7 月 19 日當(dāng)大模型已經(jīng)在語言、數(shù)學(xué)、代碼等數(shù)字世界完成能力躍遷，下一階段人工智能的核心命題正在轉(zhuǎn)向真實世界：機器人如何感知環(huán)境、理解任務(wù)、執(zhí)行動作，并在持續(xù)反饋中自我進(jìn)化？物理 AI 何時會迎來 ChatGPT 時刻？

圍繞行業(yè)最熱議題，7 月 19 日，智元、覓蜂科技聯(lián)合主辦 2026 世界人工智能大會核心分論壇 " 智啟具身論壇 2026 ——迎接物理 AI 智能涌現(xiàn) "。本次論壇匯聚清華大學(xué)、佐治亞理工學(xué)院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、騰訊 Robotics X 等海內(nèi)外頂尖高校、機器人實驗室與頭部科技企業(yè)技術(shù)領(lǐng)軍者代表，共同拆解物理 AI 翻越 Scaling Law " 物理墻 "、實現(xiàn)通用物理智能涌現(xiàn)的可行路徑。

模型決定起點，數(shù)據(jù)定義終局

打造可泛化、可優(yōu)化、可進(jìn)化的通用具身智能系統(tǒng)

論壇開篇，智元合伙人、高級副總裁、具身業(yè)務(wù)部總裁，覓蜂科技董事長兼 CEO 姚卯青帶來主旨演講《模型與數(shù)據(jù)飛輪：沖破物理墻，驅(qū)動物理 AI 智能涌現(xiàn)》。

姚卯青認(rèn)為，理解物理 AI，首先要回到智能的兩條主線：表征與閉環(huán)。表征，是對世界的抽象壓縮；閉環(huán)，是智能體與環(huán)境之間持續(xù)發(fā)生的 " 感知、理解、決策、行動、反饋 " 循環(huán)。數(shù)字 AI 的成功，本質(zhì)上是知識表征在數(shù)字環(huán)境中的成功；而物理 AI 的難點在于，它必須同時打通經(jīng)驗表征與真實世界閉環(huán)。

在姚卯青看來，物理智能要實現(xiàn)規(guī)?；仨毻黄迫缐Γ阂皇菙?shù)據(jù)墻，真實交互數(shù)據(jù)極其稀缺且獲取成本高；二是表征墻，跨任務(wù)、跨場景、跨本體的統(tǒng)一物理表征尚未形成；三是閉環(huán)墻，真實試錯代價昂貴、反饋緩慢，難以規(guī)模化。他表示，物理 AI 從 " 能演示 " 走向 " 能干活 "，關(guān)鍵不在于單點模型能力，而在于能否形成可泛化、可優(yōu)化、可進(jìn)化的通用具身智能系統(tǒng)。

圍繞這一目標(biāo)，智元構(gòu)建了 " 預(yù)訓(xùn)練—后訓(xùn)練—持續(xù)學(xué)習(xí) " 的三階段訓(xùn)練架構(gòu)，沿著 VLA 與 WAM 兩條路線持續(xù)演進(jìn)，并推動二者走向統(tǒng)一的世界推理動作大模型（WRAM，World Reasoning Action Model），以此推出自研 GO-2 基座模型、Act2Goal 世界模型、GE-Sim 2.0 ，搭配 SOP、Genie Evolver 百臺級分布式真機強化學(xué)習(xí)體系，從算法、仿真、真機訓(xùn)練層面打通規(guī)?；]環(huán)。

在數(shù)據(jù)層面，姚卯青介紹覓蜂科技打造了全鏈路物理 AI 數(shù)據(jù)基礎(chǔ)設(shè)施，依托 MEgo 系列采集終端、MEgo Engine 治理平臺與真機數(shù)據(jù)集 AGIBOT WORLD，構(gòu)建分層數(shù)據(jù)供給金字塔與部署回流數(shù)據(jù)飛輪，從源頭解決行業(yè)數(shù)據(jù)稀缺難題。姚卯青強調(diào)，當(dāng)執(zhí)行、回流、挖掘、更新形成自動化閉環(huán)，模型能力才能在真實世界中持續(xù)迭代。

這一技術(shù)飛輪已經(jīng)在真實場景中獲得驗證。在江西南昌，傳統(tǒng) 3C 平板量產(chǎn)產(chǎn)線完成規(guī)?；涞仳炞C，產(chǎn)線作業(yè)成功率達(dá) 99.99%。" 模型決定起點，數(shù)據(jù)定義終局。當(dāng)飛輪轉(zhuǎn)動，智能涌現(xiàn)只是時間問題。" 姚卯青表示，智元、覓蜂希望與全球?qū)W術(shù)界、產(chǎn)業(yè)界和開發(fā)者社區(qū)共同推動物理 AI 在真實世界中加速演進(jìn)。

從統(tǒng)一表征到跨本體遷移：物理 AI 如何走向通用化

隨后，論壇進(jìn)一步圍繞物理 AI 如何突破表征、泛化與閉環(huán)難題展開討論。

清華大學(xué)計算機系副研究員蘇航圍繞《數(shù)據(jù)驅(qū)動的具身基座模型》指出，具身智能正在經(jīng)歷一次根本性的預(yù)訓(xùn)練范式演化：從面向單一機器人和特定任務(wù)的行為模仿，轉(zhuǎn)向面向開放世界的通用能力預(yù)訓(xùn)練。未來具身基座模型的目標(biāo)，不再只是學(xué)習(xí) " 看到什么、如何動作 "，而是形成對環(huán)境狀態(tài)、物理規(guī)律、動作后果和任務(wù)進(jìn)程的統(tǒng)一理解。

他認(rèn)為，這一范式將沿著三條主線加速演進(jìn)：數(shù)據(jù)從單一本體走向多源混合，模型從行為模仿走向世界建模，學(xué)習(xí)從離線訓(xùn)練走向真實部署中的持續(xù)進(jìn)化。機器人軌跡、遙操作數(shù)據(jù)、第一視角視頻和人類行為視頻將被納入統(tǒng)一的預(yù)訓(xùn)練體系，不同機械臂、人形機器人和應(yīng)用場景中的經(jīng)驗，也將從彼此割裂的數(shù)據(jù)，轉(zhuǎn)化為可遷移、可復(fù)用的通用能力。

蘇航強調(diào)，具身預(yù)訓(xùn)練的核心邏輯正在從 " 看得更多、模仿得更像 "，升級為 " 理解世界、預(yù)測后果、持續(xù)進(jìn)化 "。在這一趨勢下，未來行業(yè)競爭的重點也將從單項任務(wù)成功率和演示效果，轉(zhuǎn)向基座模型的通用性、遷移性和持續(xù)學(xué)習(xí)能力。只有完成從被動世界理解、統(tǒng)一世界建模到閉環(huán)自我改進(jìn)的范式躍遷，具身智能才可能真正從 " 預(yù)編程的任務(wù)執(zhí)行器 " 走向能夠適應(yīng)開放環(huán)境的通用智能體。

Physical Intelligence 研究科學(xué)家任至意則從規(guī)?；鎸嵤澜鐢?shù)據(jù)出發(fā)，展示了機器人策略模型如何在多任務(wù)、多場景訓(xùn)練中形成跨本體泛化能力。例如最新模型可將在 ARX 機械臂上學(xué)習(xí)到的衣物折疊能力，遷移至 UR5 雙臂機器人完成同類操作，大幅降低新本體部署適配成本。機器人可處理未見過的櫥柜、臥室整理、流體容器操作等長尾場景，驗證多元真實交互數(shù)據(jù)對通用智能的核心驅(qū)動價值。

任至意介紹，最新 π 0.7 模型實現(xiàn)突破性跨本體涌現(xiàn)遷移能力：僅在 ARX 機械臂訓(xùn)練折疊衣物數(shù)據(jù)，即可零適配在 UR5 雙臂機器人完成同款精細(xì)操作，無需針對新本體重新微調(diào)，大幅降低機器人部署適配成本。

行業(yè)面臨的下一個問題是：機器人如何從實驗室展示走向穩(wěn)定可靠的真實部署？

Genesis AI 聯(lián)合創(chuàng)始人王尊玄帶來《面向通用靈巧操作的人類數(shù)據(jù)與仿真擴展》，分享了 Genesis AI 面向機器人靈巧操作的全棧方法：以 1:1 人類手部數(shù)據(jù)策略為基礎(chǔ)，結(jié)合 Genesis World 仿真環(huán)境、多模態(tài)大模型 GENE 與部署數(shù)據(jù)飛輪，推動機器人在數(shù)據(jù)、仿真、模型和真實部署之間持續(xù)迭代。

王尊玄指出，通用靈巧操作的突破并不只是模型架構(gòu)問題，更依賴高質(zhì)量數(shù)據(jù)的規(guī)?；┙o。隨著預(yù)訓(xùn)練數(shù)據(jù)規(guī)模提升，模型在任務(wù)級微調(diào)后的效能和效率也有所提升。Genesis AI 通過接近人類尺度的機器人手與非侵入式手套數(shù)據(jù)采集方式，縮小人手與機器人手之間的數(shù)據(jù)鴻溝；同時，Genesis World 仿真環(huán)境不僅用于強化學(xué)習(xí)后訓(xùn)練，也用于模型評測，以加速模型迭代。

當(dāng)機器人真正進(jìn)入產(chǎn)業(yè)場景，如何在長時間、無人干預(yù)、高一致性要求下保持穩(wěn)定可靠？

Dyna Robotics 聯(lián)合創(chuàng)始人兼首席科學(xué)家馬也騁分享了 " 研究與部署飛輪 " 戰(zhàn)略，通過前沿研究、產(chǎn)品部署和真實世界數(shù)據(jù)反哺，形成技術(shù)迭代的自我強化循環(huán)。為支撐該飛輪，Dyna 構(gòu)建了 " 預(yù)訓(xùn)練數(shù)據(jù)金字塔 "，整合離線數(shù)據(jù)、在線機器人數(shù)據(jù)和高質(zhì)量部署數(shù)據(jù)，已積累超 20 萬小時預(yù)訓(xùn)練數(shù)據(jù)。模型架構(gòu)上，采用低頻 " 推理模型 " 與高頻 " 世界 - 行動模型 " 協(xié)同工作，兼顧高層認(rèn)知與底層執(zhí)行效率。

馬也騁介紹，Dyna Robotics 商用基座模型 DYNA-1 在餐巾折疊這一高難度任務(wù)中，成功率高達(dá) 99.4%，并能在 24 小時無人干預(yù)下自主折疊超過 850 個餐巾，實現(xiàn)了從 " 實驗室演示 " 到 " 工業(yè)級可靠性 " 的跨越。同時，該模型展現(xiàn)出卓越的數(shù)據(jù)效率，適應(yīng)新任務(wù)僅需不到 1 小時的后訓(xùn)練數(shù)據(jù)。

可以看到，幾位嘉賓的分享共同指向一個判斷：物理 AI 的通用化落地，不是單一模型能力的突破，而是數(shù)據(jù)、表征、仿真、后訓(xùn)練與真實場景反饋共同形成的系統(tǒng)性進(jìn)化。通用能力來自多源經(jīng)驗的規(guī)?；瘡?fù)用，可靠性則來自真實閉環(huán)中的持續(xù)迭代。

巔峰圓桌：大咖云集激辯 Scaling Law" 物理墻 "

主旨演講后，論壇迎來壓軸圓桌高峰對話。姚卯青、任至意、馬也騁、Sunday Robotics 聯(lián)合創(chuàng)始人兼 CEO 趙子豪、騰訊首席科學(xué)家 & 騰訊 Robotics X 實驗室主任張正友幾位重磅嘉賓同臺，議題鎖定《Scaling Law 的 " 物理墻 "：物理 AI 如何迎來通用智能涌現(xiàn)》。圓桌對話由智元 AI 算法總監(jiān)任廣輝主持。

過去幾年，數(shù)字大模型通過數(shù)據(jù)、模型和算力的持續(xù)擴展，實現(xiàn)了顯著的能力涌現(xiàn)。但到了物理世界，智能不只是理解和生成信息，還必須轉(zhuǎn)化為真實環(huán)境中的穩(wěn)定行動，面對復(fù)雜交互、不確定性和硬件約束。

圓桌首先討論了機器人的 "ChatGPT 時刻 " 究竟需要多大規(guī)模的數(shù)據(jù)。姚卯青認(rèn)為，如果將這一時刻定義為機器人能夠在物理世界中 " 開箱即用 "，完成日常任務(wù)，并跟隨開放式自然語言指令行動，那么具身數(shù)據(jù)規(guī)模仍與語言模型預(yù)訓(xùn)練語料存在萬倍以上差距。物理世界噪聲更大、信息冗余更高，要實現(xiàn)對通用物理規(guī)律、開放式指令理解與任務(wù)規(guī)劃能力的隱式掌握，需要億小時級別的數(shù)據(jù)，才能讓常見任務(wù)的基礎(chǔ)成功率達(dá)到 70% — 80%。

圍繞數(shù)據(jù)來源，嘉賓們形成了一個重要共識：物理 AI 的數(shù)據(jù)不可能只依賴單一來源，而將形成由互聯(lián)網(wǎng)數(shù)據(jù)、第一視角數(shù)據(jù)、UMI/Ego 數(shù)據(jù)、真機數(shù)據(jù)、仿真數(shù)據(jù)與部署回流數(shù)據(jù)共同組成的 " 數(shù)據(jù)配方 "。

趙子豪提出，短期看，低成本、低偏差的數(shù)據(jù)采集方式有助于提升預(yù)訓(xùn)練效率；長期看，真正決定系統(tǒng)持續(xù)進(jìn)化的，將是機器人在多樣化部署環(huán)境中形成的真實回流數(shù)據(jù)。馬也騁也指出，部署數(shù)據(jù)進(jìn)入下一輪預(yù)訓(xùn)練后，可以讓后續(xù)部署越來越高效，最終縮短新場景落地周期；但這一飛輪成立的前提，仍是底層具備海量、高多樣性的預(yù)訓(xùn)練數(shù)據(jù)。張正友補充道，具身智能的數(shù)據(jù)飛輪必須回到物理交互本身。無論成功還是失敗，機器人與真實世界交互產(chǎn)生的數(shù)據(jù)都應(yīng)被收集起來，尤其要從失敗數(shù)據(jù)中學(xué)習(xí)，以持續(xù)提升模型能力。

在模型路線方面，嘉賓圍繞 " 物理 AI 的終局是端到端 VLA、世界模型 /WAM，還是更復(fù)雜的 Agent 系統(tǒng) " 展開激辯。任至意認(rèn)為，VLA 與 WAM 并不沖突，未來更可能逐漸融合：模型既要理解上下文，也要具備對未來狀態(tài)的預(yù)測能力，通過對未來建模提升表征能力。馬也騁也認(rèn)為，不同架構(gòu)各有優(yōu)勢，語言指令理解、未來預(yù)測、魯棒執(zhí)行等能力并不互斥；在部分強調(diào)高成功率和少數(shù)據(jù)效率的任務(wù)中，WAM 可能比 VLA 更高效。張正友則提出，具身智能尚處于早期階段，還沒有像大語言模型 Transformer 那樣收斂的統(tǒng)一框架，未來更可能是認(rèn)知系統(tǒng)、感知行動系統(tǒng)和底層反應(yīng)系統(tǒng)之間分層協(xié)同、相互閉環(huán)。

討論還進(jìn)一步延伸到機器人本體設(shè)計。多位嘉賓認(rèn)為，本體并不是越復(fù)雜越好，關(guān)鍵在于能否匹配具體場景的任務(wù)需求、成本約束和部署節(jié)奏。對于是否必須自研本體，任至意表示，PI 當(dāng)前更關(guān)注通用策略模型能力的涌現(xiàn)，因此會優(yōu)先使用相對簡單、維護(hù)成本較低的機器人本體，搭建數(shù)據(jù)與模型研發(fā)基礎(chǔ)設(shè)施，加快模型迭代。姚卯青則認(rèn)為，面向商業(yè)化落地，機器人必須滿足客戶對可靠性、成本、成功率和一致性的要求；全棧路線的價值，正在于能夠打通本體、硬件、模型、控制和部署，在系統(tǒng)層面尋找最優(yōu)解。

圓桌尾聲，嘉賓們對機器人 "ChatGPT 時刻 " 的到來時間給出判斷。盡管具體時間預(yù)判從兩年到五年不等，但嘉賓們形成了共同判斷：物理 AI 的智能涌現(xiàn)不會來自單一模型、單一數(shù)據(jù)源或單一路線，而取決于數(shù)據(jù)規(guī)模、模型架構(gòu)、仿真評測、真機反饋、部署場景與硬件系統(tǒng)共同構(gòu)成的持續(xù)進(jìn)化飛輪。

從技術(shù)愿景走向路線圖

從數(shù)據(jù)飛輪、基座模型、虛實學(xué)習(xí)到商業(yè)規(guī)?；涞?，2026 智啟具身論壇完整串聯(lián)起物理 AI 從技術(shù)原理到產(chǎn)業(yè)落地的全鏈路思考。Scaling Law 的 " 物理墻 " 并非不可逾越——當(dāng)數(shù)據(jù)、表征與閉環(huán)系統(tǒng)實現(xiàn)共同規(guī)?；瘮U展，當(dāng)學(xué)界與產(chǎn)業(yè)界在統(tǒng)一表征、虛實融合、真機進(jìn)化等方向持續(xù)深耕，物理 AI 的涌現(xiàn)正在從愿景走向路線圖。

作為全球 AI 頂級盛會，WAIC 不僅是匯聚全球智慧的重要平臺，更是中國科技創(chuàng)新走向世界的盛大舞臺，而具身智能作為中國 " 新質(zhì)生產(chǎn)力 " 的代表，正是與全球并肩探索的智能邊疆。" 智啟具身論壇 " 匯聚中美產(chǎn)學(xué)研頂尖力量同臺論道，已成功連續(xù)舉辦兩屆，展現(xiàn)了以智元、覓蜂為代表的中國硬科技企業(yè)，正在全球尖端技術(shù)領(lǐng)域?qū)崿F(xiàn)從參與者向引領(lǐng)者的身份轉(zhuǎn)變。