WAIC華山論劍，罕見AI新共識：機器人ChatGPT時刻，最快兩年！

新智元報道

上海，WAIC 2026。

核心官方分論壇之一、具身智能的「華山論劍」智啟具身論壇，今日終于開場。

Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics等海外明星機構，與智元、清華大學、騰訊Robotics X等學術與產業力量同臺，一眾具身智能核心人物悉數到場。

他們把各自的模型、數據和訓練體系擺上桌面。表面看，大家都在追逐「通用機器人」；真正把幾份技術路線疊在一起，卻是刀光劍影。

誰都承認，具身智能正在逼近臨界點。但對「最后一公里究竟該怎么走」，各有絕招。

具身智能的「最后一公里」，各有奇招

先亮戰績，再亮主張。五家最硬的成果和一句話立場擺出來，你會發現連「墻在哪」都沒談攏。

智元機器人手握GO-2（LIBERO基準98.7%刷新SOTA）、世界模型GE-Sim 2.0（WorldArena全球第一）、龍旗南昌產線穩定運行3個月、成功率99.99%。智元機器人的姚卯青直言，模型決定起點，數據定義終局——靠全棧飛輪硬沖數據、表征、閉環三道墻。

清華大學計算機副研究員蘇航，聚焦可恢復性——真正的智能不是不犯錯，是知道怎么改回來。他提出的TUTOR方法把長程任務的自主成功率從8.3%拉到35%。

Physical Intelligence最新的π0.7，一個模型開箱即通吃多任務，連沒訓練過的機械臂都能零樣本遷移。Physical Intelligence研究科學家任至意堅信，模型能力足夠，唯缺上下文——泛化會自己涌現。

Genesis押注人手數據手套，從全世界的日常家務里摳經驗，號稱仿真快1000倍。聯合創始人王尊玄介紹了他們如何讓物理AI以軟件的速度進化。

Dyna的DYNA-1把折餐巾做到99.4%、24小時85多張，直接開進真餐廳。創始人兼首席科學家馬也騁坦言，通用模型不夠可靠，專用模型不夠可擴展，他們選擇先把可靠做到極致。

絕招亮完，戰場卻各畫各的：智元盯著數據、表征、閉環三道墻，PI說墻是上下文，Dyna說是可靠性，清華說是機器人自救。

華山論劍第一招，是先否掉對方對戰場的判斷。

物理AI三道墻前，背后三場爭論

不過，這次有個隱秘共識：下一階段不再拼Demo花哨，而是拼誰能把「經驗」規模化。

這要從大語言模型的成功讓人產生的錯覺說起：

只要把模型做大、數據喂多、算力堆高，機器人遲早也會出現自己的ChatGPT時刻。

可物理世界不吃這一套。物理智能Scaling面臨三道墻：數據墻、表征墻和閉環墻。

姚卯青一句話點破差異：數字智能是「知識系統」，物理智能是「經驗系統」。前者靠語言表征就能大規模積累，后者還在滿世界找「經驗的通用表征」。

經驗系統至少管五件事：空間感知、物理交互、精細操作、失敗恢復、工具使用。

判斷標準叫「經驗密度」——錄畫面和關節角度，那是「一小時錄像」；同時記下任務目標、物體狀態、動作質量、錯在哪、結果如何，才叫「一小時經驗」。

數據規模回答「見過多少」，經驗密度回答「學到多少」。兩者差著一整條產業鴻溝。

背后是三場爭論：經驗從哪來、怎么算好、能不能省錢。

第一場：有人所有數據全都要，有人偏要少

真機遙操作數據最對口，可太貴：一個人盯一臺機器，采集還不如自己上手，想堆出互聯網規模，賬單比機器人先覺醒。

智元全都要。姚卯青甩出一個數字：物理AI的數據量只有大模型的兩萬分之一。為填這條溝，智元和覓蜂科技打造具身智能數據「平臺型供給」基礎設施，開源了行業首個百萬真機數據集AGIBOT WORLD，目前累計下載了120萬余次。

Dyna則把200k+小時數據摞成金字塔:

在之后的討論中，馬也騁分享了Dyna的實踐經驗：「部署數據放到下一次預訓練中，接下來的部署時間就會越來越短，最終達成零成本在新環境完成同樣任務。」

在圓桌論壇環節，Sunday Robotics CEO趙子豪則從另一個維度切入：「短期內，無本體數據是最高杠桿的選擇，因為成本極低、沒有環境差距。但長期來看，當機器人真正部署到多樣化環境中，部署數據將成為終極數據源。」

Genesis走的是「輕巧采集」路線：用接近人手的機器手配數據手套，讓人正常洗碗擰瓶蓋，順手留下動作。全世界每天都在干家務，摳出一小塊，機器人就有了接近人類活動規模的數據入口。

Dyna則反其道而行，它不比數據多，而是比用得省——20萬小時打底，卻主打「1小時以內的后訓練就能遷到全新任務」。別人拼彈藥，它拼槍法。

清華的蘇航則潑了一盆冷水：人手不是夾爪。人有全局視野、觸覺、常識，機器人常常只能從腕部相機看到巴掌大一塊。多塞人類動作，不等于機器人學會人類技能。數據多，不等于數據能用。

第二場：粗數據便宜但難學，精數據好用難量產

常規方法是「留成功、刪失敗」，像只給孩子看標準字帖。

PI偏押最臟的場景：讓機器人當咖啡師，做濃縮咖啡還要90%以上可靠——端著帶液體的杯子、拿捏出杯時機、精細力控，一步都不能崩。

它把成功和翻車一起錄：手柄掉了、牛奶灑了、插不進、出液早，再逐段貼標簽。不加說明就是噪聲，標清壞在哪就成了錯題集。從π0一路到π0.7，PI要讓一個模型看懂同一堆數據里的不同意圖和質量。它甚至給機器人寫系統提示詞：你是追求最高質量與效率的機器人，不要犯錯——像prompt大模型那樣操控物理策略。

Dyna嫌貼標簽不夠。它訓了套獎勵模型，讓機器人自評「這下做得好不好」，再靠持續學習吃進翻車經驗，硬磨出極端情況的糾錯力。

兩難就此浮現：粗數據便宜但難學，精數據好用難量產。平衡點極難拿捏。

第三場：讓機器人在夢里摔一萬次

真機太貴，能不能讓機器人「在夢里練」？

摔一萬次不砸真杯子，復制幾千個廚房不租真房子。Genesis管這叫「以軟件的速度進化」，號稱快 000倍。

智元補世界模型補得更狠。GE-Sim 2.0不只「生成合理的未來視頻」，還塞進本體狀態預測（State Expert）和任務結果判斷（World Judge），25幀推演一張H100上2.3秒，拿下WorldArena全球第一。

世界模型從「視頻導演」升級成能給狀態、能打分的訓練場。

爭議也最大。仿真里一個極小偏差，會在強化學習里被放大；機器人還可能學會鉆漏洞，在虛擬世界當「規則大師」，一落地就被一塊濕毛巾教做人。

Dyna和PI更相信真機數據：Dyna把機器人搬進真餐廳，PI靠真實數據飛輪和自主運行中的人工接管打磨。

仿真放大試錯，真機校準真實，誰多分預算，沒人服誰。

機器人的「ChatGPT時刻」還有多遠？

六位專家圓桌激辯

主題演講是各擺各的戰績，到了圓桌，六位專家則給出了火藥味的激辯。

主持人拋出的幾乎每個問題都很尖銳。

而分歧從哪來？先看清每個人代表了的不同背景，坐上桌的是:

• 姚卯青(智元機器人)：全棧玩家，數據全要，可靠性是命；

• 任至意(Physical Intelligence)：純大腦派，不碰場景，只賭真機數據飛輪；

• 馬也騁(Dyna Robotics)：真實落地派，信部署數據和后訓練；

• 張正友(騰訊 Robotics X)：大廠實驗室，分層架構，警告創業公司別被大模型吞了；

• 趙子豪（Sunday Robotics）：家庭派，三指夾爪獨特方案，先敲門再說 。

每個人對技術路線的判斷，幾乎都是自己商業站位的投影。

1億小時：一個「ChatGPT時刻」的門檻

「語言模型頭部團隊已經到了100萬億Tokens，對應約100億小時的語料。而具身數據還差1萬倍以上。」智元合伙人、覓蜂科技董事長姚卯青給出了一個具體的數字。

在他看來，要達到物理世界的「ChatGPT時刻」——即機器人能夠在真實世界中開箱即用，完成日常任務并理解開放式指令——至少需要1億小時級別的真實交互數據。

這個數字并非空想。

姚卯青認為，物理世界比語言世界復雜得多，噪聲更大，信息冗余也更高。

當模型掌握了對物理世界通用運行規律的映射理解，從開放式指令理解到規劃，再到常見任務的70%-80%成功率，那一刻就是物理AI的臨界點。

VLA已死？技術路線的共識與分歧

「VLA已死」的說法在網絡上流傳甚廣。Physical Intelligence研究科學家任至意的回應干脆利落：「目前為止，我還沒有看到有哪一家做出了比派07更令人印象深刻的demo。所以，VLA可能還沒死。」

他堅持認為，VLA與世界模型并不沖突。「未來我們真正要做的，是訓練一個能原生理解上下文、能預測未來的模型。VLA在做，世界模型也在做，這完全不沖突。」

Dyna Robotics聯合創始人馬也騁，則提供了另一個視角——他們確實從VLA切換到了世界動作模型。「在某些任務和場景中，我們發現用WAM比VLA更高效，尤其是在我們特別關注模型的魯棒性和數據效率的情況下。」

騰訊Robotics X實驗室主任張正友給出了更宏觀的判斷：「整個行業還在起步階段，遠未收斂。不像大語言模型，基本范式已經確定。」

通用大腦，還是軟硬件全棧？全都要

機器人公司的另一項戰略選擇，是只做通用模型，還是同時研發模型、本體和部署系統。

Physical Intelligence更傾向于先使用簡單、穩定、維護成本較低的機器人本體，快速建立數據與模型研發基礎設施。

任至意認為，他們更多在做一個research，推動機器人基礎模型能力持續涌現。但他也提到：「長期來說，我們肯定會考慮去造更加可靠的硬件，但是可能這是一個時間的問題。」

智元則選擇了更重的全棧路線，足式，雙足或者輪式或者靈巧手都做。姚卯青解釋了背后原因，智元既做長期研究，也在積極嘗試商業化，而「商業化部署必須面對可靠性、成本、成功率和一致性等嚴格指標」。只有深入參與硬件設計、生產和測試，才能理解哪些問題來自模型，哪些問題實際上受到硬件和通信系統的限制。

張正友認為，兩條路線都可能成立。

在手機行業，蘋果依靠軟硬件一體化建立生態，Android則通過操作系統適配大量硬件；在PC時代，Mac和Windows也長期共存。機器人行業未來同樣可能同時存在全棧公司和通用「大腦」平臺。

關鍵不在于路線本身，而在于公司是否擁有與路線相匹配的資源和能力。

大廠vs創業公司：誰會贏？

「大廠的問題大家都很清楚。」張正友笑著說，「大模型時代，谷歌發明了幾乎所有技術，但OpenAI出來了。」

他給創業公司的建議是：不要做容易被大模型「吞噬」的增量式創新。「如果創業公司做的事情很容易被納入大廠的基座模型，前景就不會太好。應該聚焦在數據、場景這些需要深入耕耘的領域。」

馬也騁補充了一個技術視角：「機器人策略必須在本地運行，對延遲極其敏感。不像語言模型可以云端調用API。所以即使沒有開源模型，機器人公司也必須自研，這是不可避免的。」

騰訊的選擇是明確的——只做大腦，不做本體。「我們在硬件上還沒成功過，有自知之明。」張正友坦言。

ChatGPT時刻：2年到5年的共識

當被問及物理AI的「ChatGPT時刻」何時到來時，嘉賓給出了一個驚人的共識區間：不到5年。

姚卯青給出了最樂觀的2年；趙子豪說「少于3年」；張正友認為3-5年；馬也騁和任至意都選擇了4年；徐丹飛則給出5年。

平均來看，頂尖專家們認為物理AI的「ChatGPT時刻」大約在3-4年后到來。

「但要踏踏實實去做，這3到5年才有希望。」張正友補充道。

物理AI，已經臨近

圓桌結束了，但爭論遠未停止。VLA與世界模型誰是下一個目標？真機數據還是人類數據更有價值？全棧還是只做大腦？

這些問題沒有標準答案，但有一點是確定的：物理AI正在以遠超預期的速度向我們走來。

當數據飛輪真正轉動起來，當模型開始從與真實世界的每一次交互中學習，那道「Scaling Law的物理墻」，終將被推倒。

而那一天，或許就在2029年之前。

編輯：大衛 Aeneas