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。7月19日2026世界人工智能大会·智启具身论坛在上海世博中心金厅举行。模型决定起点数据定义终局打造可泛化、可优化、可进化的通用具身智能系统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》。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姚卯青作主旨演讲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WRAMWorld 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作主题分享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。行业面临的下一个问题是机器人如何从实验室展示走向稳定可靠的真实部署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。圆桌论坛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。