具身智能還在“前GPT時代”

WAIC 2026的展臺上，機器人疊衣服、沖咖啡、切菜、分揀，從工業產線到廚房灶臺都在演示“干活”。

走出展臺，跟那些真正在一線的人聊下來，不管是造機器人的、訓模型的，還是鋪產線的，聽到的判斷要保守得多。這個行業的實際進度，遠沒有展臺畫面看上去那么近。

面壁智能的姚遠打了個比方，現在的具身智能像2018年的大模型，BERT、GPT、T5三條路線并存，誰也不知道哪條最終成立。“當前最火的不一定能笑到最后。”騰訊張正友說，最聰明的人工智能“還是一個缸中之腦，它可以編程、通過考試，但從來沒有真正地活過”。大模型善于推理和知識問答，也能讀懂圖像和視頻，但一旦進入真實世界，“很難在一個持續變化的環境里面，一邊行動一邊接受反饋，再及時做出調整”。具身智能還沒有像Transformer那樣收斂的統一框架。

不管是路線、能力還是可靠性，幾位核心從業者的判斷指向同一個結論，具身智能還在“前GPT時代”。

Scaling Law在物理世界遇到了什么

大模型在數字世界靠堆數據實現涌現，物理世界沒有這么順暢。

智元機器人聯合創始人姚卯青在WAIC期間把障礙歸納為三道墻，數據墻、表征墻、閉環墻。數據墻指真實交互數據稀缺且昂貴；表征墻指跨任務、跨場景、跨本體的統一表征尚未形成；閉環墻指真實試錯代價高、反饋慢。

面壁智能的角度不同，姚遠把具身智能分成三個模塊，各自成熟度不同，語言模型最成熟，多模態感知大約在70%到80%，行動（action）可能只有40%。

兩種說法落到同一個結論，Scaling Law在物理世界不能簡單復制。

互聯網文本可以持續累積，機器人面對的物理交互數據卻不會天然存在，跨場景的統一表征遠比文本tokenization復雜，真實世界里試錯要付出代價，而且不可回滾，反饋慢，無法像數字世界那樣低成本地反復重跑。

三道墻之間是相互鎖死的。數據不夠，表征就訓不好，表征上不去，閉環效率隨之下降，閉環慢了，反過來又拖累數據積累。姚卯青點出了VLA（視覺-語言-動作）模型的一個短板：“VLA沒有L（語言），無法做長程任務規劃和判斷。”當前最主流的端到端范式，在需要理解指令、拆解步驟、做中間判斷的長程任務上，缺的就是這一塊。

路線還沒收斂

問題明確，但往哪走還沒有答案。

目前至少有三條路線在并行，VLA（視覺-語言-動作端到端）、世界模型（預測物理狀態變化來指導決策）、智元提出的WRAM（世界推理動作模型，把世界模型和語言推理能力整合進一個框架）。姚卯青認為VLA缺語言能力，無法完成長程規劃。面壁智能和Physical Intelligence傾向另一條路，把VLA與世界模型融合。

張正友的判斷又不一樣，他主張認知系統、感知行動系統、底層反應系統分層協同。不同模塊要在不同頻率上運行，底層反應要100赫茲甚至更高，感知行動在10到15赫茲，大腦可以慢一些。他用人的肢體反應打比方，“絆了一腳，肢體反應假如用VLM是達不到，那個是10赫茲，100毫秒，這個時間來決策是來不及”。VLA的問題在于前面的VLM和后面的動作模塊在同一個頻率上運行，跟物理世界直接交互時反饋跟不上。單一模型很難解決一切。

現在像2018年大模型的BERT/GPT/T5階段，收斂還需要兩到三年。“2018年最被看好的并非GPT，最后勝出的卻是GPT。”姚遠說。

具身智能可能也會如此，今天展臺上最吸引眼球的路線，未必是終局。

姚卯青還有一個更底層的判斷。現在用的底層組件，Tokenizer、Encoder，都是從VQA（視覺問答）和對話模型借來的，并非為具身任務原生設計。他把這稱為“具身原生”問題，認為要到百萬小時級數據才能做真正的原生架構。行業目前還在用“改裝發動機”，沒有造出“原生引擎”。

這個判斷如果成立，當前的路線之爭可能還在淺層，真正的分歧要等數據規模上來、原生架構成為可能之后才會展開。

能演示和能干活之間，隔著工程量

展臺上疊一件衣服3分鐘，觀眾拍手叫好。但工廠要的是6秒節拍、99.8%的準確率。

博世智能科技的劉敏在WAIC論壇上給出了制造業的標準：“工廠要99.8%準確率，節拍6秒是門檻。從能用到可用，是兩個指標。”這兩個指標之間，要求具身智能跨過展臺走向產線。

智元在南昌一家3C工廠的產線上做到了99.99%成功率，是目前公開案例里最高的數字之一。姚卯青詳述了背后的工程量，首批項目需要數月做硬件軟件集成、對接MES系統（制造執行系統），然后是通宵壓測，每晚測試，連續一個月才上主產線。從零到一要三四個月，到產品化之后才能一兩周復制一個點。

越疆科技的劉培超談的是硬件，機器人至少20個關節起步，比汽車更復雜，行業通用要求是5萬小時MTBF（平均無故障時間）。他接著說：“今天大部分機器人可能10小時的MTBF都沒有。”

靈巧手的情況更嚴峻，姚卯青提到，靈巧手“采集數據一兩周就出問題，每工作半小時要散熱”。零部件“還沒有到汽車16949標準”，這是汽車行業零部件供應鏈的質量管理標準，機器人核心零部件的可靠性工程，離工業級還遠。

艾歐智能聯合創始人丁哲章看到的是另一面，今年聊“落地”的需求明顯變多了，“但落地案例有沒有變多，要打個問號”。他說的核心問題是，“場景方對具身的預期，和本體、模型現在真正能做到的程度之間，有一個斷層”。

他的思路是“漸進式落地”，機器人做一部分，人監管一部分，先接受這種“中間狀態”。他把具身的發展階段梳理成一條時間線，2022年是“PPT階段”，2023年是“把本體做出來但放那兒不能動”，2024年“將將能動起來”，去年“進入部分場景、具備部分自主能力”。

至于今年能到什么程度，他持保留態度。

騰訊云的黃陽則認為，這類技術都有長尾效應，“會非常快速地推進到60%、70%、80%，但最后那20%要花非常非常多的時間去填。”

今年跑通，但路還長

幾位具身行業的資深人士給出的時間線開始接近，但都不算近。

姚卯青判斷，“2027年底到2028年初看到比較強的涌現時刻”。面壁智能的劉知遠說端側模型“還需要1到2年、2到3年”。丁哲章更謹慎，他以自動駕駛作類比，十年前從業者宣稱2025年做到L5全自動駕駛，十年過去，自動駕駛達到的是“差不多可用”，好用、可用，但并非當初想象的全自主。他認為具身也會經歷同樣的預期修正，“先有高預期，然后預期調整，再逐漸貼近現實，這個過程可能非常漫長”。

張正友的參照系是ChatGPT。他在微軟做過20多年人機交互，語音對話在特定場景里效果不錯，“但是問的問題稍微變一變很不穩定，所以一直沒有發展起來”，直到ChatGPT出現才“真的感覺是有進步”。具身智能也需要這樣的節點，“他真的幫你做事情你可以依賴于它。假如說失敗概率太大，不穩定要人照顧機器人，還不如讓這個人完成這個任務效率更高”。

光輪智能聯合創始人楊海波給出了更具體的時間判斷，今年是“跑通”年，明年才能“算賬”。他預測明年本體價格會降到今年的十分之一，穩定性提高一百倍，如果成立，硬件可靠性這道坎有可能在明年邁過去一大步。軟件、數據、評測這些基礎設施的缺口，不會隨硬件改善自動消失。

把這些判斷放在一起，大致能勾勒出一張時間表。短期內（今明兩年）是特定場景的工程跑通，中期（2027到2028）可能出現能力涌現的節點，通用具身智能要從工廠走進家庭，從結構化的工業場景走到非結構化的生活場景，這條路可能比大多數人預期的要慢得多。

展臺上的畫面和這些判斷之間顯然還存在一些落差。展位都在展示機器人“干活”，真正做過產線的人清楚，從演示到能上產線，再到大規模普及，中間隔著的不止一兩個技術突破，還有一整套未建成的基礎設施，數據標準、評測體系都缺，零部件可靠性不夠，持續學習能力也尚未成形。

姚遠說"當前最火的不一定能笑到最后"。這句話置于2026年的WAIC，不只是路線之爭，也是整個行業此刻所要面對的真實處境。（本文首發鈦媒體APP，作者 | AGI-Signal，編輯 | 秦聰慧）