翻越Scaling Law“物理墻”：WAIC智啟具身論壇勾勒路線圖

（上海，2026年7月19日）當大模型已經在語言、數學、代碼等數字世界完成能力躍遷，下一階段人工智能的核心命題正在轉向真實世界：機器人如何感知環境、理解任務、執行動作，并在持續反饋中自我進化？物理AI何時會迎來ChatGPT 時刻？

圍繞行業最熱議題，7月19日，智元、覓蜂科技聯合主辦2026世界人工智能大會核心分論壇“智啟具身論壇2026——迎接物理AI智能涌現”。本次論壇匯聚清華大學、佐治亞理工學院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、騰訊Robotics X 等海內外頂尖高校、機器人實驗室與頭部科技企業技術領軍者代表，共同拆解物理 AI翻越 Scaling Law “物理墻”、實現通用物理智能涌現的可行路徑。

（7月19日，2026世界人工智能大會·智啟具身論壇在上海世博中心金廳舉行）

模型決定起點，數據定義終局

打造可泛化、可優化、可進化的通用具身智能系統

論壇開篇，智元合伙人、高級副總裁、具身業務部總裁，覓蜂科技董事長兼CEO姚卯青帶來主旨演講《模型與數據飛輪：沖破物理墻，驅動物理 AI 智能涌現》。

（智元合伙人、高級副總裁、具身業務部總裁，覓蜂科技董事長兼CEO姚卯青作主旨演講）

姚卯青認為，理解物理 AI，首先要回到智能的兩條主線：表征與閉環。表征，是對世界的抽象壓縮；閉環，是智能體與環境之間持續發生的“感知、理解、決策、行動、反饋”循環。數字 AI 的成功，本質上是知識表征在數字環境中的成功；而物理 AI 的難點在于，它必須同時打通經驗表征與真實世界閉環。

在姚卯青看來，物理智能要實現規模化，必須突破三道墻：一是數據墻，真實交互數據極其稀缺且獲取成本高；二是表征墻，跨任務、跨場景、跨本體的統一物理表征尚未形成；三是閉環墻，真實試錯代價昂貴、反饋緩慢，難以規模化。他表示，物理 AI 從“能演示”走向“能干活”，關鍵不在于單點模型能力，而在于能否形成可泛化、可優化、可進化的通用具身智能系統。

（姚卯青作主旨演講）

圍繞這一目標，智元構建了“預訓練—后訓練—持續學習”的三階段訓練架構，沿著 VLA 與 WAM 兩條路線持續演進，并推動二者走向統一的世界推理動作大模型（WRAM，World 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 百臺級分布式真機強化學習體系，從算法、仿真、真機訓練層面打通規模化迭代閉環。

在數據層面，姚卯青介紹覓蜂科技打造了全鏈路物理 AI 數據基礎設施，依托 MEgo 系列采集終端、MEgo Engine 治理平臺與真機數據集 AGIBOT WORLD，構建分層數據供給金字塔與部署回流數據飛輪，從源頭解決行業數據稀缺難題。姚卯青強調，當執行、回流、挖掘、更新形成自動化閉環，模型能力才能在真實世界中持續迭代。

這一技術飛輪已經在真實場景中獲得驗證。在江西南昌，傳統3C平板量產產線完成規模化落地驗證，產線作業成功率達99.99%。“模型決定起點，數據定義終局。當飛輪轉動，智能涌現只是時間問題。”姚卯青表示，智元、覓蜂希望與全球學術界、產業界和開發者社區共同推動物理 AI 在真實世界中加速演進。

從統一表征到跨本體遷移：物理 AI 如何走向通用化

隨后，論壇進一步圍繞物理 AI 如何突破表征、泛化與閉環難題展開討論。

（清華大學計算機系副研究員蘇航作主題分享）

清華大學計算機系副研究員蘇航圍繞《數據驅動的具身基座模型》指出，具身智能正在經歷一次根本性的預訓練范式演化：從面向單一機器人和特定任務的行為模仿，轉向面向開放世界的通用能力預訓練。未來具身基座模型的目標，不再只是學習“看到什么、如何動作”，而是形成對環境狀態、物理規律、動作后果和任務進程的統一理解。

他認為，這一范式將沿著三條主線加速演進：數據從單一本體走向多源混合，模型從行為模仿走向世界建模，學習從離線訓練走向真實部署中的持續進化。機器人軌跡、遙操作數據、第一視角視頻和人類行為視頻將被納入統一的預訓練體系，不同機械臂、人形機器人和應用場景中的經驗，也將從彼此割裂的數據，轉化為可遷移、可復用的通用能力。

蘇航強調，具身預訓練的核心邏輯正在從“看得更多、模仿得更像”，升級為“理解世界、預測后果、持續進化”。在這一趨勢下，未來行業競爭的重點也將從單項任務成功率和演示效果，轉向基座模型的通用性、遷移性和持續學習能力。只有完成從被動世界理解、統一世界建模到閉環自我改進的范式躍遷，具身智能才可能真正從“預編程的任務執行器”走向能夠適應開放環境的通用智能體。

（Physical Intelligence 研究科學家任至意作主題分享）

Physical Intelligence 研究科學家任至意則從規模化真實世界數據出發，展示了機器人策略模型如何在多任務、多場景訓練中形成跨本體泛化能力。例如最新模型可將在 ARX 機械臂上學習到的衣物折疊能力，遷移至 UR5 雙臂機器人完成同類操作，大幅降低新本體部署適配成本。機器人可處理未見過的櫥柜、臥室整理、流體容器操作等長尾場景，驗證多元真實交互數據對通用智能的核心驅動價值。

任至意介紹，最新 π0.7 模型實現突破性跨本體涌現遷移能力：僅在 ARX 機械臂訓練折疊衣物數據，即可零適配在 UR5 雙臂機器人完成同款精細操作，無需針對新本體重新微調，大幅降低機器人部署適配成本。

（Genesis AI 聯合創始人王尊玄作主題分享）

行業面臨的下一個問題是：機器人如何從實驗室展示走向穩定可靠的真實部署？

Genesis AI 聯合創始人王尊玄帶來《面向通用靈巧操作的人類數據與仿真擴展》，分享了 Genesis AI 面向機器人靈巧操作的全棧方法：以 1:1 人類手部數據策略為基礎，結合 Genesis World 仿真環境、多模態大模型 GENE 與部署數據飛輪，推動機器人在數據、仿真、模型和真實部署之間持續迭代。

王尊玄指出，通用靈巧操作的突破并不只是模型架構問題，更依賴高質量數據的規模化供給。隨著預訓練數據規模提升，模型在任務級微調后的效能和效率也有所提升。Genesis AI通過接近人類尺度的機器人手與非侵入式手套數據采集方式，縮小人手與機器人手之間的數據鴻溝；同時，Genesis World 仿真環境不僅用于強化學習后訓練，也用于模型評測，以加速模型迭代。

（Dyna Robotics 聯合創始人兼首席科學家馬也騁作主題分享）

當機器人真正進入產業場景，如何在長時間、無人干預、高一致性要求下保持穩定可靠？

Dyna Robotics 聯合創始人兼首席科學家馬也騁分享了“研究與部署飛輪”戰略，通過前沿研究、產品部署和真實世界數據反哺，形成技術迭代的自我強化循環。為支撐該飛輪，Dyna 構建了“預訓練數據金字塔”，整合離線數據、在線機器人數據和高質量部署數據，已積累超 20 萬小時預訓練數據。模型架構上，采用低頻 “推理模型” 與高頻 “世界 - 行動模型” 協同工作，兼顧高層認知與底層執行效率。

馬也騁介紹，Dyna Robotics 商用基座模型DYNA-1在餐巾折疊這一高難度任務中，成功率高達99.4%，并能在 24 小時無人干預下自主折疊超過 850 個餐巾，實現了從 “實驗室演示” 到 “工業級可靠性” 的跨越。同時，該模型展現出卓越的數據效率，適應新任務僅需不到 1 小時的后訓練數據。

可以看到，幾位嘉賓的分享共同指向一個判斷：物理 AI 的通用化落地，不是單一模型能力的突破，而是數據、表征、仿真、后訓練與真實場景反饋共同形成的系統性進化。通用能力來自多源經驗的規模化復用，可靠性則來自真實閉環中的持續迭代。

巔峰圓桌：大咖云集激辯Scaling Law"物理墻"

主旨演講后，論壇迎來壓軸圓桌高峰對話。姚卯青、任至意、馬也騁、Sunday Robotics聯合創始人兼CEO趙子豪、騰訊首席科學家&騰訊Robotics X實驗室主任張正友幾位重磅嘉賓同臺，議題鎖定《Scaling Law的"物理墻"：物理AI如何迎來通用智能涌現》。圓桌對話由智元AI算法總監任廣輝主持。

（圓桌論壇）

過去幾年，數字大模型通過數據、模型和算力的持續擴展，實現了顯著的能力涌現。但到了物理世界，智能不只是理解和生成信息，還必須轉化為真實環境中的穩定行動，面對復雜交互、不確定性和硬件約束。

圓桌首先討論了機器人的“ChatGPT 時刻”究竟需要多大規模的數據。姚卯青認為，如果將這一時刻定義為機器人能夠在物理世界中“開箱即用”，完成日常任務，并跟隨開放式自然語言指令行動，那么具身數據規模仍與語言模型預訓練語料存在萬倍以上差距。物理世界噪聲更大、信息冗余更高，要實現對通用物理規律、開放式指令理解與任務規劃能力的隱式掌握，需要億小時級別的數據，才能讓常見任務的基礎成功率達到70%—80%。

圍繞數據來源，嘉賓們形成了一個重要共識：物理 AI 的數據不可能只依賴單一來源，而將形成由互聯網數據、第一視角數據、UMI/Ego 數據、真機數據、仿真數據與部署回流數據共同組成的“數據配方”。

（圓桌論壇）

趙子豪提出，短期看，低成本、低偏差的數據采集方式有助于提升預訓練效率；長期看，真正決定系統持續進化的，將是機器人在多樣化部署環境中形成的真實回流數據。馬也騁也指出，部署數據進入下一輪預訓練后，可以讓后續部署越來越高效，最終縮短新場景落地周期；但這一飛輪成立的前提，仍是底層具備海量、高多樣性的預訓練數據。張正友補充道，具身智能的數據飛輪必須回到物理交互本身。無論成功還是失敗，機器人與真實世界交互產生的數據都應被收集起來，尤其要從失敗數據中學習，以持續提升模型能力。

在模型路線方面，嘉賓圍繞“物理 AI 的終局是端到端 VLA、世界模型/WAM，還是更復雜的 Agent 系統”展開激辯。任至意認為，VLA 與 WAM 并不沖突，未來更可能逐漸融合：模型既要理解上下文，也要具備對未來狀態的預測能力，通過對未來建模提升表征能力。馬也騁也認為，不同架構各有優勢，語言指令理解、未來預測、魯棒執行等能力并不互斥；在部分強調高成功率和少數據效率的任務中，WAM 可能比 VLA 更高效。張正友則提出，具身智能尚處于早期階段，還沒有像大語言模型 Transformer 那樣收斂的統一框架，未來更可能是認知系統、感知行動系統和底層反應系統之間分層協同、相互閉環。

討論還進一步延伸到機器人本體設計。多位嘉賓認為，本體并不是越復雜越好，關鍵在于能否匹配具體場景的任務需求、成本約束和部署節奏。對于是否必須自研本體，任至意表示，PI 當前更關注通用策略模型能力的涌現，因此會優先使用相對簡單、維護成本較低的機器人本體，搭建數據與模型研發基礎設施，加快模型迭代。姚卯青則認為，面向商業化落地，機器人必須滿足客戶對可靠性、成本、成功率和一致性的要求；全棧路線的價值，正在于能夠打通本體、硬件、模型、控制和部署，在系統層面尋找最優解。

圓桌尾聲，嘉賓們對機器人“ChatGPT 時刻”的到來時間給出判斷。盡管具體時間預判從兩年到五年不等，但嘉賓們形成了共同判斷：物理 AI 的智能涌現不會來自單一模型、單一數據源或單一路線，而取決于數據規模、模型架構、仿真評測、真機反饋、部署場景與硬件系統共同構成的持續進化飛輪。

從技術愿景走向路線圖

從數據飛輪、基座模型、虛實學習到商業規模化落地，2026智啟具身論壇完整串聯起物理 AI 從技術原理到產業落地的全鏈路思考。Scaling Law 的“物理墻”并非不可逾越——當數據、表征與閉環系統實現共同規模化擴展，當學界與產業界在統一表征、虛實融合、真機進化等方向持續深耕，物理AI的涌現正在從愿景走向路線圖。

作為全球 AI 頂級盛會，WAIC 不僅是匯聚全球智慧的重要平臺，更是中國科技創新走向世界的盛大舞臺，而具身智能作為中國“新質生產力”的代表，正是與全球并肩探索的智能邊疆。“智啟具身論壇”匯聚中美產學研頂尖力量同臺論道，已成功連續舉辦兩屆，展現了以智元、覓蜂為代表的中國硬科技企業，正在全球尖端技術領域實現從參與者向引領者的身份轉變。