Counterpoint Research测算人形机器人的DRAM需求，马斯克在社交平台上直接引用并反驳，话说得很满：机器人对内存的需求会超过所有设备。存储板块跟着大涨。资本市场先信了。赌的是未来出货量，当下财报验证不了。
训练端的消息更实在。伯克利团队的SuperMimic把人形机器人的动作训练从128卡跑7天压到单卡3小时，算力成本砍掉几个数量级。省下的钱直接降低试错门槛，更多团队能下场做实验，这条路才有可能走快。
但世界模型本身的短板还摆在那里。现有方法主要从仿真数据里学习，训练场景基本局限在平地，复杂地形和物体交互还没系统覆盖。研究者在论文里也承认，多控制接口联合训练能带来多少收益，还没验证清楚，动力学预测还得靠真实机器人数据修正。仿真省钱，也容易失真。
宇树王兴兴的疑问正好戳在同一处：大模型真有可能颠覆具身智能吗？如果只是把语言模型的规模法则搬到机器人身上，数据从哪来、怎么让数据转起来，目前都没有答案。
三条线拼起来：需求端有人在押注，成本端有人在突破，路线端还在争论。瓶颈不在单个环节。数据、算力和泛化能力，得同时做便宜。谁先做到，谁就定义下一轮。