“模型决定起点，数据定义终局。只有飞轮真正转动起来，智能涌现才会出现。”
7月19日在上海世博中心金厅，智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青站在智启具身论坛这样说。
参加这场论坛的有“海外具身五小龙”：Physical Intelligence研究科学家任至意、Dyna Robotics联合创始人马也骋、Sunday Robotics联合创始人赵子豪、Genesis AI联合创始人王尊玄、佐治亚理工学院助理教授徐丹飞。
五位代表人物，均属于全球具身智能领域正在快速崛起的新一代科研和创业力量。同台分享观点的，还有腾讯首席科学家张正友、清华大学副研究员苏航。
这群被姚卯青戏称为“大型追星现场”的嘉宾，正共同见证一个行业的临界点。当大语言模型已经在数字世界完成“知识规模化”的跨越，人工智能的下一幕，必须发生在真实世界——那个充满摩擦力、重力、不确定性和昂贵试错成本的物理世界。
三道“墙”物理AI的成人礼
论坛现场，姚卯青用“三道墙”概括了物理AI从“能演示”走向“能干活”的核心障碍。
第一道是数据墙。真实交互数据极其稀缺，获取成本极高。“你不能像爬取网页一样简单地‘爬取’这个世界的真实交互经验。”姚卯青说。如果将机器人“ChatGPT时刻”定义为能够“开箱即用”、理解开放式自然语言指令并完成日常任务，他认为行业需要积累一亿小时级别的具身数据——而目前，物理AI的数据规模与头部大语言模型相比，差距在一万倍以上。
第二道是表征墙。目前缺少跨任务、跨场景、跨本体的统一物理表征。“每个机器人、每项任务还是在各自领域里面‘各自为战’，无法进行充分共享。”
第三道是闭环墙。在真实世界里，一次失败的代价可能是某个零部件的失效，甚至是一台完整机器人的损失。“反馈相对比较缓慢，而且规模化很难。”
这三道墙，构成了物理AI的“成人礼”。
姚卯青认为，要冲破它们，必须构建一个可泛化、可优化、可进化的通用具身智能系统——底层是多机器人集群部署，上层融合数字世界的知识与物理世界的经验，再经历预训练、后训练、持续学习三阶段，最终在真实世界、世界模型神经网络、物理仿真构成的“三位一体”闭环环境中不断迭代。
数据配方谁才是“燃料之王”
数据，是这场博弈的核心燃料，但关于“什么数据最有价值”，论坛现场的嘉宾们展现了惊人的共识与分歧。
姚卯青勾勒了一座数据金字塔：最底层是海量的互联网视频数据；中间层是Ego-centric和UMI类的无本体采集数据，包含体感细节、运动轨迹和闭环反馈；最上层是真机数据，“最高价值也最难获取”，包括高精度轨迹、操作和部署态回流数据。
“如果只是通过示教进行模仿学习，成功率不管怎样都不会到非常高，”姚卯青在媒体采访中直言，“在真实过程中一定会出现跟示教阶段有偏差的情况，所以一定会经过强化学习的后训练再去夯实。”
Physical Intelligence的任至意则展示了另一种路径。这家硅谷备受瞩目的机器人AI初创公司，坚持在真机上积累数据，并强调数据的多样性（diversity）比单纯的数据量更重要。
“我们宗旨希望把diversity（多样性）去Scaling up（规模化），不仅只是数据量的问题。”他介绍，π0.7模型通过引入Episode metadata——包括数据质量打分、错误标注等——让模型理解“这个数据对应的质量”，从而在测试时通过更丰富的Prompt（提示词）“引导”模型行为。
一个令人惊讶的结果是：π0.7可以将在ARX机械臂上学习到的衣物折叠能力，零适配迁移到UR5双臂机器人上完成同类操作。
“我觉得VLA跟WAM完全不冲突，”任至意在圆桌讨论中回应“VLA已死”的论调，“未来肯定会逐渐收敛的趋势。”
Dyna Robotics联合创始人马也骋则提出了“数据金字塔”的另一层逻辑：最高质量的数据来自部署飞轮。“你把部署的Data（数据）放到下一次预训练的时候，可以让接下来的部署更Efficient（有效率）。”
他举例，Dyna的商用基座模型DYNA-1在餐巾折叠任务中成功率高达99.4%，能在24小时无人干预下自主折叠超过850个餐巾。支撑这一“工业级可靠性”的，正是基于World Model的奖励函数预测——模型能精准判断“机器人完成了百分之多少的任务”，从而在错误环节针对性采集恢复数据。
“模型能达到鲁棒性的时候，真正就会产生商业价值，”马也骋说，“不需要人去监督它就可以自主把一些很难的任务都完成。”
“具身智能其实需要也值得拥有自己领域的大模型。”清华大学苏航教授指出，像打螺丝、炒菜、拉拉链这些人类非常简单的任务，“我们是很难用语言和图像描绘出来的”，因此具身预训练的核心逻辑正在从“看得更多、模仿得更像”，升级为“理解世界、预测后果、持续进化”。
模型路线之争VLAWAM，还是WRAM
模型架构的路线分歧，是论坛最激烈的交锋点。
智元选择了VLA（视觉-语言-动作）与 WAM（世界动作模型）双线并行，最终走向融合。姚卯青介绍，GO-2基座模型引入了 ACoT（动作思维链），让机器人在“动作空间”中先进行粗粒度规划，再结合高频精细执行，实现“先想后做”。而最新的Act2Goal世界模型则解决了“从目标直接出动作”的肌肉记忆问题，先生成中间视觉规划，再输出确定性动作，特点是“近细远粗”。
“VLA非常擅长语义理解和任务Grounding，告诉我们‘这是什么，环境是什么，我要做什么’；WAM擅长对物理、动力学、未来状态的精准推演，告诉我们‘如果我这么做了，世界会变成怎么样’。”姚卯青总结，两条路线的终局是WRAM（World Reasoning Action Model，世界推理动作模型）——“先理解任务，再去推演未来，进一步评估选择，最后落实到实施行动。这不再是简单的感知到动作的肌肉映射，而是具备物理世界推演能力的终极智能体。”
Dyna Robotics经历了从VLA到WAM 的切换。马也骋透露，内部的严谨研究表明，在强调低数据量、高成功率与鲁棒性的场景中，“WAM其实比VLA Recession很多”。但他也强调：“本质上，我们想让模型有的这些能力都是不冲突的。”
腾讯首席科学家张正友提出了更宏观的三层架构视角：最上层是认知系统，中间是感知行动子系统，最下面是自体反应。“三个模型不断在转，互相之间又是有关系的，信息在传递。”他认为，具身智能尚处早期，还没有像Transformer那样收敛到统一框架，“未来更可能是认知系统、感知行动系统和底层反应系统之间分层协同、相互闭环”。
Genesis AI联合创始人王尊玄则从“系统性问题”的角度切入。这位MIT CSAIL博士学者认为，机器人是一个端到端的Pipeline问题，“从数据收集、硬件、middleware、control stack到数据采集系统到模型训练、数据的管线处理到Evaluation，最后有一个数据飞轮”。
Genesis AI的解法是以1：1人类手部数据策略为基础，结合自研的 Genesis World仿真环境，推动机器人在数据、仿真、模型和真实部署之间持续迭代。“我们发展目标需要有一个机械手，手套跟人手，基本上是一对一对应。”王尊玄说。
本体之辩全栈还是大脑？
硬件路线的分歧，折射出行业对“终局”的不同想象。
Sunday Robotics选择了三指夹爪，“本体是一个变化的过程，是成本和能力之间的平衡结果。”联合创始人赵子豪说，“我们真正要关注的是智能层级到什么地方了，以及三指是不是够用。”
Physical Intelligence则坚持“只做通用大脑”。任至意坦言，没有自研硬件确实会在某些具体任务上受限，但“我们还是想把这个基座模型能力给涌现出来”。
智元走了最重的全栈路线——双足、轮式、灵巧手全覆盖。姚卯青的解释带有强烈的工程现实主义：“商业化落地必须面对一线用户最严格的标准：可靠性、成本、成功率、一致性。”更重要的是，只有深入硬件底层，才能理解“端层最先进的芯片也只能跑5B、10B模型，跑10赫兹”的硬约束，从而催生出“端云结合的Agentic大模型”架构。
腾讯这明确“只做大脑，不做本体”。张正友笑言“腾讯做硬件基本上没成功过，所以也有自知之明”，但实验室从 2018 年成立以来从未放弃做硬件——“做硬件帮助我们去思考”，比如展台上那台让人“反应很好”的按摩机器人。
场景落地从实验室到工厂产线
论坛最富画面感的时刻，是嘉宾们讲述真实部署的故事。
姚卯青展示了智元在江西南昌3C产线的“产业纪实”：为期六天、每天超过10小时的直播，机器人全工段工作，完成接近65000件操作，全程 99.99%成功率。这批机器人自2026年3月上线至今，已能接受“24小时7天的魔鬼训练”。支撑它的，是真机强化学习、仿真训练、多模态感知、精密力控以及云边端协同的在线进化机制。
姚卯青接受采访时告诉记者，机器人进入产线的过程和表现，可以说是过去一年具身发展中，最让人兴奋的部分，“有些方面，甚至超出我们的预期，给了我们惊喜”。
马也骋的餐巾折叠案例，可谓展现了另一种可靠性美学。在餐厅、洗衣房、宾馆等不同环境中，Dyna的机器人“第一次放进去就可以开始开工”。一个细节令人印象深刻：当机器人不小心把整个餐巾Stack都拿过来时，模型能意识到错误，并用“很多不同的Strategy（策略）把不同的餐巾纸分开，一张一张地去叠”——“有些情况我们根本就没有数据，这个机器人可以继续续航。”
任至意强调π0.7的“coaching”能力：人可以告诉机器人“用右手把空气炸锅打开，左手把红薯拿起来”，机器人根据语言指令自主完成任务，无需遥操作。“我们可以把人的指令数据收集起来，去训一个High-level Policy。”
在任至意看来，这意味着，未来的机器人训练可能不再需要专业的遥操员，普通人用语言即可“教会”机器人新任务。
具身智能的ChatGPT时刻还有多远
机器人“ChatGPT时刻”还有多远？现场嘉宾给出了各自的时间表。
姚卯青认为是两年，核心驱动力是数据的快速积累。赵子豪的答案是不到三年。
“加入π之前我觉得得十年，现在可能四五年吧。”任至意说。
腾讯首席科学家张正友预计是三到五年，“但是要踏踏实实去做”。
尽管具体时间预判从两年到五年不等，但共识清晰而坚定：物理AI 的智能涌现不会来自单一模型、单一数据源或单一路线，而取决于数据规模、模型架构、仿真评测、真机反馈、部署场景与硬件系统共同构成的持续进化飞轮。
当数据飞轮开始转动，当模型在真实世界的试错中进化，当产学研的边界在开放合作中消融——智能涌现，只是时间问题。
正如姚卯青所说的：“我们相信物理 AI 智能涌现不是会不会来的问题，它是一定会到来的。”
备注：本文首发新闻晨报官网
热门跟贴