从训练到进化：具身智能与密码技术产业观察

执行摘要：本报告聚焦两项关键技术：具身智能与公钥密码。具身智能领域，业内出现从'被训练'走向'自我进化'的路线之争，核心瓶颈被认为是真实交互经验而非数据规模；密码领域，RSA新型攻击方法的提出动摇了传统安全假设，可能加速后量子密码迁移。报告梳理两项技术的产业现状、产业链结构、竞争格局与演进趋势，为关注前沿技术的产业方提供客观参考。

具身智能：范式之争与现状

产业现状：训练范式主导下的数据焦虑

当前具身智能产业的主流技术路线可以概括为「被训练」范式：通过大规模采集人类演示数据，对机器人策略模型进行监督训练或模仿学习，再辅以仿真环境中的强化学习与迁移，使机器人获得操作能力。这一范式在近两年快速产业化，推动了人形机器人、通用机械臂等方向的创业与投资热潮。

「被训练」范式的核心引擎是数据。为了获得高质量的训练数据，产业界普遍采用遥操作（Teleoperation）数据采集方式——由人类操作员通过主从控制设备操纵机器人完成任务，同步记录动作序列与感知信息。这一方式能够保证数据与真实机器人本体、真实物理环境的一致性，是当前被视为最可靠的数据来源。但代价同样明显：采集成本高、效率低、规模化困难，数据采集团队往往需要大量人力投入，才能支撑起模型迭代所需的语料规模。数据成本与数据规模之间的矛盾，已成为行业公认的基础性瓶颈。

在这一背景下，围绕「数据从哪里来」「多少数据才够」的讨论，构成了具身智能产业叙事的主线之一。多数从业者的应对思路是在既有范式内优化：提高遥操作效率、引入仿真合成数据、利用互联网视频数据做预训练、探索数据众包与数据共享机制等。

另一种判断：瓶颈是经验而非数据

在主流叙事之外，SeeAct AI创始人穆尧在雷峰网「物理AI50人」栏目专访中提出了一个不同层面的诊断。他的核心观点是：具身智能的瓶颈并非数据本身，而是经验——机器人在真实环境中通过与物理世界交互所积累的反馈。换言之，问题不在于「看过多少演示」，而在于「自己尝试过多少次、收到过多少次真实的成败反馈」。

这一区分具有实质性的产业含义。遥操作数据本质上是「人类经验的录制」，其中只包含成功演示，缺少失败案例、缺少纠正过程、缺少机器人自身动作与物理后果之间的因果闭环。而人类学习运动技能的过程，恰恰大量依赖试错与反馈。如果穆尧的判断成立，那么即便数据采集规模持续扩大，也无法从根本上补足机器人所缺失的交互经验；瓶颈的解法需要从「采集更多数据」转向「让机器人自己获得更多交互」。

由此，穆尧进一步给出了路线判断：具身智能的终局，必然是从「被训练」走向「自我进化」——即机器人在物理世界中自主试错、根据真实反馈持续迭代自身能力，而不是被动的、一次性的训练产物。「自我进化」路线意味着训练与部署的边界被打破，机器人进入真实场景后的每一次交互都构成学习信号，能力随运行时间持续增长。

两种范式的对比与产业逻辑

从产业逻辑看，两条路线并非简单的替代关系，而是处于不同的成熟度阶段。「被训练」范式之所以成为主流，是因为它在当前技术条件下可操作、可交付：遥操作数据虽然昂贵，但确定性高；离线训练虽然一次性，但流程可控。对于需要向客户交付确定性能力的商业场景，这一范式短期内仍不可替代。

「自我进化」路线在理念上指向终局，但现实约束更为苛刻：真实环境中的自主试错意味着试错成本（设备损耗、安全风险、时间成本）由机器人承担，反馈信号的稀疏性与安全性问题尚缺乏成熟的工程方案。这也是为什么该路线目前更多以观点和技术愿景的形式引发关注，而尚未成为产业的主流投入方向。

值得注意的是，穆尧的观点为依赖遥操作数据采集的行业共识提供了一种结构性的反思：如果瓶颈被重新定义为「经验」而非「数据」，那么资本与研发资源在数据采集基础设施上的配置逻辑，以及创业公司差异化竞争的切入点，都可能随之调整。部分团队已开始探索介于两者之间的过渡形态，例如在部署环境中引入在线学习与自主探索机制，让「被训练」的初始能力具备「自我进化」的迭代空间。

小结

具身智能当前正处于「被训练」范式的高投入期：遥操作数据采集支撑着产业的快速商业化，但成本与规模的矛盾日益突出。以穆尧为代表的「经验优先、自我进化」路线，将瓶颈重新定位为真实环境中的交互反馈，指出了一个与主流共识不同但逻辑自洽的方向。范式之争的最终裁决，取决于哪条路线能够率先以可承受的成本，让机器人在物理世界中实现持续的能力增长。这也是本报告后续章节观察产业演进的基本框架。

密码技术：RSA安全根基之辩

RSA与具身智能的隐性关联

具身智能从「被训练」走向「自我进化」的路线之争，看似与密码技术无直接交集，实则二者在产业底层深度耦合。机器人自主进化依赖持续联网的能力迭代、模型更新与跨设备协同，其通信链路的身份认证与数据加密，普遍建立在以RSA为代表的公钥基础设施之上。一旦这一基础设施的可信度发生动摇，从云端训练平台到边缘侧机器人设备的整个信任链条都需要重新评估。因此，理解RSA安全根基之争，是评估具身智能产业长期风险结构的必要环节。

RSA的安全假设与产业地位

RSA自提出以来，始终是全球部署最广泛的公钥加密体系，广泛用于TLS握手、数字证书、代码签名与设备身份认证等场景。其安全性长期建立在一个未被证明、但被广泛接受的计算假设之上：分解大整数的半素数在经典计算模型下不可行。过去数十年间，密码学界的主流认知是，攻击RSA的可行路径基本只有两条——经典算法意义上的大数分解改进，或未来大规模容错量子计算机上的Shor算法。前者受限于算力增长缓慢，后者则被视为远期威胁。这一「双路径」认知框架，支撑了现有互联网安全体系的稳定性预期，也决定了后量子密码迁移的时间表节奏。

新攻击路径的提出与性质

近期，密码学界出现了一条突破性新路径：有研究提出了超越传统大数分解框架、速度前所未有的全新RSA破译方法。按照公开报道的描述，该方法的思路并非对经典分解算法的渐进改进，而是绕开了「分解大整数」这一被默认的唯一入口，开辟了独立于Shor算法之外的攻击维度。

需要强调的是，该研究目前尚未经过同行评审的完整验证。密码学领域的惯例是，任何攻击方法从论文预印本到被社区确认，需经历可复现性检验、复杂度分析复核与参数适用范围评估等多个环节。历史上既有重要攻击（如针对特定填充方案的Bleichenbacher攻击）最终被确认并推动了协议修订，也有若干声称「攻破RSA」的工作在审阅后被证明适用条件苛刻或存在推导缺陷。因此，当前对该新方法的产业影响判断，应保持「成立与否均需预案」的双向姿态。

产业影响的两种情景

若方法经评审成立且实际复杂度低于暴力分解，影响将是结构性的：RSA在握手、签名环节的信任基础需重新定价，后量子密码（如基于格的标准化算法）的迁移窗口将显著压缩，负责根证书、代码签名等长生命周期场景的机构面临优先升级压力。对具身智能产业而言，大规模部署的机器人设备固件更新链、云端协同认证若依赖RSA，将面临存量设备无法快速轮换密钥的长尾问题——这恰是自主进化路线中设备群体持续在线的薄弱环节。

若方法最终未被确认或适用范围受限，短期产业格局不变，但事件本身仍具价值：它提示RSA单一假设承载的系统性风险，推动企业将密码敏捷性（crypto-agility）纳入架构设计，使算法可替换、可平滑升级成为基础设施的基本要求。

产业逻辑与观察要点

从监管与标准博弈角度看，后量子密码迁移本质上是全球性基础设施换代，涉及标准制定话语权、合规时间表与供应链兼容性。新攻击路径无论验证结果如何，都会成为各方加速或调整迁移节奏的论据。对企业而言，理性策略不是预判结论，而是盘点自身密码资产、评估迁移成本并保持算法层面的可替换性。

观察要点：其一，该研究能否进入正式同行评审渠道并获得可复现确认；其二，主流标准组织与头部CA机构的公开表态与应对节奏；其三，具身智能与物联网设备厂商在密钥管理架构上的调整动向。RSA之辩的最终答案属于密码学界，但无论结论为何，「信任假设需要可验证」这一命题，将持续塑造智能硬件产业的底层安全设计。

产业链结构：上游与核心环节

一、具身智能上游：本体、传感与算力

具身智能产业链上游主要由三大板块构成：本体硬件、传感器与算力芯片。

本体硬件是具身智能的物理载体，涵盖机器人整机构造、伺服电机、减速器、灵巧手等核心部件。本体的自由度、负载能力与运动控制精度直接决定了智能系统可执行的物理操作上限。当前产业界从工业机械臂向人形机器人、四足机器人等通用形态演进，对上游零部件的轻量化、高功率密度与低成本提出了更高要求。

传感器承担环境感知与本体状态反馈的双重职能，包括视觉传感器（相机、深度摄像头）、激光雷达、力矩传感器、触觉传感器与惯性测量单元等。传感器数据的密度与质量，决定了机器人对物理世界的建模能力。尤其在真实环境交互场景中，多模态传感数据的时空对齐与融合是关键技术门槛。

算力芯片是具身智能的训练与推理基础设施，涵盖训练侧的GPU/AI加速卡，以及部署侧的边缘计算芯片。值得注意的是，具身智能的技术路线之争正在改变上游算力的需求结构。SeeAct AI创始人穆尧提出，具身智能的核心瓶颈不是数据而是经验，机器人缺少在真实环境中积累的交互反馈，其终局路线必然是从当前主流的「被训练」范式走向「自我进化」。若该判断成立，产业将从依赖遥操作数据采集的集中式训练，逐步转向机器人本体在物理世界中自主试错、持续迭代，这意味着端侧算力需求将持续提升，边缘AI芯片将成为上游竞争的关键环节。

二、密码产业上游：算法研究与安全模块

密码产业上游结构相对精简，但技术纵深同样显著。

算法研究是密码产业的第一性环节，其产出决定了整个产业的安全基线。当前密码学界正处于理论范式的重要窗口期。RSA作为全球最广泛使用的公钥加密体系，其安全性长期建立在「分解大整数在计算上不可行」这一计算假设之上，此前学界普遍认为攻击RSA的唯一可行思路是大数分解，包括经典算法与Shor量子算法。近期新研究提出了速度前所未有的全新破译方法，超越了传统认知框架。若该方法经同行评审验证成立，将动摇现有互联网安全根基，并加速后量子密码（PQC）迁移进程。这一动态说明：密码上游的算法研究不仅支撑产品迭代，更可能触发全产业的强制性更新周期。

芯片安全模块是密码算法的硬件化载体，包括安全芯片、密码协处理器、可信执行环境（TEE）与硬件随机数发生器等。随着数据安全法规趋严与商用密码应用推广，密码能力正从软件层下沉至硬件层，密钥存储、加解密运算的安全边界 increasingly 依赖物理隔离的芯片模块实现。

三、产业链结构对比

四、共同特征：高强度研发与算力投入

两项技术虽分属不同赛道，但上游呈现显著的共性特征。

其一，研发强度高、回报周期长。具身智能的本体设计与模型训练需要跨机械、控制、AI多学科协同；密码算法研究则需要经受学术界与攻击者长期验证。RSA新破译路径能否成立，最终取决于同行评审这一学术共同体机制，而非短期商业化验证。

其二，算力依赖度持续上升。具身智能的训练范式演进，无论走向「自我进化」还是强化现有训练路线，均以算力为底层支撑；密码产业的算力依赖则呈双向特征：一方面，攻击者算力提升持续压缩现有算法的安全裕度，量子计算与新破译方法均属此类；另一方面，后量子密码迁移意味着更大密钥尺寸与更高运算开销，反向抬升安全芯片的硬件门槛。

其三，上游环节均具备较强壁垒与集中度。高端芯片、精密零部件与核心算法能力集中掌握在少数企业与科研机构手中，上游格局将在可预见的中期内主导两个产业的价值分配。

产业链结构：中游与下游应用

一、具身智能：中游承上启下，下游场景分化

具身智能产业链可大致划分为上游（核心硬件与传感器、数据采集）、中游（模型训练与系统集成）、下游（场景应用）。其中，中游环节是当前产业价值最集中的部分。

中游：模型训练与系统集成。 模型训练是具身智能的技术核心。目前主流训练路线依赖大规模数据采集，典型方式为遥操作采集，即由人类操作者示范任务动作，再用于模型训练。这一路线的成本结构与规模化瓶颈日益显现：真人示范数据获取成本高、效率低，且难以覆盖长尾场景。SeeAct AI创始人穆尧提出的观点颇具代表性——具身智能的核心瓶颈不是数据而是经验，机器人缺少在真实环境中自主交互、获得反馈并积累能力的机会。他判断产业终局将“从被训练走向自我进化”，即机器人在物理世界中自主试错、持续迭代。这一判断若成立，将对中游产业格局产生深远影响：训练环节的重心将从数据标注与模仿学习，转向仿真环境构建、安全试错机制与在线学习能力，相关投入结构随之改变。

系统集成的价值同样不可忽视。机器人本体、大模型、任务规划与运动控制需要在中游完成整合，才能形成可交付的产品形态。当前系统集成能力在很大程度上决定了产品能否真正落地，是区分实验室原型与商业化产品的关键分水岭。

下游：工业、服务、物流三大场景。 从落地节奏看，三个场景呈现出不同的成熟度与商业逻辑：

工业与物流场景因环境相对结构化、任务可定义、投资回报可测算，成为当前商业化落地的主要阵地。服务场景尤其是家庭与养老场景，虽然长期空间广阔，但非结构化环境带来的泛化难题尚未解决，商业化仍处早期探索阶段。

二、密码产业：中游产品化，下游刚需稳定

密码产业链的中游是安全产品与服务，包括加密芯片与模组、密钥管理系统、密码服务平台、安全认证服务，以及面向合规需求的测评咨询等。这一环节的技术密集度与合规门槛均较高。

下游：互联网、金融、政务三大板块。 互联网行业是密码技术最大的商业应用场景，TLS/SSL证书、身份认证体系几乎全部建立在以RSA为代表的公钥密码体系之上。金融行业对密码的需求兼具业务安全与强监管属性，交易加密、支付验证、数据保护均有明确的密码应用要求。政务领域则是合规驱动最显著的板块，在《密码法》等法规框架下，商用密码应用与安全性评估已成为政务信息系统的刚性要求，带动了可观的合规性采购需求。

需要指出的是，下游需求结构正在经历潜在的深刻变化。近期密码学界出现一条突破性研究路径：此前学界普遍认为攻击RSA的可行思路是大数分解（经典算法或Shor量子算法），而新研究提出了速度超越传统认知的全新破译方法。RSA作为全球最广泛使用的公钥加密体系，其安全性长期建立在“分解大整数在计算上不可行”的假设之上。目前该研究尚待同行评审验证，其对现有体系的实际影响仍存在不确定性。但无论验证结果如何，这一进展所揭示的产业逻辑值得关注：密码产业的技术假设是动态演进的，中游产品与下游应用体系都需要为底层算法的可替换性预留架构空间。 后量子密码（PQC）迁移由此可能进一步提速，标准制定、算法替换、存量系统改造将构成中游厂商的新一轮市场机会，而互联网、金融、政务等下游板块的迁移优先级和成本分担机制，也将成为产业博弈的焦点。

三、两大产业链的结构性对照

将具身智能与密码产业的产业链并置观察，可以发现几组有意味的对照：

其一，价值重心位置不同。 具身智能的价值重心正在从“被训练”的数据采集端向“自我进化”的闭环能力端迁移，中游格局尚未固化；密码产业的中游格局则相对稳定，由标准与合规体系支撑，变革压力来自底层算法假设的动摇而非范式切换。

其二，下游驱动逻辑不同。 具身智能下游以投资回报驱动的市场化逻辑为主，落地节奏取决于技术成熟度与成本曲线；密码下游则呈现“商业+合规”双轮驱动，尤其在金融与政务板块，监管要求构成了需求的基本盘，技术变革反而在合规框架内加速传导。

其三，中游均面临范式层面的不确定性。 具身智能面临“被训练”到“自我进化”的范式之争，密码面临经典假设到后量子时代的迁移压力。两大产业的中游企业能否在范式转换窗口期完成能力储备，将很大程度上决定其在下一阶段产业链中的位置。

从“被训练”到“自我进化”，从经典密码到后量子迁移——两个看似不相干的产业，正处于各自技术假设被重新审视的关键节点。产业链中游的卡位与下游场景的渗透，将在未来数年随之重新洗牌。

数据与竞争格局

具身智能：数据采集能力与真实环境迭代速度构成竞争焦点

当前具身智能产业的竞争格局呈现出初创公司与科技巨头并存的态势。巨头凭借资金、算力与硬件供应链优势切入赛道，初创企业则以敏捷迭代和聚焦场景见长。但无论哪类玩家，竞争的核心变量正在收敛于两点：一是数据采集能力，二是在真实环境中完成迭代的速度。

从数据侧看，目前主流的训练范式仍高度依赖遥操作采集的人形演示数据。这类数据成本高、规模有限，且与机器人真实部署场景存在分布差异。数据采集能力因此成为拉开差距的关键资源——谁能以更低成本、更快速度积累高质量交互数据，谁就能在模型能力上形成正循环。

值得注意的一种不同思路来自SeeAct AI创始人穆尧。他在接受雷峰网「物理AI50人」专访时提出，具身智能的核心瓶颈并非数据本身，而是经验——即机器人在真实环境中积累的交互反馈。他进一步判断，具身智能的终局路线必然从当前主流的「被训练」范式走向「自我进化」，即机器人在物理世界中自主试错、持续迭代能力。这一观点对依赖遥操作数据采集的既有路线构成了方法论层面的挑战，也预示着未来竞争维度可能从「谁拥有更多数据」转向「谁拥有更快的环境验证与试错闭环」。

从产业逻辑看，这两条路线并不必然互斥。「被训练」范式解决能力冷启动问题，「自我进化」范式解决持续提升问题；两者的衔接效率——机器人从仿真走向真实环境、从人工示教走向自主学习的迁移速度——很可能成为下一阶段竞争格局的分水岭。对创业公司而言，在巨头主导算力与数据规模的情况下，率先打通真实环境迭代闭环是差异化的现实路径。

密码领域：学术突破与安全产业联动，验证进度成关键变量

与具身智能「产业端竞争数据」的格局不同，密码领域的竞争与协作呈现出鲜明的「学术界—安全产业」联动特征。基础性突破往往率先出现在学术研究端，随后由安全产业完成工程化响应与迁移落地。

近期出现的RSA破译新路径即是典型样本。此前学界普遍认为，攻击RSA的可行思路基本锁定在大数分解上——要么是经典算法的渐进改进，要么是Shor量子算法的量子优势路线。而新研究提出了一种超越传统认知、速度前所未有的全新破译方法。RSA作为全球部署最广泛的公钥加密体系，其安全性长期建立在「分解大整数在计算上不可行」这一假设之上。这一假设一旦松动，动摇的将不只是单一算法，而是现有互联网安全信任链条的根基。

但需要强调的是，该新方法目前尚未经过完整的同行评审验证，其有效性、适用条件与实际攻击成本仍待学界检验。这正体现了密码产业的一个结构性特点：验证进度本身就是关键产业变量。

• 对学术侧而言，同行评审与独立复现是结论成立的前提，激进结论在验证完成前不构成工程事实；
• 对产业侧而言，后量子密码迁移的紧迫性直接取决于威胁验证的时间表——验证越快通过，全球范围内的算法替换窗口期越短；
• 对标准制定与监管侧而言，需要在「过早引发迁移成本」与「过晚导致存量风险」之间做出权衡，NIST后量子密码标准的推进节奏即为这一博弈的体现。

换言之，密码领域的竞争并非传统意义上的市场份额竞争，而是「威胁发现速度」与「防御迁移速度」之间的赛跑。学术界每一次潜在突破的公布与验证，都会重新校准安全产业的资源投入方向。

两个领域的共性：闭环速度决定格局

将两个领域并置观察，可以发现一个共性规律：竞争的关键都在于「验证—迭代」闭环的速度。

具身智能的闭环发生在物理世界，机器人与环境的每一次交互都是数据与经验的来源，闭环越快，能力进化越快；密码领域的闭环发生在「攻击研究与防御部署」之间，潜在威胁被验证、产业被触发迁移的周期越短，整个生态的安全韧性越强。

对产业参与者而言，这意味着竞争壁垒的定义正在改变：在具身智能领域，壁垒从静态的数据资产转向动态的环境迭代基础设施；在密码领域，壁垒从单一的算法优势转向对威胁情报的快速验证与响应能力。两类能力本质上都是组织级的系统工程，这也是为何巨头与顶尖机构在两个领域都持续保持优势，而初创者必须以速度换取生存空间的根本原因。

趋势判断与产业启示

一、具身智能：从被动训练走向自我进化的范式迁移

当前具身智能产业的主流技术路线仍以「被训练」为核心：通过遥操作采集示范数据，再以模仿学习、强化学习等方式训练模型。这一路线的产业化瓶颈正在显现。SeeAct AI创始人穆尧在「物理AI50人」专访中提出了一个值得关注的核心判断：具身智能的关键瓶颈并非数据本身，而是经验——即机器人在真实物理环境中积累的交互反馈。静态数据集难以覆盖物理世界的长尾场景与动态变化，这解释了为何大量实验室表现良好的机器人系统在开放环境中泛化能力有限。

在此判断基础上，穆尧进一步提出具身智能的终局路线：从「被训练」走向「自我进化」，即机器人在物理世界中自主试错、持续迭代自身能力。这一路线若成立，将重塑产业链的价值分布：

需要指出的是，自我进化路线当前仍处于观点与早期探索阶段，面临物理试错成本高、安全边界难以界定等现实约束，短期内难以替代主流训练范式。但作为对遥操作数据采集路线的反思，它提示产业界：具身智能的竞争焦点可能从「谁的算力大、数据多」转向「谁能建立更高效的物理世界反馈闭环」。

二、密码技术：新攻击路径或加速后量子迁移

密码学领域同期出现了一条突破性研究路径。此前学界普遍认为，攻击RSA加密的唯一可行思路是大数分解——经典算法或Shor量子算法。而新研究提出了超越传统认知、速度前所未有的全新破译方法。RSA作为全球部署最广泛的公钥加密体系，其安全性长期建立在「分解大整数在计算上不可行」这一计算假设之上。若该方法经同行评审验证成立，其影响将不止于学术界：全球互联网的TLS握手、证书体系、代码签名等基础设施均以RSA为重要支柱，安全假设的动摇将直接转化为产业级的迁移压力。

从产业逻辑看，这一进展与量子计算威胁形成叠加效应。NIST已推进后量子密码标准发布，各国监管机构亦在推动关键基础设施制定迁移时间表。新攻击路径无论最终是否被证实具备实际破译能力，其「理论可能性」本身已足以成为加速后量子密码迁移的催化剂——密码工程界的传统是在威胁证实之前完成防御准备。

三、共同主线：以验证与落地为观察锚点

两项技术演进呈现出值得对照的共性：其前景判断都极具想象力，但产业价值的兑现都取决于验证与落地两个环节。

对具身智能而言，「自我进化」需要回答的问题是：物理试错的安全代价能否控制在工程可接受范围？进化机制能否在真实场景中稳定复现能力提升？对密码技术而言，新破译方法需要回答的是：同行评审结论如何？攻击复杂度在实际参数规模下是否具备工程可行性？

对产业观察者而言，建议关注三类信号：一是具身智能领域自主试错框架的实测数据与部署案例；二是密码学界对新方法的评审结论与NIST等标准机构的响应；三是监管侧对物理AI安全边界与密码迁移时间表的制度化安排。技术叙事会持续更迭，但验证与落地的进度，才是判断产业拐点的可靠标尺。