23小时前 机器人“GPT时刻”还缺什么？“海外具身五小龙”给出同一个答案

作者：Jack     出品：机器人大讲堂

大模型用了几年时间证明了一件事：当数据、算力和参数规模不断增长，智能可以从量变中涌现。

但机器人正在发现，这条路到了物理世界，没有那么容易复制。

语言模型可以读完整个互联网，机器人却没有一个现成的“物理互联网”可以学习；文本生成错误，可以重新生成一次，机器人一次错误的抓取，却可能意味着杯子摔碎、生产线停机，甚至真实的人身风险；更重要的是，语言模型面对的是相对统一的 Token，而机器人面对的却是千差万别的身体、传感器、环境和动力学系统。

这或许是今天具身智能真正面临的“物理墙”。

7月19日，在2026世界人工智能大会期间举行的“智启具身论坛2026”上，Physical Intelligence研究科学家任至意、Dyna Robotics联合创始人兼首席科学家马也骋、Sunday Robotics联合创始人兼CEO赵子豪，与腾讯首席科学家、Robotics X实验室主任张正友，以及智元合伙人、觅蜂科技董事长兼CEO姚卯青坐在了一起。

这场圆桌有一个颇具野心的主题：物理AI如何迎来通用智能涌现？

而且机器人大讲堂注意到，非常有意思的是，几位嘉宾代表的恰恰是当下具身智能最不同的几种路线。有人相信跨本体基础模型，有人押注世界模型；有人把真实部署放在第一位，有人试图利用UMI、人类第一视角视频扩大数据规模；还有人认为，未来的具身智能必须是一个类似人类神经系统的分层智能系统。

他们甚至对于“机器人的ChatGPT时刻什么时候到来”也给出了不同答案——最乐观的是两年，保守一些的是四五年。但如果把这场讨论拆开来看，会发现一个比时间预测更值得关注的共识正在形成。几位专家普遍认为，具身智能下一阶段真正要解决的，已经不是如何再做出一个更惊艳的Demo，而是如何建立一套能够持续生产物理经验、吸收失败，并在真实世界中不断进化的系统。

换句话说，大模型时代Scaling的是数据和参数。到了物理AI时代，真正需要被Scaling的，是“经验”。

01.

机器人没有互联网，这是物理AI最大的结构性难题

如果今天重新追问一次，为什么ChatGPT能够出现？答案很大程度上并不神秘。

过去几十年，人类已经替大语言模型完成了一次极其庞大的数据基础设施建设。网页、书籍、论文、代码、论坛、社交网络……这些原本并不是为了训练AI而产生的信息，在互联网时代被大规模数字化，最终形成了一个几乎取之不尽的Token世界。

机器人没有这样的幸运。姚卯青在圆桌上给出了一个直观的量级判断：目前头部语言模型的预训练语料已经达到约100万亿Token，如果折算成人类正常说话的时间，大约相当于100亿小时；相比之下，当前具身智能的数据规模可能仍存在万倍以上的差距。

而物理世界本身，比语言更加复杂。一个“把杯子放进洗碗机”的动作，在文本世界里可能只需要几个Token，但对于机器人来说，它背后包含了物体识别、空间定位、材质判断、抓取姿态、碰撞关系、力度控制以及连续轨迹规划。同一个动作换一个杯子、换一台洗碗机、换一种光照，甚至杯子里多一点水，都可能变成一个新的问题。

因此，姚卯青给出了一个激进的判断：如果将机器人的“ChatGPT时刻”定义为能够开箱即用地进入物理世界，根据开放式自然语言指令完成常见任务，并在Zero-shot情况下达到70%—80%左右的基础成功率，那么具身智能可能需要达到亿小时级别的数据规模。

这个数字是否准确，今天很难验证。

但它揭示了一个更关键的问题，那就是机器人行业真正缺少的，可能不是下一个Transformer，而是自己的互联网。

这也是为什么过去一年，具身智能行业关于数据的路线开始迅速分化。真机数据最准确，却最昂贵；仿真数据可以无限生成，却始终存在Sim-to-Real Gap；第一视角视频数量巨大，却缺少机器人可以直接执行的动作信息；UMI等无本体数据成本更低，却仍然需要解决从人类动作到机器人动作的迁移。

因此，今天真正前沿的具身智能公司，实际上都在做同一件事情：

寻找机器人时代的“互联网语料”。

只不过答案不同。

02.

真机、UMI、Ego、互联网视频，没有一种数据可以单独赢

如果说语言模型的数据路线最终逐渐收敛到了互联网文本，那么具身智能的数据路线，至少今天仍然是一座金字塔。

最底层，是规模最大的互联网视频。再往上，是第一视角视频、Ego、UMI等人类操作数据。更上层，是遥操作和多任务真机数据。而位于金字塔最顶端的，则是机器人进入真实场景后产生的部署数据。

不同数据的价值，并不能简单用“质量高低”来判断。它们实际上承担着完全不同的任务。

互联网视频帮助机器人理解“世界是什么”；人类操作数据告诉机器人“事情通常怎么做”；真机数据让机器人学习“自己的身体应该怎么动”；而部署数据最终解决的是一个更现实的问题：

在这个具体环境里，怎样才能稳定地把事情做成。这也是这场圆桌中最值得注意的一个共识。

Physical Intelligence的任至意强调真机数据的价值，因为它天然解决了一个关键问题：如果一段动作数据能够在机器人上被Replay，并且重新完成任务，那么这段数据与机器人真实执行之间的偏差最小。但他同样认为，如果行业已经决定混合Ego、UMI和真机等不同来源的数据，那么就应该进一步扩大本体多样性。

原因很简单。通用机器人模型真正要学习的，不应该只是某一台机器人的动作，而应该是隐藏在不同身体背后的共同物理规律。

这也是PI一直试图推动的跨本体泛化。当模型在一种机械臂上学习到的经验，可以迁移到另一种从未针对该任务训练过的机器人上，数据才真正开始从“一次性资产”变成“可复用知识”。

Sunday Robotics的赵子豪则把数据问题划分成了两个时间尺度。短期来看，他认为UMI是一种极具效率的数据方案。原因在于，它同时兼顾了低成本和较低的动作偏差，可以进入大量真实环境采集人类操作经验。

但长期来看，真正决定机器人智能上限的仍然是部署数据。因为只有当机器人真正进入成千上万个家庭、酒店、工厂，面对不同的人、物体和环境，才能获得足够丰富的真实反馈。

赵子豪用了一个很有意思的类比：未来的机器人可能像分布式运行的LLM。每一台部署出去的机器人，既是产品，也是一个数据节点。它们不断在真实世界中产生新的经验，再把经验反馈给基础模型，最终推动整个机器人网络共同进化。

这意味着一个重要变化，那就是未来机器人公司的竞争，可能越来越像自动驾驶，而不是传统工业机器人。

卖出去的机器人越多，覆盖的环境越复杂，产生的数据越丰富，模型就越强；模型越强，又能够进入更多场景。硬件出货第一次可能与AI能力增长形成直接的正反馈。

03.

机器人真正需要学会的，是失败

但只有数据规模仍然不够。因为物理世界和互联网世界还有一个本质区别，互联网上的大部分数据记录的是“结果”，真实世界却充满“过程中的失败”。一个机器人抓取毛巾，可能抓空；拉开抽屉，可能卡住；叠餐巾时，布料可能产生完全不可预测的形变。

传统机器人系统面对这些问题的办法，往往是增加规则。但规则越多，系统越脆弱。

这也是为什么Dyna Robotics把“部署”直接放进了模型研发流程。马也骋在圆桌中提到，当机器人在前几个酒店完成部署，并积累真实数据后，这些部署数据会重新进入下一轮预训练。随着数据不断积累，后续酒店的部署周期可以越来越短，最终让同一种技能接近“零成本迁移”。

这里真正值得关注的，不只是数据回流，而是机器人研发范式正在发生变化。

过去的机器人开发是一条线：研发——测试——交付。而具身智能正在试图把它变成一个研究——部署——失败——数据回流——模型更新——再次部署的环。

机器人一旦进入真实世界，研发实际上并没有结束。相反，真正的训练才刚刚开始。张正友也强调，具身智能的数据飞轮不能简单照搬大模型的数据飞轮，因为机器人必须和物理世界发生真实交互。

成功数据当然重要，但失败数据可能更加重要。机器人为什么失败？失败之后如何恢复？什么情况下需要人类介入？这些过去被工程系统当作异常处理的数据，未来可能恰恰是机器人智能增长最有价值的部分。

这背后意味着，具身智能正在从“模仿人类正确答案”，逐渐进入“学习如何面对错误”的阶段。

而真正的通用智能，可能恰恰诞生在这里。因为现实世界没有永远正确的轨迹。一个只能执行标准答案的机器人，本质上仍然是一台自动化设备。一个能够发现自己做错了、重新规划，并从错误中形成新经验的机器人，才开始真正接近智能体。

04.

VLA会不会死并不重要

数据之外，过去一年具身智能行业另一个争论，是VLA与世界模型，甚至出现了“VLA已死，World Action Model当立”这样的激进判断。但圆桌上的几位技术负责人，反而没有表现出太强的路线战争。

任至意的观点很直接：至少目前，还没有看到哪一种路线能够在整体能力上明显超过PI最新模型所展现出的效果，因此现在讨论“VLA已死”为时过早。

更重要的是，VLA和世界模型并不存在根本冲突。一个真正通用的机器人模型，既需要理解语言和任务上下文，也需要预测未来。它不仅要知道“我要做什么”，还必须理解“如果我这样做，世界接下来会发生什么”。

马也骋也认同这一点。Dyna从VLA进一步转向World Action Model，并不意味着语言、视觉和动作建模失去价值，而是在某些对成功率和鲁棒性要求极高的任务中，对未来状态进行显式建模可能更加高效。

因此，今天行业真正发生的事情，可能不是VLA被世界模型取代，而是不同技术路线正在开始融合。语言负责理解意图，视觉负责理解环境，世界模型预测未来，Action Model生成动作，强化学习处理真实反馈。

最终，机器人可能根本不存在一个简单的“三字母终局”。这也是张正友提出分层智能架构的原因。他认为，一个真正接近AGI的具身智能体，很难依靠一个3B、5B甚至10B的小模型解决全部问题。

更现实的形态可能是：高层认知系统负责复杂推理和规划，中层模型负责感知与行动，底层系统负责高频运动控制。不同系统运行在不同频率，却可以端到端协同优化。

姚卯青进一步从硬件角度解释了为什么分层可能成为必然。今天机器人端侧算力很难让一个数百B参数的大模型以高频率直接控制机器人，而底层电机控制却可能需要达到1000Hz。于是，未来机器人天然可能形成一种“云—端—控制”分层体系：云端大模型进行低频复杂推理，端侧模型进行实时规划，最底层控制器负责毫秒级执行。

这意味着，具身智能最终可能不会复制大语言模型“一个模型统治一切”的路径。它更像一个数字神经系统。智能不是集中在某一个模型里，而是分布在不同层级之间。

05.

下一场竞争，是谁先让“数据飞轮”转起来

当讨论回到商业竞争，一个更加现实的问题出现了：如果OpenAI、Google、腾讯这样的公司真正全面进入机器人基础模型，创业公司还有机会吗？

答案可能取决于，机器人行业最终是不是一个纯粹的软件行业。马也骋认为，机器人Policy很难完全复制云端API模式。因为机器人对于实时性、延迟和真实执行性能的要求极高，核心模型最终很大程度仍然需要Local运行。

张正友则用了PC和智能手机产业做类比。机器人产业未来完全可能同时存在两种模式。一种类似苹果，全栈整合模型、硬件和系统。另一种类似Windows或者Android，提供通用大脑，适配不同机器人本体。

这两条路线都可能成立。真正危险的，是那些既没有基础模型壁垒，也没有真实场景、数据闭环和硬件能力的中间层公司。因为随着基础模型能力不断提高，大量通用能力最终都会被底层模型吸收。

创业公司的护城河，可能越来越集中到三件事情：独占的数据、深入的场景，以及高效的部署闭环。这也解释了为什么今天看似路线完全不同的具身智能公司，最终都开始走向数据。

PI通过跨本体真机数据寻找通用策略。Dyna通过商业部署建立研究—部署飞轮。Sunday希望未来让家庭机器人形成分布式数据网络。腾讯强调成功与失败交互数据共同进入持续学习。智元与觅蜂则试图从数据供给和全栈系统角度建立覆盖互联网数据、Ego、UMI、真机数据与部署回流的完整数据体系。

表面上看，这是五种路线。

实际上，它们正在指向同一个产业终局，那就是未来最重要的机器人公司，可能不是拥有最多机器人数据的公司，而是拥有最高“经验周转率”的公司。

所谓经验周转率，是机器人经历一次真实任务后，这段经验能够多快被采集、筛选、理解、训练，再重新变成所有机器人能力的一部分。

如果一台机器人犯错，只有这一台机器人知道，它只是一次事故。如果一台机器人犯错，第二天所有机器人都学会了如何避免，那么这才是数据飞轮。

从这个意义上看，物理AI真正需要突破的Scaling Law，已经不只是把数据从1万小时增加到10万小时、100万小时。更重要的是建立一种新的工业基础设施，让人类经验可以被低成本采集，让机器人经验可以被持续记录，让失败可以被自动挖掘，让不同本体的数据能够互相迁移，让真实部署产生的数据可以不断进入下一轮模型。

当这个系统真正建立起来之后，机器人行业才可能拥有属于自己的“互联网”。而所谓机器人的“ChatGPT时刻”，也许并不会发生在某个模型发布的那一天。

它更可能发生在另一个不那么戏剧性的时刻：当第一批机器人真正大规模进入物理世界之后，它们每天产生的经验，开始比人类能够人工采集的数据更多；每一次部署都在降低下一次部署的成本；每一台新增机器人，都在让整个系统变得更聪明。

到了那个时候，Scaling Law才真正从数字世界跨过那堵“物理墙”。

06.

关于未来

圆桌最后，五位嘉宾给出了自己的时间表。

姚卯青认为是两年，赵子豪判断不到三年，马也骋给出了四年，任至意从过去认为需要十年调整到了四五年，张正友则认为三到五年有希望。

他们没有给出同一个数字。但他们实际上给出了同一个前提：机器人必须先进入真实世界。

因为大语言模型的智能，来自人类已经数字化的过去。而物理AI的智能，需要机器人自己去创造未来的数据。

模型决定机器人能不能出发，数据决定它最终能够走多远。

真正的物理AI竞争，或许才刚刚开始。