<mark id="oztn4"></mark>
0
| 本文作者： 張璐 | 2026-07-20 15:33 | 專題：WAIC：世界人工智能大會 |
作者丨張 璐 鄧哲敏
編輯丨齊鋮湧
本屆 WAIC 大會除了各個展臺和產品demo，我們最關注的，其實是一些細分領域的論壇，這里面是是最容易涌現行業真思考的地方。
今天上午，可能是這屆WAIC具身領域含金量最高的論壇出現了。
由智元合伙人、覓峰科技董事長兼CEO姚卯青攢局，Physical Intelligence研究科學家任至意，佐治亞理工學院徐丹飛，Dyna Robotics聯創馬也騁，騰訊首席科學家張正友、Sunday趙子豪等行業各個細分方向的一號位，帶來了一場以Scaling Law的“物理墻”：物理AI如何迎來通用智能涌現為核心議題，集結國內具身智能、機器人仿真、物理建模賽道的頭部領軍人物的圓桌對談。
姚卯青和徐丹飛一直在研究怎么“采數據”，采什么數據，Sunday和 PI 團隊則聚焦落地和算法，做出了目前世界上最被公認好用、最頂尖的具身模型 ，可以說是全行業最懂數據價值的人之一。
再加上其他幾位在各大廠和創業公司一線負責技術部署的頂尖科學家，這幫最懂行、最會采數據也最會用數據的人聚在一起，討論的是直擊具身行業目前最核心的命題：
在這個從數字到真實的躍遷期，到底該去哪搞高質量的物理經驗數據？怎么用這些數據把機器人的操作成功率喂到商業落地的標準？
雷峰網(公眾號：雷峰網)AI 科技評論在現場完整聽完了這場干貨碰撞，接下來為你拆解這幫物理 AI 拓荒者眼中的行業進化內幕。
01
首先登場的是東道主、智元的姚卯青。
在過去一年多的時間里，他帶領團隊深扎在一線，用真機在真實場景里不斷“摸爬滾打”。
在瘋狂采數據、煉模型的過程中，他敏銳地捕捉到了物理AI智能涌現的核心，那便是表征與閉環的“雙螺旋驅動”——從知識規?；蛘鎸嵤澜缃涷炓幠；姆妒杰S遷。
但在實際干的過程中，他也發現行業迎面撞上了三道難以逾越的“物理墻”：
一是數據墻，真實交互數據極度稀缺且成本昂貴，沒法像互聯網數據那樣輕松規模化獲??；
二是表征墻，各類機器人各自為戰，缺乏跨任務、跨本體的統一表征；
三是閉環墻，現實中試錯代價太高、反饋極慢，動輒硬件報廢。
為了打破這三堵墻，他們選擇在模型和數據上雙線并進，通過世界模型仿真與多機器人集群強化學習全力破局。
姚卯青堅信，只有讓這個“可泛化、可優化、可進化”的技術飛輪真正高速轉動起來，才是物理AI突破智能涌現的唯一核心路徑。
不過，想要在物理世界實現真正的具身突破，除了看清路徑，更需要足夠好用、且能在反饋中持續進化的基礎模型。
02
緊接著登場的清華大學蘇航教授，便重點分享了他在“從觀察到行動”這一具身基礎模型與反饋學習上的前沿工作。
面對多變且復雜的物理環境，蘇航教授指出，具身智能不僅需要強大的跨模態基礎認知能力，更需要建立一種高效的“反饋學習”機制。
他結合團隊最新的研究成果，詳細闡述了如何讓機器人通過主動觀察環境、在交互反饋中自主修正動作策略，從而大幅提升任務的成功率與泛化能力。
這一工作為如何讓機器人既能“看懂”世界又能“精準行動”，提供了一套極其扎實的理論與工程解法。
有了蘇航教授在反饋學習和基礎模型上的底層框架支撐，如何讓這套模型在產業實戰中真正“看懂”海量異構數據，就成了下一個需要攻克的堡壘。
接下來，最懂數據價值的PI團隊科學家任至意，帶來了他們關于擴展數據上下文（Context）的全新解法。
03
任至意一登場，直接把這場論壇的主題推向了行業都在拼命摸高的地方：機器人到底怎么才能真正“聽懂、看懂”上下文（Context）？
“過去這陣子，包括我們團隊自己做 PI0.5 的時候，大家都踩過不少坑”任至意直言不諱地說。
以前大家總覺得把歷史信息和粗粒度的語言指導往模型里一塞就完事了，結果發現經常把模型“帶壞”。
因為指令太模糊，模型根本分不清哪些數據是高質量的“標準動作”，哪些是帶偏節奏的“無效動作”。
為了解決這個痛點，他們直接從大語言模型和視頻生成模型里偷師，給最新的 PI0.7進行了一次上下文的“大升級”：不僅用上了更厲害的視頻編碼器，還整了一套叫 Dance Multimodal Guidance 的高維玩法，讓模型能提前預判任務做完后的畫面。
更絕的是，他們首次在 Context 里加上了數據質量打分。這樣一來，模型在訓練時就像開了天眼，一眼就能看出數據的“好壞”。
這種策略，讓 PI0.7 迎來了爆發性的突破。
以前不同飛輪訓練出來的策略只能各自干一件活，現在 PI0.7 單憑同一個 Checkpoint，不用做任何特定任務的微調，就能通吃好幾個復雜場景，甚至還涌現出了跨本體技能遷移的奇跡——在便宜機械臂上學到的疊衣服技能，直接就能無縫挪到工業級 UF5 機械臂上使用。
甚至人只需要用最具體的語言在旁邊指揮，不用遙操作，機器人自己就能把從未見過的動作給做出來。
聽完任至意分享的這一套 Context 升級組合拳，臺下的徐丹飛教授顯然坐不住了。
既然模型對數據的理解已經到了這個精度，那擺在行業面前最大的瓶頸，就變成了去哪里搞更多、更具物理智能的高價值數據。
徐丹飛一上臺，直接拋出了那個讓全場眼前一亮的顛覆性觀點：別光盯著機器人采數據了，人類自己就是最好的“教科書”！
04
他先聊起了年初在北美爆火的“免費上門打掃衛生只為拿頭戴設備錄數據”的奇葩商業新聞。
在大家都在看熱鬧的時候，徐丹飛團隊其實從2023年開始就堅定地在這個方向上死磕了。他直言，傳統的遙操作不僅累人、難規?；氖菚讶嗝?、拿薄卡片、用手肘帶門這種精細的“物理智能”給掩蓋掉。
既然人形機器人長得越來越像人，人類為什么不能成為機器人最好的老師？
帶著這個猜想，他們一路從實驗室摸索到了英偉達的規?；炞C階段。到了今年年初，團隊已經喪心病狂地堆到了2萬小時的人類第一視角數據。
在海量數據的喂養下，他們驚喜地觀測到了具身智能領域的線性Scaling規律：只要數據量成倍翻上去，機器人的復雜操作成功率就跟著蹭蹭往上漲，甚至能零樣本去組裝玩具小車。
這種“把人當機器人訓”的超前路線，直接給行業指明了一條用人類經驗突破數據荒的全新大路。
而緊接著登場的Genesis AI王尊玄，則把側重點放在了如何讓機器人在實驗室之外的真實世界里“能思考、少犯錯”。
05
王尊玄一上來就分享了他們今年在世界模型（World Model）控制上的最新突破。
他坦言，現在的World Action Model在控制和泛化上比以前的法子都要省數據，但如果機器人只靠這套直覺系統，進了真實世界還是不夠看，必須得給它配上一顆處理長程任務的Reasoning Model（慢思考大腦）。
靠著這套雙系統和20萬小時的混合預訓練，Dyna直接把新任務的上手門檻給打了下來。
王尊玄在現場甩出了幾個讓人驚掉下巴的案例：只喂了一兩個小時的數據，機器人就能無限循環切芹菜且零失誤；在容錯率極低的高精度堆杯子、分類極薄創口貼的任務里，也是一把過。
更絕的是，這種高效的后訓練（Post-Training）在他們公司已經不需要研究員動手了，剛入職的普通采集員自己錄兩段，模型就能學會新動作，甚至還能零樣本去抓各種沒見過的物體。
這種Data-Driven的強悍泛化，讓大家看到了機器人走向千家萬戶的底氣。
不過，從實驗室里的“神童”到流水線上的“熟練工”，中間還隔著一道叫可靠性的硬檻。
作為Dyna Robotics的聯合創始人兼首席科學家，馬也騁最后登臺，直接把大伙拉回到了最殘酷的商用現實中。
06
作為Dyna Robotics聯合創始人兼首席科學家，在演講中分享了團隊從2024年9月創立以來，同時推進基礎模型研究與真實世界部署的獨特思路。
他強調，實驗室里的模型研發和真實商業場景的需求存在明顯差異。只有把真實世界部署（Deployment）和研究緊密結合，才能讓研究方向更精準、模型更實用。
為了讓模型更加皮實，他們創新地搭了一個“數據金字塔”：底層用互聯網和人類第一視角數據鋪底，中間用真機多任務數據過渡，而塔尖最核心的，則是機器人在真實部署中犯錯、并完成恢復（Recovery）的高價值過程數據。
把這20萬小時的雜交數據煉成基礎模型后，馬也騁直接把它扔進江西南昌的紅旗3C產線去“搞實戰”。
結果非常硬核：機器人全工段24小時連軸轉，單次多日直播干了近6.5萬件活，成功率硬生生頂到了99.99%！
馬也騁在結尾給大家潑了一盆清醒的冷水：現在行業里有太多的通用模型，什么都能干一點，但干什么成功率都不高，這在商業部署上是沒有價值的。
Dyna接下來的使命，就是在保證通用的前提下，把單項復雜任務的成功率死磕到極致。
只有跨過這道“可靠性”的鬼門關，具身智能才算真正走完了從實驗室到產業落地的歷史性長征。
07
在WAIC大會的尾聲，一場關于具身智能底層邏輯與產業格局的對話將氣氛推向了最高潮。
來自智元的姚總、PI團隊的任至意、斯坦福大學的徐丹飛、Dyna Robotics的馬也騁、騰訊的張正友以及Sunday的Tony，圍繞數據、模型路線、軟硬件一體化及大廠壁壘等核心命題，展開了一場直面痛點的干貨碰撞。
▎吵了一年的主流算法路線，出現共識了么？
任至意：在我看來，VLA（視覺-語言-動作模型）與世界模型（World Model）完全不沖突。原生理解Context并對未來進行建模，絕對能提高模型的表征能力。我們在最新模型里通過生成未來的子目標圖像來引導底層模型，這很Make Sense。未來兩者的技術趨勢一定會逐漸收斂。
馬也騁：本質上模型需要的各種能力是共通的，但從更少數據達到極高成功率和魯棒性的角度出發，我們在一些特定場景下發現，用WEM（世界動作模型）去處理會比VLA更加高效。不過單一模型是不夠的，還需要Reasoning Model來支撐長程復雜任務。
徐丹飛：從機器人真正部署能用的角度來看，核心指標只有三個：能不能學到數據里的東西、能不能泛化、跑得夠不夠快（實時性）?，F在學術界和產業界對這兩種架構哪個更好并沒有定論，最終贏的不是某一種特定架構，而是它體現出的長程索引或Context學習能力。
張正友：整個行業都還在起步階段，遠沒有到大語言模型那種加數據就能往前推的統一框架。如果借鑒人類的認知系統，具身智能Agent至少應該包含認知、感知行動和肢體反應三層閉環系統。只靠一個3B、4B的單一小模型去解決所有問題，顯然是不現實的。
▎具身公司該做大腦還是全棧？硬件本體是否決定機器人智能上限？
Tony：現在的本體設計實際上是成本與能力的權衡。我們采用三指夾爪，就是追求以20%的成本獲得80%的能力。目前機器人無法走進千家萬戶，核心瓶頸不在于缺少一個五指靈巧手，而在于手后面的大腦不夠聰明。只要解鎖了智能層，機器人才真正有用。
任至意：沒有自研硬件，在某些具體任務上確實會受到限制。但現階段我們的策略是用維護成本較低的本體把Infra先搭起來，快速支持模型的研發和能力涌現，這更偏向研究導向。當然，長期來看我們肯定會考慮更加可靠的硬件。
姚總：面向一線用戶時，可靠性、成本和成功率非?，F實。自己鉆研底層硬件設計，才能在所有約束條件下優化出最高效的系統。比如端側芯片算力受限，這就催生出端云結合的架構——云端低頻推理，端側跑5B/10B模型做高頻控制。全棧研發能讓我們對這些約束有更深的體會。
徐丹飛：從科學研究的角度，我們有一個假設：只要機器人的靈巧度達到一定程度，就能直接從人類第一視角數據中學習策略。人類數據采集在不影響操作時，本身就是靈巧手狀態。我們現在有資源和技術，應該把這條路推一步看看能不能成。
▎互聯網第一視角數據，能為物理世界帶來多大價值？
張正友：互聯網上大量的人人和人機交互數據能極大地幫助機器人訓練，但在具體的精密操作層面，人類第一視角視頻里往往“看不見手”，因為人類熟練后不會特意關注手部?，F在的趨勢是多采集一些異構的操作數據，再配合仿真數據提升精確度，一旦部署出去，數據飛輪就能真正飛起來。
▎OpenAI等大廠要是下場做機器人，創業公司該怎么辦？
馬也騁：大廠做Robotics其實是一直在發生的。但機器人策略和部署對延遲極其敏感，必須在本地運行，很難像語言模型那樣只在云端調一個API。有了開源的視頻或大模型支持，反而對我們做部署的公司幫助巨大，創業公司依然要堅持走自研或基于開源做本地模型自研的路線。
張正友：大廠有大廠的問題。像PC時代的Mac和Windows，全棧和只做大腦的都能活得很好，騰訊也明確了只做大腦不做本體。對于創業公司來說，要避開大廠的鋒芒，就不要做容易被大模型包裹進去的incremental（增量式）改動。在場景和數據上做更深入的思考，創業公司有非常多的可能性。
▎年度猜想：機器人的 ChatGPT 時刻何時到來？
姚總：2年。主要取決于數據層面的進展。
任至意：以前覺得要10年，現在看4到5年。
徐丹飛：5年。
馬也騁：差不多4年。
張正友：3到5年。行業需要踏踏實實地去做，這期間非常有希望。
Tony：3年以內。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
