7月19日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，7月19日，智元、觅蜂科技联合主办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”。本次论坛汇聚清华大学、佐治亚理工学院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、腾讯Robotics X 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。
论坛开篇，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姚卯青带来主旨演讲《模型与数据飞轮：冲破物理墙，驱动物理 AI 智能涌现》。
姚卯青认为，理解物理 AI，首先要回到智能的两条主线：表征与闭环。表征，是对世界的抽象压缩；闭环，是智能体与环境之间持续发生的“感知、理解、决策、行动、反馈”循环。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。
围绕这一目标，智元构建了“预训练—后训练—持续学习”的三阶段训练架构，沿着 VLA 与 WAM 两条路线持续演进，并推动二者走向统一的世界推理动作大模型（WRAM，World Reasoning Action Model），以此推出自研 GO-2 基座模型、Act2Goal 世界模型、GE-Sim 2.0 ，搭配 SOP、Genie Evolver 百台级分布式真机强化学习体系，从算法、仿真、真机训练层面打通规模化迭代闭环。
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，依托 MEgo 系列采集终端、MEgo Engine 治理平台与真机数据集 AGIBOT WORLD，构建分层数据供给金字塔与部署回流数据飞轮，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。
从统一表征到跨本体迁移：物理 AI 如何走向通用化随后，论坛进一步围绕物理 AI 如何突破表征、泛化与闭环难题展开讨论。
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》指出，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。
他认为，这一范式将沿着三条主线加速演进：数据从单一本体走向多源混合，模型从行为模仿走向世界建模，学习从离线训练走向真实部署中的持续进化。机器人轨迹、遥操作数据、第一视角视频和人类行为视频将被纳入统一的预训练体系，不同机械臂、人形机器人和应用场景中的经验，也将从彼此割裂的数据，转化为可迁移、可复用的通用能力。
苏航强调，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。只有完成从被动世界理解、统一世界建模到闭环自我改进的范式跃迁，具身智能才可能真正从“预编程的任务执行器”走向能够适应开放环境的通用智能体。
Physical Intelligence 研究科学家任至意则从规模化真实世界数据出发，展示了机器人策略模型如何在多任务、多场景训练中形成跨本体泛化能力。例如最新模型可将在 ARX 机械臂上学习到的衣物折叠能力，迁移至 UR5 双臂机器人完成同类操作，大幅降低新本体部署适配成本。机器人可处理未见过的橱柜、卧室整理、流体容器操作等长尾场景，验证多元真实交互数据对通用智能的核心驱动价值。
任至意介绍，最新 π0.7 模型实现突破性跨本体涌现迁移能力：仅在 ARX 机械臂训练折叠衣物数据，即可零适配在 UR5 双臂机器人完成同款精细操作，无需针对新本体重新微调，大幅降低机器人部署适配成本。
Genesis AI 联合创始人王尊玄带来《面向通用灵巧操作的人类数据与仿真扩展》，分享了 Genesis AI 面向机器人灵巧操作的全栈方法：以 1:1 人类手部数据策略为基础，结合 Genesis World 仿真环境、多模态大模型 GENE 与部署数据飞轮，推动机器人在数据、仿真、模型和真实部署之间持续迭代。
王尊玄指出，通用灵巧操作的突破并不只是模型架构问题，更依赖高质量数据的规模化供给。随着预训练数据规模提升，模型在任务级微调后的效能和效率也有所提升。Genesis AI通过接近人类尺度的机器人手与非侵入式手套数据采集方式，缩小人手与机器人手之间的数据鸿沟；同时，Genesis World 仿真环境不仅用于强化学习后训练，也用于模型评测，以加速模型迭代。
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。
马也骋介绍，Dyna Robotics 商用基座模型DYNA-1在餐巾折叠这一高难度任务中，成功率高达99.4%，并能在 24 小时无人干预下自主折叠超过 850 个餐巾，实现了从 “实验室演示” 到 “工业级可靠性” 的跨越。同时，该模型展现出卓越的数据效率，适应新任务仅需不到 1 小时的后训练数据。
可以看到，几位嘉宾的分享共同指向一个判断：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。
巅峰圆桌：大咖云集激辩Scaling Law"物理墙"主旨演讲后，论坛迎来压轴圆桌高峰对话。姚卯青、任至意、马也骋、Sunday Robotics联合创始人兼CEO赵子豪、腾讯首席科学家&腾讯Robotics X实验室主任张正友几位重磅嘉宾同台，议题锁定《Scaling Law的"物理墙"：物理AI如何迎来通用智能涌现》。圆桌对话由智元AI算法总监任广辉主持。
过去几年，数字大模型通过数据、模型和算力的持续扩展，实现了显著的能力涌现。但到了物理世界，智能不只是理解和生成信息，还必须转化为真实环境中的稳定行动，面对复杂交互、不确定性和硬件约束。
圆桌首先讨论了机器人的“ChatGPT 时刻”究竟需要多大规模的数据。姚卯青认为，如果将这一时刻定义为机器人能够在物理世界中“开箱即用”，完成日常任务，并跟随开放式自然语言指令行动，那么具身数据规模仍与语言模型预训练语料存在万倍以上差距。物理世界噪声更大、信息冗余更高，要实现对通用物理规律、开放式指令理解与任务规划能力的隐式掌握，需要亿小时级别的数据，才能让常见任务的基础成功率达到70%—80%。
围绕数据来源，嘉宾们形成了一个重要共识：物理 AI 的数据不可能只依赖单一来源，而将形成由互联网数据、第一视角数据、UMI/Ego 数据、真机数据、仿真数据与部署回流数据共同组成的“数据配方”。
赵子豪提出，短期看，低成本、低偏差的数据采集方式有助于提升预训练效率；长期看，真正决定系统持续进化的，将是机器人在多样化部署环境中形成的真实回流数据。马也骋也指出，部署数据进入下一轮预训练后，可以让后续部署越来越高效，最终缩短新场景落地周期；但这一飞轮成立的前提，仍是底层具备海量、高多样性的预训练数据。张正友补充道，具身智能的数据飞轮必须回到物理交互本身。无论成功还是失败，机器人与真实世界交互产生的数据都应被收集起来，尤其要从失败数据中学习，以持续提升模型能力。
在模型路线方面，嘉宾围绕“物理 AI 的终局是端到端 VLA、世界模型/WAM，还是更复杂的 Agent 系统”展开激辩。任至意认为，VLA 与 WAM 并不冲突，未来更可能逐渐融合：模型既要理解上下文，也要具备对未来状态的预测能力，通过对未来建模提升表征能力。马也骋也认为，不同架构各有优势，语言指令理解、未来预测、鲁棒执行等能力并不互斥；在部分强调高成功率和少数据效率的任务中，WAM 可能比 VLA 更高效。张正友则提出，具身智能尚处于早期阶段，还没有像大语言模型 Transformer 那样收敛的统一框架，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。
讨论还进一步延伸到机器人本体设计。多位嘉宾认为，本体并不是越复杂越好，关键在于能否匹配具体场景的任务需求、成本约束和部署节奏。对于是否必须自研本体，任至意表示，PI 当前更关注通用策略模型能力的涌现，因此会优先使用相对简单、维护成本较低的机器人本体，搭建数据与模型研发基础设施，加快模型迭代。姚卯青则认为，面向商业化落地，机器人必须满足客户对可靠性、成本、成功率和一致性的要求；全栈路线的价值，正在于能够打通本体、硬件、模型、控制和部署，在系统层面寻找最优解。
圆桌尾声，嘉宾们对机器人“ChatGPT 时刻”的到来时间给出判断。尽管具体时间预判从两年到五年不等，但嘉宾们形成了共同判断：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。
从技术愿景走向路线图从数据飞轮、基座模型、虚实学习到商业规模化落地，2026智启具身论坛完整串联起物理 AI 从技术原理到产业落地的全链路思考。Scaling Law 的“物理墙”并非不可逾越——当数据、表征与闭环系统实现共同规模化扩展，当学界与产业界在统一表征、虚实融合、真机进化等方向持续深耕，物理AI的涌现正在从愿景走向路线图。
作为全球 AI 顶级盛会，WAIC 不仅是汇聚全球智慧的重要平台，更是中国科技创新走向世界的盛大舞台，而具身智能作为中国“新质生产力”的代表，正是与全球并肩探索的智能边疆。“智启具身论坛”汇聚中美产学研顶尖力量同台论道，已成功连续举办两届，展现了以智元、觅蜂为代表的中国硬科技企业，正在全球尖端技术领域实现从参与者向引领者的身份转变。
盛达优配提示：文章来自网络，不代表本站观点。
