，成本在下降，场景边界说得清楚。
人形机器人最有希望的未来，不是突然出现一个钢铁仆人，而是一批笨活、累活、危险活先被稳定接过去；机器在这些窄门里积累身体经验，再慢慢扩展边界。
回到开头的问题：为什么不能把 ChatGPT 装进机器人就完事？因为语言理解只是具身智能的一部分。真正的机器人要在身体里思考，在接触里学习，在失败里变稳，在成本和安全约束下工作。
如果未来十年人形机器人真的走进日常，它看起来也许不会像科幻片那样突然。它更可能先出现在仓库夜班、工厂角落、医院走廊、养老机构的辅助岗位里。等我们习惯它们做一些小事，它们才有机会做更多事。通用机器人的路不是一扇大门，而是一道很窄的门缝：挤过去的，是那些同时懂 AI、懂身体、懂工程账、也懂真实世界脾气的系统。