在WAIC 2026智启具身论坛，行业在探讨的，是一套能够在物理世界持续学习、自我改进的系统。

听完后，一个很明显的感受是：虽然“人形机器人”依然是最容易吸引镜头的概念，但台上被反复讨论的关键词，已经从自由度、关节数量和动作展示，转向了数据、模型、仿真、部署、失败反馈和持续学习。

这意味着，具身智能正在进入一个新阶段。

过去两年，行业首先要证明机器人“能做”；现在，问题变成了它能不能连续做几百次、几千次，换一个环境还能不能做，失败以后能不能自己恢复，以及部署出去以后，能力能否继续增长。

换句话说，具身智能的竞争，正在从机器人产品竞争，变成一场训练系统和数据基础设施的竞争。

01、物理AI的Scaling Law，卡在交互经验

大语言模型的Scaling Law相对直接：更多数据、更大模型、更多算力，通常可以换来更好的能力。

但物理世界并不是一个可以直接爬取的互联网。

智元合伙人、觅蜂科技董事长兼CEO姚卯青在演讲中将物理AI面临的问题概括为“三道墙”：数据墙、表征墙和闭环墙。

数据墙，是高质量真实交互数据昂贵且稀缺；表征墙，是不同任务、场景和机器人本体之间，尚未形成足够统一的物理表征；闭环墙，则是真实世界中的试错速度慢、成本高，一次失败可能带来零部件损坏，甚至影响整台机器。

这个判断很重要。

语言模型犯错，通常只是生成了一个错误答案；机器人犯错，可能打碎杯子、碰伤人或者造成产线停机。因此，物理AI真正需要规模化的，并不只是“数据量”，更是可执行、可评价、可回流的交互闭环。

这也解释了为什么把一个大模型接到机器人上，并不等于完成了具身智能。大模型擅长回答“这是什么”“应该做什么”，机器人还必须解决“怎样做”“力度多大”“失败后怎么办”，以及“做完以后，世界发生了什么变化”。

从数字AI到物理AI，是要把经验规模化。

02、数据开始从“数量竞赛”变成“配方竞争”

本次论坛最值得关注的变化，是几乎所有团队都不再相信单一数据来源能够解决问题。

目前逐渐形成的数据结构，大致像一个金字塔。

底层是规模最大的互联网视频和人类行为视频，它们成本低、覆盖广，可以帮助模型理解物体、场景和人类行为；中间层是第一视角、UMI等“无本体数据”，即通过手持或穿戴式设备记录人的动作轨迹，绕开昂贵机器人的采集瓶颈；顶层则是真机遥操作数据、实际部署数据以及机器人失败后的回流数据，数量最少，却最接近真实执行。

姚卯青在圆桌中估计，若将机器人的“ChatGPT时刻”定义为能够开箱即用、理解开放式自然语言指令，并在常见任务中达到70%至80%的基础成功率，具身数据可能需要达到亿小时级别。这个数字，说明了真机采集不可能是唯一答案。

清华大学计算机系副研究员苏航把具身预训练的演进归纳为三条线：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。

这意味着，未来的模型不会只学习“看到这个画面就做这个动作”。它还要理解任务进展、预测动作后果，并把不同机械臂、人形机器人和场景中的经验压缩成可迁移的能力。

数据基础设施由此成为具身智能产业链里越来越重要的一层。觅蜂科技展示了MEgo系列采集终端、MEgo Engine治理平台和AGIBOT WORLD真机数据集，试图把采集、清洗、标注、评测和部署回流接成一条链。商业价值可能也会从“出售一批数据”，转向帮助客户设计数据配方，并证明这批数据确实提升了模型表现。

对具身智能来说，低质量数据的规模化甚至可能放大问题。一个动作标签偏差、一段时间没有对齐的传感器数据，进入训练后都会变成机器人执行时的误差。数据量很重要，数据能否跨本体复用、能否回到真机闭环验证，重要性更高。

03、VLA和世界模型，正在从路线之争走向融合

过去一段时间，具身智能存在一场路线争论：机器人应该直接使用视觉—语言—动作模型，也就是VLA，从图像和指令端到端输出动作；还是应该先建立世界模型，预测每个动作可能给环境带来的变化，再决定如何行动？

从这次论坛释放的信息看，两条路线正在走向融合。

智元展示的GO-2强调动作思维链，让机器人先做粗粒度规划，再完成高频、精细的执行；Act2Goal则通过预测中间视觉状态，实现“先想后做”。智元将VLA与世界动作模型融合后的方向称为WRAM，即世界推理动作模型。

Physical Intelligence研究科学家任至意展示的π0.7模型，则提供了另一个有代表性的结果：模型在ARX机械臂上学习衣物折叠后，可以迁移到UR5双臂机器人上执行相似任务，不需要针对新本体重新微调。

跨本体迁移，是具身智能能否形成平台型公司的关键。

假如每换一种机械臂、夹爪或者机器人，都要重新采集数据、重新训练模型，那么机器人行业最终仍然会停留在传统自动化项目制。一旦模型能够把不同本体的经验映射到相对统一的动作空间，软件和数据才可能获得真正的规模效应。

清华大学苏航提出的方向同样指向统一表征：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，训练则从一次性离线学习，走向部署过程中的持续进化。

最终的物理AI系统，可能是一个多时间尺度系统：上层理解语言和任务，中层预测未来状态并制定计划，底层负责高频控制和即时反应。

这更像人类的大脑、小脑和神经反射系统协同工作，而不是让一个模型以同样频率思考所有问题。

04、真正的分水岭，是从“视频能看”到“机器能用”

具身智能行业曾经有大量令人惊艳的演示，但演示和产品之间存在一条很深的鸿沟。

一个机器人成功叠好一次衣服，可以制作一段传播广泛的视频；一家工厂真正关心的，却是它能否连续工作，成功率是否稳定，出现异常是否能够恢复，维护成本能否被节省的人力覆盖。

这次论坛上，一些数据开始具有产业参考意义。

据智元现场披露，其机器人在江西南昌的一条3C产线上进行了连续六天、每天超过10小时的作业，累计完成接近6.5万次操作，成功率达到99.99%。

Dyna Robotics披露，其商用基座模型DYNA-1在餐巾折叠任务中成功率达到99.4%，并在24小时无人干预情况下完成超过850个餐巾的折叠；针对新任务，所需后训练数据不到一小时。

这些数字仍需要放到更长周期、更多场景和实际成本中观察，但衡量标准的变化已经十分明确：行业开始用连续运行时间、任务成功率、适配数据量和人工干预频率，而不是单次演示效果评价机器人。

更深一层看，商业部署与通用智能并非完全对立。

过去，人们担心做具体项目会拖累通用模型研发。但Dyna Robotics等团队提出的“研究—部署飞轮”说明，真实部署可以暴露实验室无法预见的问题，也能产生最有价值的长尾数据。部署不只是模型训练完成后的终点，也可能是下一轮训练的起点。

谁先把机器人部署出去，谁就更早获得真实数据；谁能更快消化数据，谁的后续部署成本就更低。这可能成为具身智能时代最重要的飞轮。

05、“ChatGPT时刻”不会在同一天到来

圆桌最后，嘉宾们给出的时间判断从两年到五年不等：姚卯青判断两年，Sunday Robotics赵子豪认为三年以内，马也骋判断四年，任至意认为四五年，张正友给出了三到五年的区间。

机器人未必会复制ChatGPT在某一天突然席卷所有人的路径。大家口中的“ChatGPT时刻”其实未必指向同一个终点。

ChatGPT是一项纯软件产品，只要服务器准备好，几乎可以瞬间触达全球用户。机器人受到制造产能、硬件成本、供应链、安全标准和现场维护的共同限制，不可能通过一个网页完成全球分发。

物理AI更可能是分层涌现。

试想一下，首先出现的，会是在工厂、仓储、后厨等环境相对结构化、任务价值明确的场景；随后进入商超、酒店、养老等半开放环境；最晚成熟的，很可能才是变量最多、容错要求最高的家庭。

因此，具身智能真正值得关注的，是谁能同时建立模型能力、数据基础设施、仿真评测、机器人本体和真实部署网络。

在这场竞争中，中国公司的优势在于制造业场景密集、供应链完整、工程落地速度快；下一步要回答的，则是这些场景能否沉淀出跨本体、跨行业复用的模型能力。

当越来越多机器人在真实世界里持续工作，并把每天遇到的成功、失败和意外重新变成训练材料时，物理AI的智能涌现已经在发生，只是速度不一，地点不同。

本文来自微信公众号“吴怼怼”，36氪经授权发布。