具身智能的“ChatGPT時(shí)刻”，可能不會(huì)同一天到來(lái)

文 | 吳懟懟

在WAIC 2026智啟具身論壇，行業(yè)在探討的，是一套能夠在物理世界持續(xù)學(xué)習(xí)、自我改進(jìn)的系統(tǒng)。

7月19日，2026世界人工智能大會(huì)·智啟具身論壇在上海世博中心舉行。論壇由智元、覓蜂科技聯(lián)合主辦，清華大學(xué)、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、騰訊 Robotics X等團(tuán)隊(duì)參與。

聽(tīng)完后，一個(gè)很明顯的感受是：雖然“人形機(jī)器人”依然是最容易吸引鏡頭的概念，但臺(tái)上被反復(fù)討論的關(guān)鍵詞，已經(jīng)從自由度、關(guān)節(jié)數(shù)量和動(dòng)作展示，轉(zhuǎn)向了數(shù)據(jù)、模型、仿真、部署、失敗反饋和持續(xù)學(xué)習(xí)。

這意味著，具身智能正在進(jìn)入一個(gè)新階段。

過(guò)去兩年，行業(yè)首先要證明機(jī)器人“能做”；現(xiàn)在，問(wèn)題變成了它能不能連續(xù)做幾百次、幾千次，換一個(gè)環(huán)境還能不能做，失敗以后能不能自己恢復(fù)，以及部署出去以后，能力能否繼續(xù)增長(zhǎng)。

換句話(huà)說(shuō)，具身智能的競(jìng)爭(zhēng)，正在從機(jī)器人產(chǎn)品競(jìng)爭(zhēng)，變成一場(chǎng)訓(xùn)練系統(tǒng)和數(shù)據(jù)基礎(chǔ)設(shè)施的競(jìng)爭(zhēng)。

01、物理AI的Scaling Law，卡在交互經(jīng)驗(yàn)

大語(yǔ)言模型的Scaling Law相對(duì)直接：更多數(shù)據(jù)、更大模型、更多算力，通常可以換來(lái)更好的能力。

但物理世界并不是一個(gè)可以直接爬取的互聯(lián)網(wǎng)。

智元合伙人、覓蜂科技董事長(zhǎng)兼CEO姚卯青在演講中將物理AI面臨的問(wèn)題概括為“三道墻”：數(shù)據(jù)墻、表征墻和閉環(huán)墻。

數(shù)據(jù)墻，是高質(zhì)量真實(shí)交互數(shù)據(jù)昂貴且稀缺；表征墻，是不同任務(wù)、場(chǎng)景和機(jī)器人本體之間，尚未形成足夠統(tǒng)一的物理表征；閉環(huán)墻，則是真實(shí)世界中的試錯(cuò)速度慢、成本高，一次失敗可能帶來(lái)零部件損壞，甚至影響整臺(tái)機(jī)器。

這個(gè)判斷很重要。

語(yǔ)言模型犯錯(cuò)，通常只是生成了一個(gè)錯(cuò)誤答案；機(jī)器人犯錯(cuò)，可能打碎杯子、碰傷人或者造成產(chǎn)線(xiàn)停機(jī)。因此，物理AI真正需要規(guī)模化的，并不只是“數(shù)據(jù)量”，更是可執(zhí)行、可評(píng)價(jià)、可回流的交互閉環(huán)。

這也解釋了為什么把一個(gè)大模型接到機(jī)器人上，并不等于完成了具身智能。大模型擅長(zhǎng)回答“這是什么”“應(yīng)該做什么”，機(jī)器人還必須解決“怎樣做”“力度多大”“失敗后怎么辦”，以及“做完以后，世界發(fā)生了什么變化”。

從數(shù)字AI到物理AI，是要把經(jīng)驗(yàn)規(guī)模化。

02、數(shù)據(jù)開(kāi)始從“數(shù)量競(jìng)賽”變成“配方競(jìng)爭(zhēng)”

本次論壇最值得關(guān)注的變化，是幾乎所有團(tuán)隊(duì)都不再相信單一數(shù)據(jù)來(lái)源能夠解決問(wèn)題。

目前逐漸形成的數(shù)據(jù)結(jié)構(gòu)，大致像一個(gè)金字塔。

底層是規(guī)模最大的互聯(lián)網(wǎng)視頻和人類(lèi)行為視頻，它們成本低、覆蓋廣，可以幫助模型理解物體、場(chǎng)景和人類(lèi)行為；中間層是第一視角、UMI等“無(wú)本體數(shù)據(jù)”，即通過(guò)手持或穿戴式設(shè)備記錄人的動(dòng)作軌跡，繞開(kāi)昂貴機(jī)器人的采集瓶頸；頂層則是真機(jī)遙操作數(shù)據(jù)、實(shí)際部署數(shù)據(jù)以及機(jī)器人失敗后的回流數(shù)據(jù)，數(shù)量最少，卻最接近真實(shí)執(zhí)行。

姚卯青在圓桌中估計(jì)，若將機(jī)器人的“ChatGPT時(shí)刻”定義為能夠開(kāi)箱即用、理解開(kāi)放式自然語(yǔ)言指令，并在常見(jiàn)任務(wù)中達(dá)到70%至80%的基礎(chǔ)成功率，具身數(shù)據(jù)可能需要達(dá)到億小時(shí)級(jí)別。這個(gè)數(shù)字，說(shuō)明了真機(jī)采集不可能是唯一答案。

清華大學(xué)計(jì)算機(jī)系副研究員蘇航把具身預(yù)訓(xùn)練的演進(jìn)歸納為三條線(xiàn)：數(shù)據(jù)從單一本體走向多源混合，模型從行為模仿走向世界建模，學(xué)習(xí)從離線(xiàn)訓(xùn)練走向真實(shí)部署中的持續(xù)進(jìn)化。

這意味著，未來(lái)的模型不會(huì)只學(xué)習(xí)“看到這個(gè)畫(huà)面就做這個(gè)動(dòng)作”。它還要理解任務(wù)進(jìn)展、預(yù)測(cè)動(dòng)作后果，并把不同機(jī)械臂、人形機(jī)器人和場(chǎng)景中的經(jīng)驗(yàn)壓縮成可遷移的能力。

數(shù)據(jù)基礎(chǔ)設(shè)施由此成為具身智能產(chǎn)業(yè)鏈里越來(lái)越重要的一層。覓蜂科技展示了MEgo系列采集終端、MEgo Engine治理平臺(tái)和AGIBOT WORLD真機(jī)數(shù)據(jù)集，試圖把采集、清洗、標(biāo)注、評(píng)測(cè)和部署回流接成一條鏈。商業(yè)價(jià)值可能也會(huì)從“出售一批數(shù)據(jù)”，轉(zhuǎn)向幫助客戶(hù)設(shè)計(jì)數(shù)據(jù)配方，并證明這批數(shù)據(jù)確實(shí)提升了模型表現(xiàn)。

對(duì)具身智能來(lái)說(shuō)，低質(zhì)量數(shù)據(jù)的規(guī)模化甚至可能放大問(wèn)題。一個(gè)動(dòng)作標(biāo)簽偏差、一段時(shí)間沒(méi)有對(duì)齊的傳感器數(shù)據(jù)，進(jìn)入訓(xùn)練后都會(huì)變成機(jī)器人執(zhí)行時(shí)的誤差。數(shù)據(jù)量很重要，數(shù)據(jù)能否跨本體復(fù)用、能否回到真機(jī)閉環(huán)驗(yàn)證，重要性更高。

03、VLA和世界模型，正在從路線(xiàn)之爭(zhēng)走向融合

過(guò)去一段時(shí)間，具身智能存在一場(chǎng)路線(xiàn)爭(zhēng)論：機(jī)器人應(yīng)該直接使用視覺(jué)—語(yǔ)言—?jiǎng)幼髂Ｐ停簿褪荲LA，從圖像和指令端到端輸出動(dòng)作；還是應(yīng)該先建立世界模型，預(yù)測(cè)每個(gè)動(dòng)作可能給環(huán)境帶來(lái)的變化，再?zèng)Q定如何行動(dòng)？

從這次論壇釋放的信息看，兩條路線(xiàn)正在走向融合。

智元展示的GO-2強(qiáng)調(diào)動(dòng)作思維鏈，讓機(jī)器人先做粗粒度規(guī)劃，再完成高頻、精細(xì)的執(zhí)行；Act2Goal則通過(guò)預(yù)測(cè)中間視覺(jué)狀態(tài)，實(shí)現(xiàn)“先想后做”。智元將VLA與世界動(dòng)作模型融合后的方向稱(chēng)為WRAM，即世界推理動(dòng)作模型。

Physical Intelligence研究科學(xué)家任至意展示的π0.7模型，則提供了另一個(gè)有代表性的結(jié)果：模型在ARX機(jī)械臂上學(xué)習(xí)衣物折疊后，可以遷移到UR5雙臂機(jī)器人上執(zhí)行相似任務(wù)，不需要針對(duì)新本體重新微調(diào)。

跨本體遷移，是具身智能能否形成平臺(tái)型公司的關(guān)鍵。

假如每換一種機(jī)械臂、夾爪或者機(jī)器人，都要重新采集數(shù)據(jù)、重新訓(xùn)練模型，那么機(jī)器人行業(yè)最終仍然會(huì)停留在傳統(tǒng)自動(dòng)化項(xiàng)目制。一旦模型能夠把不同本體的經(jīng)驗(yàn)映射到相對(duì)統(tǒng)一的動(dòng)作空間，軟件和數(shù)據(jù)才可能獲得真正的規(guī)模效應(yīng)。

清華大學(xué)蘇航提出的方向同樣指向統(tǒng)一表征：數(shù)據(jù)從單一本體走向多源混合，模型從行為模仿走向世界建模，訓(xùn)練則從一次性離線(xiàn)學(xué)習(xí)，走向部署過(guò)程中的持續(xù)進(jìn)化。

最終的物理AI系統(tǒng)，可能是一個(gè)多時(shí)間尺度系統(tǒng)：上層理解語(yǔ)言和任務(wù)，中層預(yù)測(cè)未來(lái)狀態(tài)并制定計(jì)劃，底層負(fù)責(zé)高頻控制和即時(shí)反應(yīng)。

這更像人類(lèi)的大腦、小腦和神經(jīng)反射系統(tǒng)協(xié)同工作，而不是讓一個(gè)模型以同樣頻率思考所有問(wèn)題。

04、真正的分水嶺，是從“視頻能看”到“機(jī)器能用”

具身智能行業(yè)曾經(jīng)有大量令人驚艷的演示，但演示和產(chǎn)品之間存在一條很深的鴻溝。

一個(gè)機(jī)器人成功疊好一次衣服，可以制作一段傳播廣泛的視頻；一家工廠真正關(guān)心的，卻是它能否連續(xù)工作，成功率是否穩(wěn)定，出現(xiàn)異常是否能夠恢復(fù)，維護(hù)成本能否被節(jié)省的人力覆蓋。

這次論壇上，一些數(shù)據(jù)開(kāi)始具有產(chǎn)業(yè)參考意義。

據(jù)智元現(xiàn)場(chǎng)披露，其機(jī)器人在江西南昌的一條3C產(chǎn)線(xiàn)上進(jìn)行了連續(xù)六天、每天超過(guò)10小時(shí)的作業(yè)，累計(jì)完成接近6.5萬(wàn)次操作，成功率達(dá)到99.99%。

Dyna Robotics披露，其商用基座模型DYNA-1在餐巾折疊任務(wù)中成功率達(dá)到99.4%，并在24小時(shí)無(wú)人干預(yù)情況下完成超過(guò)850個(gè)餐巾的折疊；針對(duì)新任務(wù)，所需后訓(xùn)練數(shù)據(jù)不到一小時(shí)。

這些數(shù)字仍需要放到更長(zhǎng)周期、更多場(chǎng)景和實(shí)際成本中觀察，但衡量標(biāo)準(zhǔn)的變化已經(jīng)十分明確：行業(yè)開(kāi)始用連續(xù)運(yùn)行時(shí)間、任務(wù)成功率、適配數(shù)據(jù)量和人工干預(yù)頻率，而不是單次演示效果評(píng)價(jià)機(jī)器人。

更深一層看，商業(yè)部署與通用智能并非完全對(duì)立。

過(guò)去，人們擔(dān)心做具體項(xiàng)目會(huì)拖累通用模型研發(fā)。但Dyna Robotics等團(tuán)隊(duì)提出的“研究—部署飛輪”說(shuō)明，真實(shí)部署可以暴露實(shí)驗(yàn)室無(wú)法預(yù)見(jiàn)的問(wèn)題，也能產(chǎn)生最有價(jià)值的長(zhǎng)尾數(shù)據(jù)。部署不只是模型訓(xùn)練完成后的終點(diǎn)，也可能是下一輪訓(xùn)練的起點(diǎn)。

誰(shuí)先把機(jī)器人部署出去，誰(shuí)就更早獲得真實(shí)數(shù)據(jù)；誰(shuí)能更快消化數(shù)據(jù)，誰(shuí)的后續(xù)部署成本就更低。這可能成為具身智能時(shí)代最重要的飛輪。

05、“ChatGPT時(shí)刻”不會(huì)在同一天到來(lái)

圓桌最后，嘉賓們給出的時(shí)間判斷從兩年到五年不等：姚卯青判斷兩年，Sunday Robotics趙子豪認(rèn)為三年以?xún)?nèi)，馬也騁判斷四年，任至意認(rèn)為四五年，張正友給出了三到五年的區(qū)間。

機(jī)器人未必會(huì)復(fù)制ChatGPT在某一天突然席卷所有人的路徑。大家口中的“ChatGPT時(shí)刻”其實(shí)未必指向同一個(gè)終點(diǎn)。

ChatGPT是一項(xiàng)純軟件產(chǎn)品，只要服務(wù)器準(zhǔn)備好，幾乎可以瞬間觸達(dá)全球用戶(hù)。機(jī)器人受到制造產(chǎn)能、硬件成本、供應(yīng)鏈、安全標(biāo)準(zhǔn)和現(xiàn)場(chǎng)維護(hù)的共同限制，不可能通過(guò)一個(gè)網(wǎng)頁(yè)完成全球分發(fā)。

物理AI更可能是分層涌現(xiàn)。

試想一下，首先出現(xiàn)的，會(huì)是在工廠、倉(cāng)儲(chǔ)、后廚等環(huán)境相對(duì)結(jié)構(gòu)化、任務(wù)價(jià)值明確的場(chǎng)景；隨后進(jìn)入商超、酒店、養(yǎng)老等半開(kāi)放環(huán)境；最晚成熟的，很可能才是變量最多、容錯(cuò)要求最高的家庭。

因此，具身智能真正值得關(guān)注的，是誰(shuí)能同時(shí)建立模型能力、數(shù)據(jù)基礎(chǔ)設(shè)施、仿真評(píng)測(cè)、機(jī)器人本體和真實(shí)部署網(wǎng)絡(luò)。

在這場(chǎng)競(jìng)爭(zhēng)中，中國(guó)公司的優(yōu)勢(shì)在于制造業(yè)場(chǎng)景密集、供應(yīng)鏈完整、工程落地速度快；下一步要回答的，則是這些場(chǎng)景能否沉淀出跨本體、跨行業(yè)復(fù)用的模型能力。

當(dāng)越來(lái)越多機(jī)器人在真實(shí)世界里持續(xù)工作，并把每天遇到的成功、失敗和意外重新變成訓(xùn)練材料時(shí)，物理AI的智能涌現(xiàn)已經(jīng)在發(fā)生，只是速度不一，地點(diǎn)不同。