2026-07-21 17:12:21
当大模型已经在语言、数学、代码等数字世界完成能力跃迁，下一阶段人工智能的核心命题正在转向真实世界：机器人如何感知环境、理解任务、执行动作，并在持续反馈中自我进化？物理AI何时会迎来ChatGPT 时刻？
围绕行业最热议题，智元、觅蜂科技在2026世界人工智能大会期间，联合主办2026世界人工智能大会核心分论坛“智启具身论坛2026——迎接物理AI智能涌现”。汇聚清华大学、佐治亚理工学院等海内外顶尖高校、机器人实验室与头部科技企业技术领军者代表，共同拆解物理 AI翻越 Scaling Law “物理墙”、实现通用物理智能涌现的可行路径。
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姚卯青说，理解物理 AI，首先要回到智能的两条主线：表征与闭环。数字 AI 的成功，本质上是知识表征在数字环境中的成功；而物理 AI 的难点在于，它必须同时打通经验表征与真实世界闭环。在姚卯青看来，物理智能要实现规模化，必须突破三道墙：一是数据墙，真实交互数据极其稀缺且获取成本高；二是表征墙，跨任务、跨场景、跨本体的统一物理表征尚未形成；三是闭环墙，真实试错代价昂贵、反馈缓慢，难以规模化。他表示，物理 AI 从“能演示”走向“能干活”，关键不在于单点模型能力，而在于能否形成可泛化、可优化、可进化的通用具身智能系统。
在数据层面，姚卯青介绍觅蜂科技打造了全链路物理 AI 数据基础设施，从源头解决行业数据稀缺难题。姚卯青强调，当执行、回流、挖掘、更新形成自动化闭环，模型能力才能在真实世界中持续迭代。这一技术飞轮已经在真实场景中获得验证，在江西南昌，传统3C平板量产产线完成规模化落地验证，产线作业成功率达99.99%。“模型决定起点，数据定义终局。当飞轮转动，智能涌现只是时间问题。”姚卯青表示，智元、觅蜂希望与全球学术界、产业界和开发者社区共同推动物理 AI 在真实世界中加速演进。
清华大学计算机系副研究员苏航围绕《数据驱动的具身基座模型》说，具身智能正在经历一次根本性的预训练范式演化，从面向单一机器人和特定任务的行为模仿，转向面向开放世界的通用能力预训练。未来具身基座模型的目标，不再只是学习“看到什么、如何动作”，而是形成对环境状态、物理规律、动作后果和任务进程的统一理解。苏航说，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”。在这一趋势下，未来行业竞争的重点也将从单项任务成功率和演示效果，转向基座模型的通用性、迁移性和持续学习能力。
行业面临的下一个问题是，当机器人真正进入产业场景，如何在长时间、无人干预、高一致性要求下保持稳定可靠？Dyna Robotics 联合创始人兼首席科学家马也骋分享了“研究与部署飞轮”战略，通过前沿研究、产品部署和真实世界数据反哺，形成技术迭代的自我强化循环。为支撑该飞轮，Dyna 构建了“预训练数据金字塔”，整合离线数据、在线机器人数据和高质量部署数据，已积累超 20 万小时预训练数据。模型架构上，采用低频 “推理模型” 与高频 “世界 - 行动模型” 协同工作，兼顾高层认知与底层执行效率。
从宏观来看，业内专家共同指向一个判断，物理 AI 的通用化落地，不是单一模型能力的突破，而是数据、表征、仿真、后训练与真实场景反馈共同形成的系统性进化。通用能力来自多源经验的规模化复用，可靠性则来自真实闭环中的持续迭代。