RSS 2026 實(shí)錄：當(dāng) AGI 撞上「物理之墻」，想象力成為具身智能的第一生產(chǎn)力

從“像素導(dǎo)演”轉(zhuǎn)向“具身大腦”：RSS 2026“機(jī)器人世界模型”專題現(xiàn)場(chǎng)見證，想象力正在終結(jié)具身智能的“數(shù)據(jù)暴政”。

編輯丨岑峰

2026 年 7 月的悉尼，RSS 會(huì)場(chǎng)內(nèi)，一種復(fù)雜的情緒正在蔓延：一半是火焰，一半是海水。

火焰來自于大模型在云端的持續(xù)狂飆，海水則來自于具身智能在現(xiàn)實(shí)落地中的“物理陣痛”。

在此之前，全球 AI 行業(yè)篤信一套名為“暴力美學(xué)”的成功公式：巨大的參數(shù)量 + 幾乎無窮的互聯(lián)網(wǎng)數(shù)據(jù) = 涌現(xiàn)的智能。這一公式在處理文本、圖像甚至是視頻生成時(shí)無往不利。但當(dāng)人們?cè)噲D將這套邏輯直接“平移”到機(jī)器人身上，讓 AGI 進(jìn)入物理世界時(shí)，那道無形卻堅(jiān)硬的“物理之墻”出現(xiàn)了。

在云端，數(shù)據(jù)可以被無限次復(fù)制和合成；但在物理世界，每一次機(jī)械臂的抓取、每一次足式機(jī)器人的邁步，都受限于時(shí)間的線性和物理空間的約束。

當(dāng)“暴力美學(xué)”撞上“物理硬墻”，那個(gè)在數(shù)字世界里幾乎無所不能的 Scaling Law，在試圖擰開一個(gè)生銹的螺絲釘或在雜亂的廚房里尋找一只空氣炸鍋時(shí)，表現(xiàn)出了令人沮喪的笨拙。

AI 行業(yè)最核心的矛盾已經(jīng)轉(zhuǎn)移：我們需要機(jī)器人像人類一樣，擁有在行動(dòng)前進(jìn)行“想象”的能力。

在 RSS 2026 的 “Robot World Models” 主題Workshop 上，這種共識(shí)達(dá)到了頂峰。世界模型不再被視為一個(gè)“視頻生成器”，而是被定義為機(jī)器人的“邏輯中樞”和“虛擬沙盒”。如果說一年前的討論還停留在生成視頻有多逼真，那么今天的議題只有一個(gè)：世界模型如何讓機(jī)器人擺脫死記硬背，學(xué)會(huì)舉一反三？

這一Workshop上半場(chǎng)的幾場(chǎng)演講，本質(zhì)上是具身智能領(lǐng)域的一次集體轉(zhuǎn)身：從 Pi 團(tuán)隊(duì)對(duì)零樣本泛化的探索，到 OpenDrive Lab 對(duì)組合式邏輯的堅(jiān)守，再到英偉達(dá)對(duì)全模態(tài)底座的重構(gòu)，它們共同指向了同一個(gè)趨勢(shì)：?jiǎn)渭円揽俊拔箶?shù)據(jù)”來模擬動(dòng)作的路徑已經(jīng)面臨邊際效應(yīng)遞減。

換言之，我們不再需要一個(gè)只會(huì)“背誦”動(dòng)作軌跡的機(jī)器人，我們需要一個(gè)像人類一樣，在行動(dòng)之前擁有“想象力”的智能體。

這種想象力，在學(xué)術(shù)語境下被稱為“世界模型（World Model）”。它代表了具身智能從“被動(dòng)反應(yīng)”向“主動(dòng)預(yù)測(cè)”的代際跨越。機(jī)器人必須在腦海中先運(yùn)行一個(gè)高保真的物理沙盒：如果我伸出這只手，這個(gè)杯子會(huì)碎嗎？如果我推開這扇門，后面的空間會(huì)坍塌嗎？

只有當(dāng)機(jī)器人學(xué)會(huì)在行動(dòng)前進(jìn)行“視覺推演”和“因果校準(zhǔn)”，智能才不再是飄在空中的 Token 組合，而是真正扎根于大地的物理生存能力。

2026 年，具身智能正式告別“大力磚飛”的草莽時(shí)代，轉(zhuǎn)向以“想象力”為核心驅(qū)動(dòng)的精密演進(jìn)。以下便是來自 RSS 2026 現(xiàn)場(chǎng)，關(guān)于這場(chǎng)“思維變軌”的Workshop的上半場(chǎng)實(shí)錄：

01

從“視頻生成”到“動(dòng)作引擎”

Pi 團(tuán)隊(duì)的核心成員 Laura Smith 在開場(chǎng)演講中，用一個(gè)極其生活化的例子，捅破了具身智能泛化的窗戶紙。

“世界模型不是用來拍電影的，它是用來提供‘目標(biāo)圖像（Goal Image）’的。”Laura 強(qiáng)調(diào)。

在 Pi 展示的實(shí)驗(yàn)中，一臺(tái)從未學(xué)習(xí)過“操作空氣炸鍋”的機(jī)器人，在沒有任何遙操作數(shù)據(jù)（Teleop Data）的前提下，僅憑看了一段人類炸紅薯的視頻，就成功完成了任務(wù)。

這背后的邏輯在于：機(jī)器人不需要在現(xiàn)實(shí)中練習(xí)一萬次炸紅薯，它通過世界模型“腦補(bǔ)”出了炸紅薯完成后的視覺終態(tài)。世界模型將人類視頻中的常識(shí)（如何拉開抽屜、如何放入物體）與機(jī)器人已有的基礎(chǔ)技能（抓取、平移）進(jìn)行了“邏輯插值”。

此外通過跨身體遷移（Cross-embodiment），Pi 團(tuán)隊(duì)展示了如何將 folding（疊衣服）的技能從一款機(jī)器人遷移到完全不同形態(tài)的 UR5 機(jī)械臂上。只要世界模型能給出“衣服被折疊后的樣子”，不同身體的機(jī)器人就能調(diào)動(dòng)自己的執(zhí)行器去“對(duì)齊”這個(gè)目標(biāo)。

Laura 最后給出了結(jié)論：視覺推理（Visual Reasoning）正在給機(jī)器人提供一種不依賴具體動(dòng)作標(biāo)簽的學(xué)習(xí)方式。“想象力”成為了跨越長(zhǎng)尾任務(wù)、降低數(shù)據(jù)依賴的終極武器。

02

組合式 vs 一體化：

不要讓模型變成不可控的“黑盒”

如果說Laura的演講激發(fā)了對(duì)世界模型的想象力，在接下來的第二個(gè)演講，來自 OpenDrive Lab 的研究者陳立則給出了一個(gè)更務(wù)實(shí)、更具工程美感的解法：組合式世界模型（Compositional World Models）。

陳立指出，當(dāng)前全像素生成的路徑存在一個(gè)隱形瓶頸：模型很難同時(shí)兼顧“生成質(zhì)量”和“評(píng)估準(zhǔn)確性”。

“預(yù)測(cè)（它會(huì)發(fā)生什么）和評(píng)估（這對(duì)我是否有用）必須解耦。”陳立認(rèn)為。在他的 RISE 框架中，世界模型被拆分為動(dòng)力學(xué)組件和價(jià)值組件。動(dòng)力學(xué)組件負(fù)責(zé)“想象未來”，而價(jià)值組件負(fù)責(zé)判斷這些未來是否安全、是否符合任務(wù)目標(biāo)。

這種解耦帶來的直接紅利是安全性與數(shù)據(jù)效率。在真實(shí)世界中，你無法為了訓(xùn)練避障而去撞 100 次車，但在組合式模型中，機(jī)器人可以在虛擬空間里大量模擬“失敗路徑”，通過這些“負(fù)樣本”學(xué)會(huì)敬畏物理法則。

這種思路為資源受限的初創(chuàng)公司提供了一條新路：不需要訓(xùn)練全能的“上帝模型”，只需讓專業(yè)的模塊在各自的軌道上發(fā)揮極致效率，就能跑通具身閉環(huán)。

03

英偉達(dá) Cosmos 3 深度拆解：

它想做具身智能時(shí)代的“安卓系統(tǒng)”

在接下來的第三個(gè)演講中，英偉達(dá)物理 AI 專家 Max Li 深度拆解了全能世界模型 Cosmos 3，將Workshop帶入了一個(gè)小高潮。這不僅是一款技術(shù)新品的發(fā)布，更是英偉達(dá)試圖在具身智能時(shí)代，做生態(tài)“安卓系統(tǒng)”的宣言。

面對(duì)物理世界時(shí)空與長(zhǎng)尾數(shù)據(jù)的約束，英偉達(dá)打破了過去具身智能靠視覺、語言和控制算法強(qiáng)行拼接的“組裝機(jī)”模式。Cosmos 3 是全球首個(gè)在統(tǒng)一 Transformer（MoE）架構(gòu)下，徹底打通文本、視覺、音頻和動(dòng)作的全模態(tài)世界基礎(chǔ)模型。它通過定義一套通用的“大腦與肢體”協(xié)議，將汽車、單雙臂、人形機(jī)器人等碎片化的動(dòng)作矢量語義徹底統(tǒng)一，展現(xiàn)出以標(biāo)準(zhǔn)化底層底座壟斷全球機(jī)器人進(jìn)化的絕對(duì)野心。

在核心技術(shù)上，Cosmos 3 依托“推理器”與“生成器”的協(xié)同，實(shí)現(xiàn)了逆動(dòng)力學(xué)反推與狀態(tài)轉(zhuǎn)移機(jī)制的深度結(jié)合，讓狀態(tài)理解自然轉(zhuǎn)化為行動(dòng)策略。更具顛覆性的是，英偉達(dá)正加速將 AGI 的大腦向邊緣遷徙，推出可在 Jetson 等端側(cè)設(shè)備實(shí)時(shí)推理的 Cosmos Edge（4B）模型，與服務(wù)器級(jí)的 Super（64B）和 Nano（16B）縱向呼應(yīng)，終結(jié)了機(jī)器人背著服務(wù)器跑的時(shí)代。

目前，Cosmos 3 的全套模型、代碼及論文已全盤開源。英偉達(dá)正通過“開源底層生態(tài)”這一典型的安卓式路徑，吸引全球開發(fā)者涌入其構(gòu)筑的邏輯底座。從算力壟斷走向生態(tài)主宰，英偉達(dá)正在用 Cosmos 3 提前鎖定了物理 AI 時(shí)代的權(quán)力主導(dǎo)權(quán)。

04

仿真即現(xiàn)實(shí)：

Sim-to-Real 的“消失”

在當(dāng)天的 Spotlight 環(huán)節(jié)，幾項(xiàng)硬核技術(shù)展示了 2026 年機(jī)器人底層基建的飛躍。

其中最亮眼的當(dāng)屬 Interactive World Simulator：它支持超過 10 分鐘的穩(wěn)定視頻預(yù)測(cè)（15 FPS），這意味著機(jī)器人可以在一個(gè)完全虛擬但物理一致的“世界”里活上很久。研究者展示了在 0 真實(shí)數(shù)據(jù) 訓(xùn)練下，機(jī)器人如何直接在現(xiàn)實(shí)環(huán)境中穩(wěn)健地進(jìn)行繩索理順和杯子抓取。

此外，針對(duì)人形機(jī)器人的觸覺難題，有研究提出了用“聲學(xué)傳感（麥克風(fēng)）”替代視覺做順應(yīng)性控制。通過幾毛錢的微型揚(yáng)聲器和麥克風(fēng)，利用聲音在空腔中的反射來感知碰撞和壓力，這種“形態(tài)學(xué)計(jì)算”的奇思妙想，讓昂貴且脆弱的視觸覺傳感器顯得不再是唯一的救命稻草。

05

具身智能的“成年禮”

RSS 2026 的這一場(chǎng)“Robot World Models”主題Workshop的上半場(chǎng)，向我們展示了一個(gè)充滿沖突、正在發(fā)生劇變的行業(yè)。

機(jī)器人正在從“死記硬背”動(dòng)作的機(jī)器，進(jìn)化為擁有“預(yù)判與想象”能力的智能體。世界模型不再是實(shí)驗(yàn)室里的視頻 Demo，它正變成機(jī)器人的大腦皮層；

當(dāng)機(jī)器人開始學(xué)會(huì)“舉一反三”，當(dāng)英偉達(dá)把大腦塞進(jìn)邊緣設(shè)備，當(dāng)仿真與現(xiàn)實(shí)的邊界徹底模糊，具身智能才算真正跨過了那個(gè)名為“通用性”的門檻。

想象力，正式成為了具身智能的第一生產(chǎn)力。2026 年也注定成為機(jī)器人從“死記硬背”轉(zhuǎn)向“舉一反三”的轉(zhuǎn)折點(diǎn)：世界模型不僅是身體的底座，更是智能涌現(xiàn)的沙盒。

一個(gè)人讀論文太孤單，一群人刷頂會(huì)才好玩。

RSS 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內(nèi)主打實(shí)時(shí)論文跟蹤與硬核技術(shù)探討，拒絕灌水。

進(jìn)群傳送門：掃碼進(jìn)群或添加微信Luyoyo_2026，備注：論文群 + 關(guān)注的 AI 方向。

搞科研/搞技術(shù)，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會(huì)精華

可獨(dú)家暢覽：

專家演講PPT

大會(huì)報(bào)告全文

熱門論文解讀

學(xué)術(shù)新星訪談

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。