待验证60% 置信观点精确时间
具身智能的核心瓶颈在于缺乏合适的训练数据，真实世界中采集机器人抓取、装配、行走等高质量操作数据的成本远高于文本和图像数据
2
来源数
60%
置信度
中期 (~90 天)
时效性
2026/8/18
首次发现
有效期至：2026/11/16
来源
相关事实
待验证强化学习在机器人领域面临的核心挑战是样本效率极低，真实机器人完成百万次试错耗时且有硬件损耗风险，促使离线强化学习和仿真到真实迁移成为研究热点79% 相似待验证具身智能面临三大特有难题：数据稀缺（互联网上缺乏足够的机器人操作轨迹，需遥操作采集、仿真合成与跨本体迁移）、分布偏移（训练与真实环境的物体、光照、布局差异要求在线适应能力）、安全与不可逆性（物理世界的碰撞可能造成硬件损坏或人身伤害）。78% 相似待验证在AI训练数据采集领域，将领域专家的正确答案转化为机器可学习标注格式的困难被称为知识提取瓶颈(knowledge elicitation bottleneck)76% 相似待验证遥操作数据在不同机器人形态之间难以复用，成为具身智能领域公认的核心痛点76% 相似待验证DeepMind团队认为机器人领域过去几十年受制于三大瓶颈：感知不足、泛化困难、数据稀缺75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/769947API
curl https://kongchang.com/api/v1/knowledge/claims/769947MCP
get_claim(id=769947)