打造一款能干的类人机器人，这场竞赛正迅速地从硬件的比拼，转向一个更深层次的哲学拷问：机器究竟该如何学习？一边是像 Sunday 这样，全力押宝“人类教师大军”；另一边则是 Tesla 和 Nvidia 这样的巨头，期望机器人能靠“刷YouTube”自学成才。这场战略分歧不仅定义了整个行业，也让所有人都对“正确答案”莫衷一是。
Sunday 全力押注模仿学习，为500名“记忆开发者”配备特制手套，一丝不苟地记录下每项 conceivable 家务活的高质量数据。该公司声称，这种方法使其每隔一到两周就能训练并评估一项新任务，从而打造出其所谓的“世界上学习速度最快的机器人”。这是一种亲力亲为的“匠人精神”数据收集法，重质不重量。
这种以人为本的模型也有其变体。挪威公司 1X Technologies 也采用人类指导，但它不依赖手套和精心策划的训练，而是将 1X Neo：您的AI管家来了，但价格不菲 机器人直接部署到现实世界中，通过远程操作进行学习。这与其说是课堂教学，不如说是“在岗学徒制”。与此同时，Figure 正在搭建实体“神经健身房”（Neura Gyms），这些结构化环境能让其机器人在特定任务上进行训练，有时还会与宝马（BMW）等公司合作。
然后是“只看视频”学派。Tesla 一直高调宣称，其擎天柱（Optimus）机器人只需观看人类操作视频就能学会任务。Nvidia 则凭借其 NVIDIA 用 Cosmos 为机器人构建矩阵 平台，利用模拟和海量的互联网视频数据来训练其机器人基础模型。这种方法前景广阔，毕竟网上的“教学视频”时长，远超任何一支“记忆开发者”团队所能生产的数据总量。但它在语境理解、具身性以及非结构化数据的“噪音”处理上，却步履维艰。
为何如此重要？
训练方法上的分歧，是打造真正通用型机器人所面临的最大障碍。这场辩论的核心，是一个经典的“质量与数量”问题，而物理交互的复杂性又使其难度倍增。
像 Sunday AI 绕过机器人木偶，用手教做家务 这样精心策划、高质量的人类演示数据集，是实现可靠任务执行的关键吗？抑或是像 Tesla 和 Nvidia 所坚信的那样，互联网上海量而混乱的数据，最终能为人工智能提供一条更强大、更具可扩展性的道路？哪家公司能解开这个可扩展学习的谜题，它不仅会打造出更好的机器人，更可能定义未来十年的人工智能和自动化格局。
