☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在WAIC 2026智启具身论坛上，业界聚焦的核心，是一套能在现实物理空间中不断学习、自主优化的智能系统。
聆听多场分享后，一个清晰的认知浮现：尽管“人形机器人”仍是聚光灯下的焦点概念，但演讲者反复提及的关键词，已悄然从自由度、关节数量与动作炫技，转向数据构建、模型架构、仿真环境、实际部署、失败归因与持续进化。
这标志着具身智能正迈入全新发展阶段。
过去两年，行业的首要任务是验证机器人“能不能做”；如今，核心问题升级为——它能否连续执行数百次乃至数千次？换一个场地是否依然可靠？出错后能否自主恢复？交付落地之后，能力是否还能持续增强？
换言之，具身智能的竞争逻辑，正由单一机器人硬件比拼，转向底层训练体系与数据基建能力的全面较量。
01、物理AI的Scaling Law，困于交互经验的获取
大语言模型的规模扩展路径较为明确：数据越多、模型越大、算力越强，通常意味着更强的能力。
但物理世界并非可随意抓取的公开网络。
智元合伙人、觅蜂科技董事长兼CEO姚卯青在主题演讲中，将物理AI当前面临的瓶颈归纳为“三堵墙”：数据墙、表征墙与闭环墙。
数据墙，指高质量真实交互数据成本高昂且极度稀缺；表征墙，体现为跨任务、跨场景、跨机器人本体之间，尚未形成通用、统一的物理世界表达范式；闭环墙，则源于现实环境中试错周期长、代价高——一次失误可能导致设备损坏、人员受伤或整条产线停工。
这一判断尤为关键。
语言模型出错，往往仅表现为一段错误输出；而机器人失误，却可能打翻器皿、误伤他人，甚至引发工业事故。因此，物理AI真正需要规模化建设的，并非单纯的数据体量，而是具备可执行性、可评估性、可反馈性的闭环交互能力。
这也解释了为何简单地将大模型接入机器人，并不等于实现了具身智能。大模型擅长回答“这是什么”“该做什么”，但机器人还需解决“如何执行”“力度如何控制”“失败后如何补救”，以及“动作完成后，环境发生了哪些变化”。
从数字世界的AI迈向物理世界的AI，本质是让经验实现规模化沉淀与复用。
02、数据竞争正从“拼数量”转向“拼配方”
本次论坛最显著的趋势之一，是几乎所有技术团队均已摒弃依赖单一数据源的思路。
当前主流的数据组织方式，逐渐演化为一座“三层金字塔”。
塔基是海量互联网视频与人类行为影像，成本低、覆盖面广，有助于模型理解物体属性、空间关系及人类意图；中层为第一视角（如UMI）等“无本体采集数据”，即通过手持或穿戴设备记录人体动作轨迹，规避真机采集的高成本难题；顶层则是遥操作真机数据、实地部署反馈数据，以及机器人失败后的归因回流数据——数量最少，却最具执行参考价值。
姚卯青在圆桌讨论中估算：若将机器人的“ChatGPT时刻”定义为开箱即用、可响应开放式自然语言指令，并在常见任务中达成70%–80%的基础成功率，则所需具身交互数据量级或将达亿小时级别。这一预估，恰恰说明纯靠真机采集难以满足需求。
清华大学计算机系副研究员苏航将具身预训练的发展脉络提炼为三条主线：数据来源由单一本体走向多源融合，模型目标从行为模仿进阶至世界建模，学习方式则从离线训练延伸至部署过程中的在线演进。
这意味着，未来的模型不再满足于“看到画面就执行动作”，还需具备任务进度感知、动作后果预测能力，并能将不同机械臂、人形平台与应用场景中的经验抽象为可迁移的通用能力。
数据基础设施由此跃升为具身智能产业链中不可替代的关键一环。觅蜂科技现场展示了MEgo系列采集终端、MEgo Engine数据治理平台及AGIBOT WORLD真机数据集，力图打通采集—清洗—标注—评测—部署回流的全链路闭环。其商业逻辑也可能从“售卖数据包”，转向为客户定制专属“数据配方”，并以实测效果验证数据增益。
对具身智能而言，低质数据的大规模堆砌，反而可能加剧系统偏差。一个动作标签错误、一段未同步的传感器信号，一旦进入训练流程，便会直接转化为执行层面的误差。数据量固然重要，但数据是否支持跨本体复用、能否回归真机完成闭环验证，更具决定性意义。
03、VLA与世界模型，正从分道扬镳走向协同共生
此前，具身智能领域存在一条明显的技术路线分歧：机器人应采用视觉—语言—动作端到端模型（VLA），直接映射指令与动作；还是先构建世界模型，预测每个动作对环境的影响，再据此决策？
本届论坛释放的信号表明，二者正在加速融合。
智元发布的GO-2系统强调“动作思维链”，引导机器人先进行宏观任务规划，再落实高频精细操作；Act2Goal则借助中间视觉状态预测，践行“先想后做”的策略。智元将这种融合方向命名为WRAM（World Reasoning Action Model），即世界推理动作模型。
ChatGPT Atlas（macOS）可在浏览网页时提供即时回复、内容总结与任务辅助。它支持智能建议、信息整理及多场景交互，同时配备可控隐私设置，让用户在使用过程中更加安全安心。针对 macOS 平台优化后，带来流畅自然的浏览体验，适用于办公、学习、创作及日常信息查询等多种场景。
Physical Intelligence资深科学家任至意所展示的π0.7模型，提供了另一有力佐证：该模型在ARX机械臂上学会衣物折叠后，可无缝迁移至UR5双臂机器人完成同类任务，无需针对新本体重新微调。
跨本体迁移能力，是具身智能能否诞生平台型企业的分水岭。
倘若每次更换机械臂、夹爪或整机结构，都需重采数据、重训模型，行业仍将陷于传统自动化项目模式。唯有当模型能把异构本体的经验映射至统一的动作语义空间，软件与数据才有望释放真正的规模效应。
清华大学苏航提出的演进路径同样指向统一表征：数据源由单点走向混合，模型目标由模仿走向建模，训练机制由静态离线转向动态部署。
最终成型的物理AI系统，或将呈现多时间尺度协同架构：高层负责语义理解与任务分解，中层专注状态推演与策略生成，底层专司实时控制与应急响应。
这更贴近人类大脑、小脑与神经反射系统的分工协作模式，而非让单一模型以同一频率处理所有层级的问题。
04、真正的拐点，在于从“视频能看”迈向“机器能用”
具身智能行业曾涌现大量惊艳演示，但演示效果与实际可用之间，横亘着一道深邃鸿沟。
机器人成功叠好一件衣服，足以制作一支刷屏短视频；而工厂真正关注的，却是它能否连续运行、成功率是否稳定、异常能否自愈、运维成本是否低于人力替代收益。
本次论坛披露的部分数据，开始具备产业落地参考价值。
据智元现场公布，其机器人已在江西南昌某3C产线连续运行六天，每日作业超10小时，累计完成近6.5万次操作，任务成功率高达99.99%。
Dyna Robotics透露，其商用基座模型DYNA-1在餐巾折叠任务中成功率稳定在99.4%，并在24小时无人干预下完成超850次折叠；面对新任务，仅需不到1小时的后训练数据即可适配。
这些指标仍需置于更长周期、更多样化场景及综合成本框架下持续验证，但评价维度的转变已然清晰：行业正以连续运行时长、任务成功率、适配所需数据量、人工介入频次等硬指标，取代过往的单次演示表现。
更深层来看，商业化部署与通用智能发展并非对立关系。
过去常担忧深耕具体场景会拖慢通用模型研发节奏。但Dyna Robotics等团队提出的“研究—部署飞轮”机制表明：真实场景部署不仅能暴露实验室无法模拟的边缘问题，更能产出最具价值的长尾数据。部署不再是模型训练的终点，反而可能成为新一轮迭代的起点。
谁率先将机器人推向真实场景，谁便更快获取一手数据；谁能更高效地消化这些数据，谁就能进一步压低后续部署门槛。这或许将成为具身智能时代最核心的增长飞轮。
05、“ChatGPT时刻”不会在同一日降临
圆桌尾声，嘉宾们对“具身智能爆发点”的预判各不相同：姚卯青预计两年内实现，Sunday Robotics赵子豪认为三年内可达，马也骋给出四年窗口，任至意倾向四至五年，张正友则保守估计为三到五年。
机器人很难复刻ChatGPT那种“一夜爆红、全球覆盖”的路径。众人所称的“ChatGPT时刻”，其实未必指向同一目标。
ChatGPT作为纯软件产品，只要服务器就绪，理论上可瞬间触达全球用户；而机器人受限于制造产能、硬件成本、供应链韧性、安全认证及现场运维体系，绝不可能借由一个网页完成全球化分发。
物理AI的成熟更可能是分层渐进式涌现。
不妨设想：最先落地的，将是工厂、仓储、后厨等结构化程度高、任务价值清晰的场景；继而拓展至商超、酒店、养老机构等半开放环境；最后攻克的，大概率是变量最多、容错阈值最低的家庭场景。
因此，真正值得追踪的，是哪家企业能同步构建起模型能力、数据基建、仿真评测、本体研发与真实部署网络。
在这场长跑中，中国企业的优势在于制造业场景密集、供应链完备、工程化落地效率突出；下一阶段的关键命题，则是这些丰富场景能否反哺出跨本体、跨行业的通用模型能力。
当越来越多机器人在真实世界中持续运转，并将每日经历的成功、失败与意外，自动转化为新一轮训练素材时，物理AI的智能涌现已然发生——只是速度各异，地点不同。
本文来自微信公众号“吴怼怼”，36氪经授权发布。
