泉源：姆巴佩哈兰德将同日进场作者： 周志宪：

WAIC 智启具身论坛，，，，全球大咖共研物理 AI 智能涌现

大象新闻记者 刘小玉

当大模子已经在语言、数学、代码等数字天下完成能力跃迁，，，，下一阶段人工智能的焦点命题正在转向真实天下：机械人怎样感知情形、明确使命、执行行动，，，，并在一连反馈中自我进化？？？
？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、觅蜂科技联合主理2026天下人工智能大会焦点分论坛“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、机械人实验室与头部科技企业手艺领军者代表，，，，配合拆解物理 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天下人工智能大会·智启具身论坛在上海世博中心金厅举行

模子决议起点，，，，数据界说终局

打造可泛化、可优化、可进化的通用具身智能系统

论坛开篇，，，，智元合资人、高级副总裁、具身营业部总裁，，，，觅蜂科技董事长兼CEO姚卯青带来主旨演讲《模子与数据飞轮：突破物理墙，，，，驱动物理 AI 智能涌现》。。

智元合资人、高级副总裁、具身营业部总裁，，，，觅蜂科技董事长兼CEO姚卯青作主旨演讲

姚卯青以为，，，，明确物理 AI，，，，首先要回到智能的两条主线：表征与闭环。。表征，，，，是对天下的笼统压缩；；；；；闭环，，，，是智能体与情形之间一连爆发的“感知、明确、决议、行动、反馈”循环。。数字 AI 的乐成，，，，实质上是知识表征在数字情形中的乐成；；；；；而物理 AI 的难点在于，，，，它必需同时买通履历表征与真实天下闭环。。

在姚卯青看来，，，，物理智能要实现规；；；；；，，，，必需突破三道墙：一是数据墙，，，，真实交互数据极其稀缺且获取本钱高；；；；；二是表征墙，，，，跨使命、跨场景、跨本体的统一物理表征尚未形成；；；；；三是闭环墙，，，，真实试错价钱腾贵、反馈缓慢，，，，难以规；；；；；。他体现，，，，物理 AI 从“能演示”走向“醒目活”，，，，要害不在于单点模子能力，，，，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。。

姚卯青作主旨演讲

围绕这一目的，，，，智元构建了“预训练—后训练—一连学习”的三阶段训练架构，，，，沿着 VLA 与 WAM 两条蹊径一连演进，，，，并推动二者走向统一的天下推理行动大模子(WRAM，，，，World Reasoning Action Model)，，，，以此推出自研 GO-2 基座模子、Act2Goal 天下模子、GE-Sim 2.0 ，，，，搭配 SOP、Genie Evolver 百台级漫衍式真机强化学习系统，，，，从算法、仿真、真机训练层面买通规；；；；；栈贰。

在数据层面，，，，姚卯青先容觅蜂科技打造了全链路物理 AI 数据基础设施，，，，依托 MEgo 系列收罗终端、MEgo Engine 治理平台与真机数据集 AGIBOT WORLD，，，，构建分层数据供应金字塔与安排回流数据飞轮，，，，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，，，，模子能力才华在真实天下中一连迭代。。

这一手艺飞轮已经在真实场景中获得验证。。在江西南昌，，，，古板3C平板量产产线完陋习；；；；；涞匮橹，，，，产线作业乐成率达99.99%。。“模子决议起点，，，，数据界说终局。。当飞轮转动，，，，智能涌现只是时间问题。。”姚卯青体现，，，，智元、觅蜂希望与全球学术界、工业界和开发者社区配合推动物理 AI 在真实天下中加速演进。。

从统一表征到跨本体迁徙：物理 AI 怎样走向通用化

随后，，，，论坛进一步围绕物理 AI 怎样突破表征、泛化与闭环难题睁开讨论。。

清华大学盘算机系副研究员苏航作主题分享

清华大学盘算机系副研究员苏航围绕《数据驱动的具身基座模子》指出，，，，具身智能正在履历一次根天性的预训练范式演化：从面向简单机械人和特定使命的行为模拟，，，，转向面向开放天下的通用能力预训练。。未来具身基座模子的目的，，，，不再只是学习“看到什么、怎样行动”，，，，而是形成对情形状态、物理纪律、行动效果和使命历程的统一明确。。

他以为，，，，这一范式将沿着三条主线加速演进：数据从简单本体走向多源混淆，，，，模子从行为模拟走向天下建模，，，，学习从离线训练走向真实安排中的一连进化。；；；；；等斯旒！⒁２僮魇荨⒌谝皇咏鞘悠岛腿死嘈形悠到荒扇胪骋坏脑ぱ盗废低，，，，差别机械臂、人形机械人和应用场景中的履历，，，，也将从相互割裂的数据，，，，转化为可迁徙、可复用的通用能力。。

苏航强调，，，，具身预训练的焦点逻辑正在从“看得更多、模拟得更像”，，，，升级为“明确天下、展望效果、一连进化”。。在这一趋势下，，，，未来行业竞争的重点也将从单项使命乐成率和演示效果，，，，转向基座模子的通用性、迁徙性和一连学习能力。。只有完成从被动天下明确、统一天下建模到闭环自我刷新的范式跃迁，，，，具身智能才可能真正从“预编程的使命执行器”走向能够顺应开放情形的通用智能体。。

Physical Intelligence 研究科学家任至意作主题分享

Physical Intelligence 研究科学家任至意则从规；；；；；媸堤煜率莩龇，，，，展示了机械人战略模子怎样在多使命、多场景训练中形成跨本体泛化能力。。例如最新模子可将在 ARX 机械臂上学习到的衣物折叠能力，，，，迁徙至 UR5 双臂机械人完成同类操作，，，，大幅降低新本体安排适配本钱。；；；；；等丝纱砦醇某鞴瘛⑽允艺怼⒘魈迦萜鞑僮鞯瘸の渤【，，，，验证多元真实交互数据对通用智能的焦点驱动价值。。

任至意先容，，，，最新 π0.7 模子实现突破性跨本体涌现迁徙能力：仅在 ARX 机械臂训练折叠衣物数据，，，，即可零适配在 UR5 双臂机械人完成同款细腻操作，，，，无需针对新本体重新微调，，，，大幅降低机械人安排适配本钱。。

Genesis AI 联合首创人王尊玄作主题分享

行业面临的下一个问题是：机械人怎样从实验室展示走向稳固可靠的真实安排？？？
？

Genesis AI 联合首创人王尊玄带来《面向通用灵巧操作的人类数据与仿真扩展》，，，，分享了 Genesis AI 面向机械人灵巧操作的全栈要领：以 1:1 人类手部数据战略为基础，，，，连系 Genesis World 仿真情形、多模态大模子 GENE 与安排数据飞轮，，，，推念头械人在数据、仿真、模子和真实安排之间一连迭代。。

王尊玄指出，，，，通用灵巧操作的突破并不但是模子架构问题，，，，更依赖高质量数据的规；；；；；┯Α。随着预训练数据规模提升，，，，模子在使命级微调后的效能和效率也有所提升。。Genesis AI通过靠近人类标准的机械人手与非侵入式手套数据收罗方式，，，，缩小人手与机械人手之间的数据鸿沟；；；；；同时，，，，Genesis World 仿真情形不但用于强化学习后训练，，，，也用于模子评测，，，，以加速模子迭代。。

Dyna Robotics 联合首创人兼首席科学家马也骋作主题分享

当机械人真正进入工业场景，，，，怎样在长时间、无人干预、高一致性要求下坚持稳固可靠？？？
？

Dyna Robotics 联合首创人兼首席科学家马也骋分享了“研究与安排飞轮”战略，，，，通过前沿研究、产品安排和真实天下数据反哺，，，，形成手艺迭代的自我强化循环。。为支持该飞轮，，，，Dyna 构建了“预训练数据金字塔”，，，，整合离线数据、在线机械人数据和高质量安排数据，，，，已积累超 20 万小时预训练数据。。模子架构上，，，，接纳低频 “推理模子” 与高频 “天下 - 行动模子” 协同事情，，，，兼顾高层认知与底层执行效率。。

马也骋先容，，，，Dyna Robotics 商用基座模子DYNA-1在餐巾折叠这一高难度使命中，，，，乐成率高达99.4%，，，，并能在 24 小时无人干预下自主折叠凌驾 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，，，，该模子展现出卓越的数据效率，，，，顺应新使命仅需不到 1 小时的后训练数据。。

可以看到，，，，几位嘉宾的分享配合指向一个判断：物理 AI 的通用化落地，，，，不是简单模子能力的突破，，，，而是数据、表征、仿真、后训练与真实场景反馈配合形成的系统性进化。。通用能力来自多源履历的规；；；；；从，，，，可靠性则来自真实闭环中的一连迭代。。

巅峰圆桌：大咖云集激辩Scaling Law"物理墙"

主旨演讲后，，，，论坛迎来压轴圆桌岑岭对话。。姚卯青、任至意、马也骋、Sunday Robotics联合首创人兼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怎样迎来通用智能涌现》。。圆桌对话由智元AI算法总监任广辉主持。。

圆桌论坛

已往几年，，，，数字大模子通过数据、模子和算力的一连扩展，，，，实现了显著的能力涌现。。但到了物理天下，，，，智能不但是明确和天生信息，，，，还必需转化为真真相形中的稳固行动，，，，面临重大交互、不确定性和硬件约束。。

圆桌首先讨论了机械人的“ChatGPT 时刻”事实需要多大规模的数据。。姚卯青以为，，，，若是将这一时刻界说为机械人能够在物理天下中“开箱即用”，，，，完成日常使命，，，，并追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子预训练语料保存万倍以上差别。。物理天下噪声更大、信息冗余更高，，，，要实现对通用物理纪律、开放式指令明确与使命妄想能力的隐式掌握，，，，需要亿小时级别的数据，，，，才华让常见使命的基础乐成率抵达70%—80%。。

围绕数据泉源，，，，嘉宾们形成了一个主要共识：物理 AI 的数据不可能只依赖简单泉源，，，，而将形成由互联网数据、第一视角数据、UMI/Ego 数据、真机数据、仿真数据与安排回流数据配合组成的“数据配方”。。

圆桌论坛

赵子豪提出，，，，短期看，，，，低本钱、低误差的数据收罗方式有助于提升预训练效率；；；；；恒久看，，，，真正决议辖档同续进化的，，，，将是机械人在多样化安排情形中形成的真实回流数据。。马也骋也指出，，，，安排数据进入下一轮预训练后，，，，可以让后续安排越来越高效，，，，最终缩短新场景落地周期；；；；；但这一飞轮建设的条件，，，，仍是底层具备海量、高多样性的预训练数据。。张正友增补道，，，，具身智能的数据飞轮必需回到物理交互自己。。无论乐成照旧失败，，，，机械人与真实天下交互爆发的数据都应被网络起来，，，，尤其要从失败数据中学习，，，，以一连提升模子能力。。

在模子蹊径方面，，，，嘉宾围绕“物理 AI 的终局是端到端 VLA、天下模子/WAM，，，，照旧更重大的 Agent 系统”睁开激辩。。任至意以为，，，，VLA 与 WAM 并不冲突，，，，未来更可能逐渐融合：模子既要明确上下文，，，，也要具备对未来状态的展望能力，，，，通过对未来建模提升表征能力。。马也骋也以为，，，，差别架构各有优势，，，，语言指令明确、未来展望、鲁棒执行等能力并不互斥；；；；；在部分强调高乐成率和少数据效率的使命中，，，，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，，，，还没有像大语言模子 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映系统之间分层协同、相互闭环。。

讨论还进一步延伸到机械人本体设计。。多位嘉宾以为，，，，本体并不是越重大越好，，，，要害在于能否匹配详细场景的使命需求、本钱约束和安排节奏。。关于是否必需自研本体，，，，任至意体现，，，，PI 目今更关注通用战略模子能力的涌现，，，，因此会优先使用相对简朴、维护本钱较低的机械人本体，，，，搭建数据与模子研发基础设施，，，，加速模子迭代。。姚卯青则以为，，，，面向商业化落地，，，，机械人必需知足客户对可靠性、本钱、乐成率和一致性的要求；；；；；全栈蹊径的价值，，，，正在于能够买通本体、硬件、模子、控制和安排，，，，在系统层面寻找最优解。。

圆桌尾声，，，，嘉宾们对机械人“ChatGPT 时刻”的到来时间给出判断。。只管详细时间预判从两年到五年不等，，，，但嘉宾们形成了配合判断：物理 AI 的智能涌现不会来自简单模子、简单数据源或简单蹊径，，，，而取决于数据规模、模子架构、仿真评测、真机反馈、安排场景与硬件系统配合组成的一连进化飞轮。。

从手艺愿景走向蹊径图

从数据飞轮、基座模子、虚实学习到商业规；；；；；涞，，，，2026智启具身论坛完整串联起物理 AI 从手艺原理到工业落地的全链路思索。。Scaling Law 的“物理墙”并非不可逾越——当数据、表征与闭环系统实现配合规；；；；；┱，，，，当学界与工业界在统一表征、虚实融合、真机进化等偏向一连深耕，，，，物理AI的涌现正在从愿景走向蹊径图。。

作为全球 AI 顶级盛会，，，，WAIC 不但是汇聚全球智慧的主要平台，，，，更是中国科技立异走向天下的盛大舞台，，，，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实力同台论道，，，，已乐成一连举行两届，，，，展现了以智元、觅蜂为代表的中国硬科技企业，，，，正在全球尖端手艺领域实现从加入者向引领者的身份转变。。