上海，WAIC 2026。 核心官方分论坛之一，具身智能的「华山论剑」——智启具身论坛，今天正式开场了。 Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics 这些海外明星机构，和智元、清华大学、腾讯 Robotics X 等学术与产业力量同台亮相。一众具身智能领域的核心人物，悉数到场。 他们把各自的模型、数据和训练体系摆上了桌面。表面看，大家都在追逐同一个目标：「通用机器人」。可一旦把几份技术路线叠在一起对比，就能发现其中暗流涌动，刀光剑影。 谁都承认，具身智能正在逼近一个临界点。但对「最后一公里究竟该怎么走」，各家都有自己的一套绝活。 **具身智能的「最后一公里」，各有奇招** 先亮战绩，再亮主张。五家机构最硬的成果和一句话立场摆出来，你会发现，连「墙」到底在哪儿，大家的看法都没统一。 **智元机器人** 手握 GO-2（LIBERO 基准 98.7% 刷新 SOTA）、世界模型 GE-Sim 2.0（WorldArena 全球第一），龙旗南昌产线稳定运行了 3 个月，成功率高达 99.99%。智元机器人的姚卯青直言：模型决定起点，数据定义终局——靠的是全栈飞轮，硬冲数据、表征、闭环这三道墙。 **清华大学** 计算机副研究员苏航，聚焦的则是「可恢复性」——真正的智能不是不犯错，而是知道怎么改回来。他提出的 TUTOR 方法，把长程任务的自主成功率从 8.3% 拉到了 35%。 **Physical Intelligence** 最新的 π0.7，一个模型开箱就能通吃多任务，连没训练过的机械臂都能零样本迁移。Physical Intelligence 研究科学家任至意坚信：模型能力已经足够，缺的只是上下文——泛化能力会自己涌现出来。 **Genesis** 押注的是人手数据手套，从全世界的日常家务里「抠」经验，号称仿真快了 1000 倍。联合创始人王尊玄介绍了他们如何让物理 AI 以软件的速度进化。 **Dyna** 的 DYNA-1 把折餐巾做到了 99.4% 的成功率，24 小时折了 85 多张，直接开进了真餐厅。创始人兼首席科学家马也骋坦言：通用模型不够可靠，专用模型不够可扩展，他们选择先把「可靠」做到极致。 绝招亮完，战场却各画各的：智元盯着数据、表征、闭环三道墙，PI 说墙是上下文，Dyna 说是可靠性，清华说是机器人自救。华山论剑第一招，就是先否掉对方对战场的判断。 **物理 AI 三道墙前，背后三场争论** 不过，这次论坛上有一个隐秘的共识：下一阶段不再拼 Demo 花哨了，而是拼谁能把「经验」规模化。 这要从大语言模型成功带来的一个错觉说起：只要把模型做大、数据喂多、算力堆高，机器人迟早也会出现自己的「ChatGPT 时刻」。可物理世界不吃这一套。物理智能的 Scaling 面临三道墙：数据墙、表征墙和闭环墙。 姚卯青一句话点破了差异：数字智能是「知识系统」，物理智能是「经验系统」。前者靠语言表征就能大规模积累，后者还在满世界找「经验的通用表征」。这个经验系统至少要管五件事：空间感知、物理交互、精细操作、失败恢复、工具使用。 判断标准叫「经验密度」——只录画面和关节角度，那是「一小时录像」；同时记下任务目标、物体状态、动作质量、错在哪、结果如何，这才叫「一小时经验」。数据规模回答的是「见过多少」，经验密度回答的是「学到多少」，两者之间差着一整条产业鸿沟。 背后是三场争论：经验从哪来、怎么算好、能不能省钱。 **第一场：有人所有数据全都要，有人偏要少** 真机遥操作数据最对口，可太贵了：一个人盯一台机器，采集效率还不如自己上手，想堆出互联网规模，账单会比机器人先觉醒。 **智元全都要。** 姚卯青甩出一个数字：物理 AI 的数据量只有大模型的两万分之一。为了填这条沟，智元和觅蜂科技打造了具身智能数据「平台型供给」基础设施，开源了行业首个百万真机数据集 AGIBOT WORLD，目前累计下载了 120 万余次。 Dyna 则把 200k+ 小时的数据堆成了金字塔： 在之后的讨论中，马也骋分享了 Dyna 的实践经验：「部署数据放到下一次预训练中，接下来的部署时间就会越来越短，最终达成零成本在新环境完成同样任务。」 在圆桌论坛环节，Sunday Robotics CEO 赵子豪则从另一个维度切入：「短期内，无本体数据是最高杠杆的选择，因为成本极低、没有环境差距。但长期来看，当机器人真正部署到多样化环境中，部署数据将成为终极数据源。」 Genesis 走的是「轻巧采集」路线：用接近人手的机器手配数据手套，让人正常洗碗拧瓶盖，顺手把动作留下来。全世界每天都在干家务，只要抠出一小块，机器人就有了接近人类活动规模的数据入口。 Dyna 则反其道而行，它不比数据多，而是比用得省——20 万小时打底，却主打「1 小时以内的后训练就能迁到全新任务」。别人拼弹药，它拼枪法。 清华的苏航则泼了一盆冷水：人手不是夹爪。人有全局视野、触觉、常识，机器人常常只能从腕部相机看到巴掌大一块。多塞人类动作，不等于机器人学会了人类技能。数据多，不等于数据能用。 **第二场：粗数据便宜但难学，精数据好用难量产** 常规方法是「留成功、删失败」，就像只给孩子看标准字帖。 PI 偏押最脏的场景：让机器人当咖啡师，做浓缩咖啡还要 90% 以上可靠——端着带液体的杯子、拿捏出杯时机、精细力控，一步都不能崩。它把成功和翻车一起录：手柄掉了、牛奶洒了、插不进、出液早，再逐段贴标签。不加说明就是噪声，标清坏在哪就成了错题集。从 π0 一路到 π0.7，PI 要让一个模型看懂同一堆数据里的不同意图和质量。它甚至给机器人写系统提示词：你是追求最高质量与效率的机器人，不要犯错——像 prompt 大模型那样操控物理策略。 Dyna 嫌贴标签不够。它训了套奖励模型，让机器人自评「这下做得好不好」，再靠持续学习吃进翻车经验，硬磨出极端情况下的纠错力。 两难就此浮现：粗数据便宜但难学，精数据好用难量产。平衡点极难拿捏。 **第三场：让机器人在梦里摔一万次** 真机太贵，能不能让机器人「在梦里练」？摔一万次不砸真杯子，复制几千个厨房不租真房子。Genesis 管这叫「以软件的速度进化」，号称快了 1000 倍。 智元补世界模型补得更狠。GE-Sim 2.0 不只「生成合理的未来视频」，还塞进了本体状态预测（State Expert）和任务结果判断（World Judge），25 帧推演一张 H100 上只用 2.3 秒，拿下了 WorldArena 全球第一。 世界模型从「视频导演」升级成了能给状态、能打分的训练场。 争议也最大。仿真里一个极小偏差，会在强化学习里被放大；机器人还可能学会钻漏洞，在虚拟世界当「规则大师」，一落地就被一块湿毛巾教做人。 Dyna 和 PI 更相信真机数据：Dyna 把机器人搬进真餐厅，PI 靠真实数据飞轮和自主运行中的人工接管打磨。 仿真放大试错，真机校准真实，谁多分预算，没人服谁。 **机器人的「ChatGPT 时刻」还有多远？六位专家圆桌激辩** 主题演讲是各摆各的战绩，到了圆桌，六位专家则给出了火药味十足的激辩。主持人抛出的几乎每个问题都很尖锐。 分歧从哪来？先看清每个人代表了不同的背景，坐上桌的包括： - **姚卯青（智元机器人）**：全栈玩家，数据全要，可靠性是命； - **任至意（Physical Intelligence）**：纯大脑派，不碰场景，只赌真机数据飞轮； - **马也骋（Dyna Robotics）**：真实落地派，信部署数据和后训练； - **张正友（腾讯 Robotics X）**：大厂实验室，分层架构，警告创业公司别被大模型吞了； - **赵子豪（Sunday Robotics）**：家庭派，三指夹爪独特方案，先敲门再说。 每个人对技术路线的判断，几乎都是自己商业站位的投影。 **1 亿小时：一个「ChatGPT 时刻」的门槛** 「语言模型头部团队已经到了 100 万亿 Tokens，对应约 100 亿小时的语料。而具身数据还差 1 万倍以上。」智元合伙人、觅蜂科技董事长姚卯青给出了一个具体的数字。 在他看来，要达到物理世界的「ChatGPT 时刻」——即机器人能够在真实世界中开箱即用，完成日常任务并理解开放式指令——至少需要 1 亿小时级别的真实交互数据。 这个数字并非空想。姚卯青认为，物理世界比语言世界复杂得多，噪声更大，信息冗余也更高。当模型掌握了对物理世界通用运行规律的映射理解，从开放式指令理解到规划，再到常见任务的 70%-80% 成功率，那一刻就是物理 AI 的临界点。 **VLA 已死？技术路线的共识与分歧** 「VLA 已死」的说法在网络上流传甚广。Physical Intelligence 研究科学家任至意的回应干脆利落：「目前为止，我还没有看到有哪一家做出了比 π0.7 更令人印象深刻的 demo。所以，VLA 可能还没死。」 他坚持认为，VLA 与世界模型并不冲突。「未来我们真正要做的，是训练一个能原生理解上下文、能预测未来的模型。VLA 在做，世界模型也在做，这完全不冲突。」 Dyna Robotics 联合创始人马也骋，则提供了另一个视角——他们确实从 VLA 切换到了世界动作模型。「在某些任务和场景中，我们发现用 WAM 比 VLA 更高效，尤其是在我们特别关注模型的鲁棒性和数据效率的情况下。」 腾讯 Robotics X 实验室主任张正友给出了更宏观的判断：「整个行业还在起步阶段，远未收敛。不像大语言模型，基本范式已经确定。」 **通用大脑，还是软硬件全栈？全都要** 机器人公司的另一项战略选择，是只做通用模型，还是同时研发模型、本体和部署系统。 Physical Intelligence 更倾向于先使用简单、稳定、维护成本较低的机器人本体，快速建立数据与模型研发基础设施。任至意认为，他们更多在做一个 research，推动机器人基础模型能力持续涌现。但他也提到：「长期来说，我们肯定会考虑去造更加可靠的硬件，但是可能这是一个时间的问题。」 智元则选择了更重的全栈路线，足式、双足或者轮式或者灵巧手都做。姚卯青解释了背后原因：智元既做长期研究，也在积极尝试商业化，而「商业化部署必须面对可靠性、成本、成功率和一致性等严格指标」。只有深入参与硬件设计、生产和测试，才能理解哪些问题来自模型，哪些问题实际上受到硬件和通信系统的限制。 张正友认为，两条路线都可能成立。在手机行业，苹果依靠软硬件一体化建立生态，Android 则通过操作系统适配大量硬件；在 PC 时代，Mac 和 Windows 也长期共存。机器人行业未来同样可能同时存在全栈公司和通用「大脑」平台。关键不在于路线本身，而在于公司是否拥有与路线相匹配的资源和能力。 **大厂 vs 创业公司：谁会赢？** 「大厂的问题大家都很清楚。」张正友笑着说，「大模型时代，谷歌发明了几乎所有技术，但 OpenAI 出来了。」 他给创业公司的建议是：不要做容易被大模型「吞噬」的增量式创新。「如果创业公司做的事情很容易被纳入大厂的基座模型，前景就不会太好。应该聚焦在数据、场景这些需要深入耕耘的领域。」 马也骋补充了一个技术视角：「机器人策略必须在本地运行，对延迟极其敏感。不像语言模型可以云端调用 API。所以即使没有开源模型，机器人公司也必须自研，这是不可避免的。」 腾讯的选择是明确的——只做大脑，不做本体。「我们在硬件上还没成功过，有自知之明。」张正友坦言。 **ChatGPT 时刻：2 年到 5 年的共识** 当被问及物理 AI 的「ChatGPT 时刻」何时到来时，嘉宾给出了一个惊人的共识区间：不到 5 年。 姚卯青给出了最乐观的 2 年；赵子豪说「少于 3 年」；张正友认为 3-5 年；马也骋和任至意都选择了 4 年；徐丹飞则给出 5 年。平均来看，顶尖专家们认为物理 AI 的「ChatGPT 时刻」大约在 3-4 年后到来。 「但要踏踏实实去做，这 3 到 5 年才有希望。」张正友补充道。 **物理 AI，已经临近** 圆桌结束了，但争论远未停止。VLA 与世界模型谁是下一个目标？真机数据还是人类数据更有价值？全栈还是只做大脑？ 这些问题没有标准答案，但有一点是确定的：物理 AI 正在以远超预期的速度向我们走来。当数据飞轮真正转动起来，当模型开始从与真实世界的每一次交互中学习，那道「Scaling Law 的物理墙」，终将被推倒。 而那一天，或许就在 2029 年之前。