具身智能进入新阶段：从能做，到持续可靠地做

具身智能正在跨越关键分水岭

在WAIC 2026智启具身论坛上，行业共识正悄然转移：人形机器人虽仍是视觉焦点，但真正被高频提及的关键词已不再是自由度、关节数或炫技式动作，而是数据、模型、仿真、部署、失败反馈与持续学习。这标志着具身智能正从“证明可行”阶段，迈入“验证可靠”阶段。 过去两年，核心任务是让机器人“能做”——完成一次指令、叠好一件衣服、抓取一个物体；而今天的问题更为严苛：它能否连续执行数百次甚至数千次？换一个光照、地面材质或物品摆放方式，是否依然稳定？失败后能否自主恢复？部署上线后，能力会不会随时间推移而增强？ 具身智能的竞争本质，已从单台机器人性能比拼，转向训练系统与数据基础设施的体系化较量。

物理AI的Scaling Law，卡在真实交互闭环

大语言模型的规模增长路径清晰：更多数据、更大参数、更强算力，往往带来更优表现。但物理世界无法被爬取，也无法被无损复制。智元合伙人、觅蜂科技CEO姚卯青将其概括为“三道墙”：数据墙、表征墙、闭环墙。 数据墙，指高质量、带动作意图与环境反馈的真实交互数据极其稀缺且采集成本高昂；表征墙，指不同机器人本体、任务类型与物理场景之间，尚缺乏统一、可迁移的动作与状态表征；闭环墙，则源于真实世界的试错代价——一次失误可能损坏部件、伤及人员或中断产线，远非语言模型输出错误答案那般轻量。 因此，物理AI真正需要规模化的能力，不是静态的数据量，而是“可执行—可评价—可回流”的闭环经验。把一个大语言模型简单接入机器人，不等于具身智能落地。模型需理解“该做什么”，机器人更要解决“如何精准执行”“力度如何控制”“失败如何应对”，以及“动作之后，世界发生了什么变化”。 从数字AI到物理AI，本质是把人类经验转化为机器可复用、可迭代、可泛化的闭环知识。

数据竞争，正从数量转向配方

本次论坛最显著的变化之一，是所有头部团队均已放弃依赖单一数据源。当前主流数据结构呈现金字塔形态：底层是海量互联网视频与人类行为视频，覆盖广、成本低，支撑基础感知与常识理解；中层是第一视角动作数据（如UMI、手持/穿戴设备采集），绕开真机采集瓶颈，捕捉自然动作轨迹；顶层则是真机遥操作数据、实际产线部署数据及失败回流数据——数量最少，却最贴近真实执行逻辑与误差分布。 姚卯青估算，若将具身智能的“ChatGPT时刻”定义为：开箱即用、理解开放式自然语言指令、在常见任务中达成70%–80%基础成功率，则所需真实交互数据量级或将达亿小时。这一量级，彻底否定了仅靠真机采集的可行性。 清华大学苏航副研究员将具身预训练演进归纳为三条主线：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部署中的持续进化。这意味着未来模型不仅要学“看到什么就做什么”，更要理解任务进展、预测动作后果，并将不同机械臂、人形平台、作业场景的经验压缩为可迁移能力。 数据基础设施由此成为产业链关键一环。觅蜂科技推出的MEgo系列采集终端、MEgo Engine治理平台与AGIBOT WORLD真机数据集，正是试图打通采集—清洗—标注—评测—部署回流的全链路。商业价值也将从“卖数据包”，升级为“定制数据配方+效果验证”——即根据客户任务目标，组合多源数据并实证其对模型指标的实际提升。 值得注意的是，低质量数据的规模化不仅无效，反而有害。一个动作标签偏差、一段未对齐的传感器时序，都可能在训练中固化为执行误差。数据量重要，但跨本体复用能力、真机闭环验证机制，更为根本。

VLA与世界模型，正走向协同融合

曾被视作路线之争的VLA（视觉—语言—动作端到端模型）与世界模型（预测动作对环境的影响再决策），在本次论坛中展现出明确融合趋势。 智元展示的GO-2系统强调“动作思维链”：先做粗粒度任务规划，再交由底层控制器完成高频精细执行；Act2Goal则通过预测中间视觉状态实现“先想后做”。二者融合后的新范式被命名为WRAM（World Reasoning Action Model），即世界推理动作模型。 Physical Intelligence科学家任至意发布的π0.7模型进一步佐证该方向：在ARX机械臂上习得衣物折叠能力后，无需微调即可迁移到UR5双臂机器人上执行同类任务。跨本体迁移能力，是具身智能能否摆脱项目制、走向平台型发展的分水岭。 若每次更换夹爪、基座或关节构型，都要重采数据、重训模型，机器人产业仍将困于定制化交付。只有当不同本体的经验可映射至统一动作空间与状态表征，软件与数据才具备真正的规模效应。 苏航提出的三线演进，最终指向同一目标：构建多时间尺度协同的物理AI系统——上层处理语言与任务理解，中层进行状态预测与长程规划，底层专注毫秒级运动控制与异常响应。这更接近人类神经系统的分工逻辑，而非让单一模型以相同节奏处理所有层级问题。

真正的跃迁，是从‘视频能看’到‘机器能用’

行业曾涌现大量惊艳演示，但演示≠可用。一段叠衣成功视频传播广泛，工厂真正关心的却是：它能否每天连续运行10小时？成功率是否长期稳定在99.5%以上？异常出现时能否自主恢复？维护成本是否低于人力替代收益？ 本次论坛首次披露了一批具备产业参考价值的实测数据：智元机器人在江西南昌3C产线连续运行六天、日均超10小时，累计完成近6.5万次操作，成功率达99.99%；Dyna Robotics的DYNA-1商用基座模型，在餐巾折叠任务中成功率99.4%，24小时无人干预下完成超850次折叠，且适配新任务所需后训练数据不足一小时。 这些数字仍需经受更长周期、更多变量场景与综合成本核算的检验，但评价标准已发生根本转变：行业正用连续运行时长、任务成功率、适配数据量、人工干预频次等硬指标，替代单次演示效果。 更深层的共识是：商业部署与通用能力并非对立。Dyna Robotics提出的“研究—部署飞轮”表明，真实场景暴露的问题远超实验室预设，而产生的长尾数据恰恰是最具训练价值的部分。部署不是终点，而是下一轮迭代的起点——谁先规模化部署，谁就率先获得真实世界反馈；谁能高效消化反馈，谁就能降低后续部署门槛与迭代周期。这将成为具身智能时代最核心的增长飞轮。

‘ChatGPT时刻’不会统一到来，但已在分层发生

关于“具身智能何时迎来爆发点”，圆桌嘉宾给出的时间判断从两年到五年不等。但共识在于：它不会像ChatGPT那样，在某一天突然席卷全球。 ChatGPT是纯软件产品，服务器就绪即可全球分发；机器人则受限于制造产能、硬件成本、供应链韧性、安全认证与现场运维体系，注定是渐进式、分层式涌现。 最先成熟的，将是工厂、仓储、后厨等结构化程度高、任务价值明确、容错空间相对充足的场景；随后扩展至商超理货、酒店递送、养老照护等半开放环境；家庭服务则因变量最多、安全要求最高、长尾需求最复杂，必然是最后落地的领域。 因此，真正值得追踪的竞争维度，是企业能否同步构建五大能力：先进模型架构、可扩展数据基础设施、高保真仿真与评测体系、可靠机器人本体、以及覆盖真实场景的部署网络。 中国公司的优势在于制造业场景密度高、供应链响应快、工程化落地效率强；下一阶段的关键命题，则是：这些密集场景能否沉淀出真正跨本体、跨行业、可复用的通用能力？ 当越来越多机器人在真实产线、仓库与服务现场持续运行，并将每日的成功、失败与意外，自动转化为新一轮训练素材时，物理AI的智能涌现已然开始——只是它不在同一个时间点，也不在同一个地点。