具身智能破局：WAIC七巨头解码物理AI数据飞轮与通用性拐点
物理AI的“三重困境”与破局思路
在2026年世界人工智能大会（WAIC）期间，一场围绕具身智能（Embodied AI）核心命题的圆桌对话，成为了整个会议最具含金量的技术观察窗口。由智元机器人合伙人姚卯青发起，汇聚了Physical Intelligence研究科学家任至意、佐治亚理工学院徐丹飞教授、腾讯首席科学家张正友、Dyna Robotics联创马也骋、Sunday创始人赵子豪以及清华大学苏航教授等七位顶尖学者与行业领袖。他们共同聚焦于“Scaling Law的物理墙”这一关键议题，探讨了物理AI如何跨越从数字模拟到真实世界落地的鸿沟。
姚卯青在开场中敏锐地指出，尽管数字世界的智能涌现已蔚为大观，但物理世界仍存在三堵难以逾越的“墙”。首先是“数据墙”，真实交互数据稀缺且昂贵，无法像互联网文本那样低成本规模化获取；其次是“表征墙”，不同机器人本体和任务缺乏统一的跨任务表征标准；最后是“闭环墙”，物理世界的试错成本极高，硬件损坏风险大，导致反馈延迟严重。打破这三堵墙，需要依靠世界模型仿真与多机器人集群强化学习的“双螺旋驱动”，实现从知识规模化向真实经验规模化的范式跃迁。
数据获取的革命：人类作为最佳教科书
在解决数据稀缺问题上，徐丹飞教授提出了一种颠覆性的视角：人类本身就是机器人最好的“教科书”。传统的遥操作数据采集方式不仅效率低下，更难以捕捉诸如揉面、抓取薄片等高精度的物理智能细节。徐丹飞团队自2023年起便致力于收集人类第一视角（First-Person View, FPV）数据，目前已在英伟达平台上验证了2万小时的高质量人类操作数据。
这一策略带来了显著的线性Scaling规律：随着数据量的成倍增加，机器人处理复杂任务的成功率呈现指数级上升。实验数据显示，经过海量数据训练的模型甚至实现了零样本组装玩具小车的壮举。这种“以人训机”的路径，不仅规避了遥操作的局限性，更为解决具身智能的数据荒提供了一条经过验证的高效通道。它揭示了在具身智能领域，数据的质与量同样关键，而人类自然行为中蕴含的隐性物理知识，是纯仿真数据无法替代的宝贵资产。
模型架构演进：上下文扩展与多模态引导
如果说数据是燃料，那么模型架构就是引擎。Physical Intelligence（PI）团队的任至意分享了其在提升模型上下文理解能力方面的最新突破。他指出，以往模型在处理历史信息时容易受到噪声干扰，导致策略偏差。为此，PI团队在PI0.7模型中引入了“Dance Multimodal Guidance”高维多模态引导机制，并结合视频编码器，使模型能够预判任务完成后的视觉状态。
更具创新性的是，PI团队首次在上下文训练中加入数据质量打分机制，相当于赋予模型识别数据“好坏”的能力。这一改进带来了显著的效果：PI0.7不再依赖特定任务的微调，仅凭单一Checkpoint即可应对多种复杂场景，并实现了跨本体的技能迁移——在低成本机械臂上习得的叠衣技能，可直接应用于工业级机械臂。这种具备长程上下文理解能力的模型，标志着具身智能从“指令跟随”向“意图理解”的关键转变。
推理机制升级：慢思考与快反应的协同
随着模型感知能力的提升，如何处理长程复杂任务成为新的瓶颈。Genesis AI的王尊玄提出了“双系统”架构理念，即“快思考”与“慢思考”的结合。所谓的“快思考”是指基于直觉的世界动作模型（World Action Model），它数据效率高且反应迅速；而“慢思考”则是指推理模型（Reasoning Model），负责处理需要逻辑规划的高层任务。
通过这种混合预训练架构，Dyna Robotics成功降低了新任务的上手门槛。案例显示，仅需少量数据演示，机器人即可实现高精度、零失误的连续操作，如切芹菜或堆叠易碎品。更令人瞩目的是，这种高效的后续训练（Post-Training）过程已实现自动化，普通采集员录制的数据即可触发模型对新动作的学习，并具备零样本抓取未知物体的能力。这种Data-Driven的泛化能力，极大缩短了从研发到部署的周期。
商业落地的终极考验：可靠性与数据金字塔
尽管实验室中的模型表现惊艳，但商业化落地仍需面对严苛的可靠性要求。Dyna Robotics的马也骋分享了其在真实工业场景中的部署经验。他强调，真正的具身智能必须具备在真实世界中犯错并恢复的能力。为此，团队构建了“数据金字塔”：底层基于互联网和人类第一视角数据，中层使用真机多任务数据，塔尖则是机器人在真实部署中犯错及恢复的高价值过程数据。
这套模型在江西南昌红旗3C产线经过了严苛测试。在24小时连续运行的测试中，机器人完成了近6.5万件任务，成功率高达99.99%。马也骋指出，行业目前缺乏的不是“通用”能力，而是“高可靠”的单项任务执行能力。只有将特定场景下的成功率死磕到极致，具身智能才能真正跨越从实验室到工厂的“死亡之谷”。
路线之争与终局展望
在圆桌对话的最后环节，与会嘉宾就主流算法路线、软硬件一体化及大厂角色等话题展开了深入交流。
关于VLA（视觉-语言-动作模型）与世界模型（World Model）的关系，任至意认为两者并不冲突，未来的趋势是两者的收敛。马也骋则从效率角度出发，认为在特定场景下世界动作模型比VLA更高效，但需要推理模型支撑长程任务。徐丹飞强调，无论架构如何，核心指标始终是学习能力、泛化能力和实时性。张正友教授则提醒行业，具身智能应包含认知、感知和行动三层闭环，单一小模型难以解决所有问题。
在硬件本体方面，Sunday的赵子豪认为当前瓶颈在于“大脑”而非“灵巧手”，应追求成本与能力的平衡；姚卯青则坚持全栈研发的重要性，通过端云协同架构优化系统效率。徐丹飞推测，随着灵巧度提升，机器人将能直接从人类数据中学习策略。张正友指出，互联网数据虽有用，但精密操作仍需异构数据与仿真补充。
面对大厂入局，马也骋认为机器人对低延迟的高要求使其难以完全依赖云端API，创业公司应坚持本地模型自研。张正友则以PC时代Mac与Windows共存为例，预言“全栈”与“只做大脑”模式将并存，创业公司应在场景和数据挖掘上寻求差异化突破。
对于具身智能“ChatGPT时刻”的到来，共识逐渐形成：姚卯青预计2年，任至意和马也骋预计4-5年，徐丹飞和张正友预计3-5年，赵子豪甚至预测3年内即可实现。这一时间表的收敛，表明行业对数据积累、模型突破及工程部署的信心正在快速增强。具身智能正从技术探索期迈向规模化落地的关键转折期，物理世界的智能涌现已成为不可逆转的趋势。