操作是APP，運動才是OS：全行業搞錯了優先級

具身智能賽道的共識快成路徑依賴：疊衣服、端咖啡、鎖螺絲，操作任務結果直觀，數據需求自然向上半身集中。橋介數物創辦人尚陽星在深度訪談中給出反向判斷，全身運動數據的重要性，被整個行業嚴重低估了。

他用一個比喻立住骨架：運動控制是電腦的OS內核，操作模型是跑在上面的APP。沒有內核，APP啟動不了。這不只是隱喻，指向一個具體的工程瓶頸。

三條可驗證的論點支撐這個判斷。

第一，泛化才是核心難題。春晚舞台上的機器人看來行雲流水，背後是七八名工程師花三四個月調出的特定場景解，換個環境就失效。問題不在算法層，在底層運動模型根本不具備跨場景泛化能力，不同地形、不同機型、複雜環境，現在沒有一台機器人能穩定應對。

第二，遙操作數據有根本缺陷。業界主流的遙操作採集方式，數據與本體強綁定，換機型就必須重採、重訓，遷移成本極高。橋介選擇動作捕捉加視覺的方式，產出定義為CWM（跨本體全身運動數據）：多模態、含語義標籤、與具體機型解耦。這直接針對「換本體就廢」的老問題，也是遙操作路線難以繞過的結構性缺陷。

第三，運動數據同樣存在Scaling Law。這是尚陽星押注自建數據工廠的核心邏輯，數據量越大，全身運動基礎模型效果越好。英偉達已開源數百小時運動數據印證這個規律，但他指出那個量級離上限仍遠。率先建立規模化採集管線的玩家，數據壁壘將難以複製。

對做embodied AI或VLA的團隊，這是一把具體的尺：策略模型可以很強，遷移學習可以很聰明，但底層運動不具通用性，整套系統就只能困在受控桌面場景，無法真正走進真實世界。

以上觀點來自單一深度訪談，代表創辦人視角；CWM工廠剛正式上線，Scaling Law論點尚待大規模驗證。但運動泛化差、本體綁定重這兩個問題是真實存在的，在量產場景下終將是瓶頸，只是現在被光鮮的操作Demo掩蓋住了。