想象这样一个场景：你对机器人说“帮我把洗衣机里的衣服拿出来晾晒”，它看了看洗衣机的门，规划手臂的开门轨迹，缓缓打开舱门，发现衣物缠在一起，它停顿思考一下，重新调整策略，将缠绕的衣物一件件抽出，整理好挂在晾衣杆上。
这个场景之所以令人振奋，不在于机器人“完成了任务”，而在于它“进行了思考”。它是在感知环境、预判结果、动态优化行动路径。这正是世界模型所追求的核心目标：让机器具备类人的心智模拟能力——在真实动作发生前，先于脑中构建物理世界的运行推演，“我这么做，是否契合现实世界的力学逻辑与因果链条？”
2026年被广泛定义为具身智能规模化落地元年。在本届世界人工智能大会上，具身智能企业不再热衷于展示机器人流畅的舞蹈或炫技式抓取，而是直接将真实产线搬进展台，呈现端到端的工业级闭环能力。
机器人如何从感知环境出发，精准解析用户意图，生成可执行的动作序列，并在真实交互中持续迭代进化？世界模型与物理AI的“ChatGPT时刻”究竟还有多远？尽管各方都在加速推进场景化落地，但对于“通往通用具身智能的最后一公里该如何跨越”，业内仍存在多元路径与深刻分歧。
数据困局：三重壁垒下的突围路径
世界模型的本质是什么？“一种能内化物理世界运行法则的AI系统”，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姚卯青如此定义。其核心能力在于——对未来状态进行可信预测。他指出，成熟的世界模型需融合三大支柱能力：多模态协同感知，实现对环境变化的高保真理解；物理规律建模，涵盖刚体/柔性体动力学、时空连续性与约束关系；因果驱动推理，支持长程任务链中稳定、鲁棒的逻辑延展。从“看见了什么”，跃迁至“接下来会发生什么”，再进一步推演“若我介入，系统将如何响应”，构成一条完整且可验证的智能跃迁链路。
然而，支撑这一智能跃迁所需的训练数据，与现实世界所能供给的数据之间，横亘着难以忽视的鸿沟。
☞☞☞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“智启具身论坛2026：迎接物理AI智能涌现”分论坛上，姚卯青坦言：语言大模型头部团队已动用高达100万亿Tokens的语料规模，相当于约100亿小时的人类语音时长；而具身智能所需的物理世界数据，其信息密度远低于文本，当前积累量尚不足所需量的万分之一。这构成了物理智能迈向规模化应用必须逾越的第一道“数据高墙”。
此外，姚卯青强调，理解物理AI需回归智能演化的两条主轴：表征学习与闭环进化。但跨任务、跨场景、跨硬件平台的统一物理表征体系尚未建立，“表征墙”仍未打通；而真实世界中的试错成本高昂、反馈周期漫长，难以支撑大规模强化学习，“闭环墙”亦成瓶颈。
围绕数据获取路径，不同企业正尝试差异化破局方案。
Sunday Robotics联合创始人兼CEO赵子豪提出UMI（通用操作接口）数据采集范式——一种低成本、无本体依赖的操作行为记录方式。在他看来，这是短期内快速提升泛化能力的最优解。而Physical Intelligence研究科学家任至意则坚持真机数据不可替代：“唯有来自真实机器人本体的交互数据，才能完整复现任务执行中的力觉反馈、运动耦合与环境扰动。”
Dyna Robotics联合创始人马也骋则提供第三种视角。“将部署阶段产生的真实回流数据反哺至下一轮预训练，可显著提升后续部署效率，但前提是——预训练阶段所用的海量、高多样性数据必须足够扎实。”他提出“数据金字塔”架构：底层为互联网公开视频与合成数据，中层为第一人称视角操作数据，顶层则由真机采集数据与部署回流数据构成，各层承担不同功能定位。
这场关于数据源的思辨背后，指向一个共识：单一数据渠道无法满足物理AI对广度、深度与真实性的复合需求。
模型之争：VLA退潮，WAM崛起？抑或共融共生？
尽管大语言模型能力持续跃升，不少具身智能从业者意识到，纯文本路径难以直接迁移至物理世界。网络上甚至出现“VLA（视觉-语言-动作模型）已终结，World Action Model（WAM）方兴未艾”的论断。
任至意回应理性而务实：“截至目前，尚未见到任何模型在实测表现上明显超越π0.7（Physical Intelligence发布的通用机器人VLA模型），因此VLA远未‘死亡’。”但他同时指出，VLA与WAM并非非此即彼的对立关系，未来真正关键的是构建一个原生具备上下文感知能力、并能自主生成未来状态序列的统一模型。
这番表态看似折中，实则蕴含深层判断：路线之争终须让位于实效验证。π0.7仅在ARX机械臂上完成训练，即可零适配迁移至UR5双臂平台并稳定复现相同操作，在跨本体泛化能力上取得实质性突破。
马也骋的实践视角源于一线商业压力。Dyna已从VLA转向WAM架构，因其发现在餐巾折叠等对成功率与样本效率要求极高的真实任务中，WAM展现出更强的鲁棒性与收敛速度。这是企业在真实商业场景中被“倒逼”出的技术选择：通用模型可靠性不足，专用模型扩展性受限，他们选择中间道路——以世界模型预测能力驱动高频动作执行，以低频高层推理模型处理任务分解与策略规划。
腾讯首席科学家张正友则从系统论高度审视该问题。他认为具身智能仍处于范式探索早期，尚未形成如Transformer之于语言模型那样的统一基础架构。“倘若具身智能真要成为一个完整智能体，又怎可能仅靠3B或4B参数量的模型就统御全部物理交互？”他提出的三层认知架构——高层认知系统、中层感知-行动系统、底层反射式反应系统——强调信息在层级间双向流动，更贴近真实生物智能体的运作机制，而非简单堆叠单一模型。
姚卯青认为，VLA与WAM并非替代关系，而是演进阶段的不同侧重点；二者终将融合，催生下一代模型形态——WRAM（World Reasoning Action Model，世界推理动作大模型）。为此，智元已推出自研GO-2基座模型、Act2Goal世界模型、GE-Sim2.0仿真引擎等一系列VLA/WAM混合架构模型，并配套SOP（标准作业流程）知识库、Genie Evolver百台级分布式真机强化学习系统，从算法设计、虚拟仿真到真机训练，构建全栈式规模化迭代闭环。
场景验证：两年内或将迎来机器人“ChatGPT时刻”
如何将数据采集、模型训练与真实部署构建成一个自我增强的正向循环系统，是世界模型能否走出实验室、走向产业化的决定性命题。它标志着物理AI正从“理论可行”迈向“工程可靠”。
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。
训练效率是首道被攻克的工程关卡。传统强化学习依赖单台机器人在真实环境中反复试错，一次迭代动辄耗时数天，成本难以承受。智元提出“预训练—后训练—持续学习”三级训练范式：预训练阶段依托海量异构物理数据，赋予模型基础的世界常识；后训练阶段聚焦垂直场景，通过少量标注数据微调性能；持续学习阶段则利用部署回流的真实交互数据，在线更新模型权重，实现边用边学。
智元在嘉兴部署的Genie Evolver系统，已实现超百台机器人并行开展在线策略迭代训练。集群实时上传交互日志，云端完成模型更新后，新权重可在2秒内同步至所有终端，训练周期压缩至“分钟级”。
无界动力则选择另一技术路径。其联合创始人兼CTO夏中谱在世界模型“六小龙”巅峰论坛上详解“隐空间世界模型+强化学习”双引擎协同机制：前者构建压缩后的物理世界表征，内化刚体碰撞、柔性形变、工具作用等因果规律；后者基于高频真实试错，将抽象物理认知转化为精确动作策略。
在他看来，隐空间建模与强化学习的深度融合，才是撬动行业范式跃迁的关键支点。该路径不依赖像素级视频生成来“模拟”世界，而是在低维隐空间中高效推演未来状态，并借强化学习将推演结果映射为可执行动作。
物理世界瞬息万变，模型推理延迟直接决定机器人应对动态任务的能力边界。在世界模型“六小龙”巅峰论坛上，大晓机器人发布的开悟世界模型3.1，已在端侧达成125毫秒级推理延迟，这意味着“感知—理解—推演—决策—执行—反思”的完整智能闭环，可完全在机器人本体上实时完成，无需云端协同。
蚂蚁灵波则展示其世界模型在消费级显卡上的推理性能——稳定维持90至150赫兹，凸显“为物理世界原生设计”的架构优势。从云中心走向边缘端，是物理AI真正嵌入千行百业的必经之路。
部署验证则是最终临门一脚。智元机器人在江西南昌3C产线实现99.99%任务成功率，已连续稳定运行数月；Dyna Robotics在马萨诸塞州某餐厅完成餐巾折叠商业化验证，机器人在24小时无人干预下自主完成超850次折叠，成功率99.4%；大晓机器人采取“先ToB后ToC”策略，推出即时零售履约、酒店洗衣服务、安防巡检三大解决方案，“晓满”一体化履约系统已落地烧卖购、快客达等真实零售场景，计划一年内覆盖1000家零售网点。
这些数字的价值，在于它们不再是实验室里偶发的Demo，而是可重复、可审计、可复制的真实业务成果。
论坛现场，多位专家对机器人“ChatGPT时刻”的到来时间给出预判：姚卯青认为最快两年内可见；任至意与马也骋倾向四年左右；张正友则预估为三至五年。
行业亟需一把统一的“标尺”
如果说数据、模型、场景是物理AI的“筋骨”，那么评测体系就是衡量其成长的“刻度尺”。
在世界模型“六小龙”巅峰论坛圆桌环节，六位嘉宾一致认同：当前尚缺乏公平、权威、普适的世界模型评测基准。现有评测多集中于视频生成质量等视觉指标，但这些维度与机器人真正所需的“物理因果推演能力”存在根本性错位。
世界模型的核心价值在于支撑稳健决策，而非生成视觉连贯却违背物理常识的内容。正如自变量机器人CTO王浩所言：当下多数世界模型“99%的像素预测对实际决策毫无意义”，行业却仍将大量算力耗费在冗余像素重建上。
直面这一痛点，论坛正式发布国内首个具身原生评测平台——Physical IQ 物智。该平台面向零售、工业、家居、物流等多场景，兼容多本体、多任务，是国内首个真正以“具身智能体”为评测对象的物理智能基准。
Physical IQ 物智采用统一协议贯通真实业务流，不限定硬件形态与底层算法，所有参赛方均在同一技术协议下公平竞技。评测重点覆盖双臂协同操作、移动-操作联合控制、长程任务规划、三维空间推理、工具使用能力、多机协同调度等前沿能力维度。
例如，零售场景考核货架自动补货、外卖标准化打包、桌面商品归位；工业场景聚焦精密零件拆解、专用工具操作、柔性线缆理顺；家居任务涵盖刚柔混合物体清洁、杂乱物品归整、表面擦拭；物流场景则测试传送带动态分拣、快递盒精准叠放、重型货箱自主搬运。这些任务的共同特征是：剥离“玩具级”实验假设，直击当前产业落地中的真实瓶颈。
在生态共建层面，平台已吸引智元机器人、辉羲智能、蚂蚁灵波等产业链上下游企业深度参与。从发起方、运营方到测评方，一套覆盖“产学研用”全链条的评测生态正在成型。
图片／ IT时报 采访对象
本文来自微信公众号 “IT时报”（ID：vittimes），作者：沈毅斌，36氪经授权发布。
