从深蓝到ChatGPT，AI“到来”了三次，但具身智能仍隔着一道悬崖。人工智能的叙事反复出现“已经来了”的判断。

1997年深蓝击败国际象棋世界冠军，事后看更多依赖穷举与算力，属于专用计算。2016年AlphaGo战胜围棋顶尖棋手，引入深度学习，再次引发“AI时代已至”的讨论，但它仍未走出棋盘边界。

直到ChatGPT在语言生成上取得突破，AI才首次在大众可感知的通用任务上接近生产力工具。

但语言模型的成功，不能直接推导出具身智能的成熟。素材中有一个比喻值得展开：自动驾驶积累的数据需求如果比作“一个村子”，人形机器人在开放物理世界中完成任务所需的数据，可能接近“一个太阳系”。

这不是精确测算，却指向结构性差异——语言和棋类有相对封闭的规则边界，物理世界则是开放、非结构、高维度的。搬箱子、上下楼梯、在陌生环境找目标，任何一个动作都涉及大量不确定变量。

更关键的是，下棋可以靠规则模拟，语言可以靠互联网语料训练，但具身智能没有现成的“物理交互数据集”。

真实世界的机器人数据采集成本高、速度慢、场景碎片化，与自动驾驶已有的路测积累完全不同。即便大模型提供了认知层，离机器人稳定作业仍有一个悬崖：不是模型不够聪明，而是缺少足够多、足够便宜的真实交互数据来覆盖长尾场景。

这可能是具身智能当下最被低估的瓶颈。行业频繁展示端咖啡、分拣、进厂打螺丝，但这些演示离规模化复制，差的不是单点能力，而是数据规模与泛化成本。

AI几次“到来”后都被证明是专用突破，具身智能也不会因为大模型热就自动跨过那道悬崖。