当大模型已在语言、数学、代码等数字世界完成能力跃迁，人工智能的下一场革命正从虚拟空间向物理世界纵深推进。这场变革的核心载体，便是物理AI，它标志着AI正从“思考”走向“行动”，从“回答问题”走向“改变世界”。

　　7月19日，在WAIC 2026期间，智启具身论坛汇聚清华大学、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、腾讯Robotics X等海内外顶尖力量，共同探讨物理AI的演进路径与发展前景。

　　当大模型已经在语言、数学、代码等数字世界完成能力跃迁，下一阶段人工智能的核心命题正在转向真实世界：机器人如何感知环境、理解任务、执行动作，并在持续反馈中自我进化？物理AI何时会迎来ChatGPT 时刻？

　　智元合伙人、高级副总裁、具身业务部总裁、觅蜂科技董事长兼CEO姚卯青在论坛上直言：“模型决定起点，数据定义终局。”当行业共识从“拼算法”转向“拼数据基建”，一场围绕数据飞轮、模型架构与商业落地的产业竞速正在悄然提高。

　　物理AI规模化要突破“三道墙”

　　物理AI与数字AI的根本分野在哪里？姚卯青认为，理解物理AI首先要回到智能的两条主线：表征与闭环。表征是对世界的抽象压缩；闭环则是智能体与环境之间持续发生的“感知、理解、决策、行动、反馈”循环。数字AI的成功，本质上是知识表征在数字环境中的成功——大模型可以从海量互联网文本中学习语言规律与知识结构。

　　物理AI面临截然不同的挑战，它不仅要理解世界，还必须介入世界。机器人需要知道“推这个杯子会往哪个方向倒”“抓这块肥皂需要多大的力”——这些关于物理规律、空间关系与因果链条的知识，无法从文本或视频中充分获得，只能在真实的物理交互中习得。

　　这正是物理AI的艰难之处。姚卯青总结道：“物理AI要实现规模化，必须突破‘三道墙’。第一是数据墙，真实交互数据极其稀缺，获取成本高昂；第二是表征墙，跨任务、跨场景、跨本体的统一物理表征尚未形成；第三是闭环墙，真实试错代价昂贵、反馈缓慢，难以规模化。”

　　换言之，机器人要从“能演示”走向“能干活”，关键不在于单点模型能力的突破，而在于能否构建可泛化、可优化、可进化的通用具身智能系统。毕竟，社会需要的不是会跳舞、打拳击的表演者，而是能在工厂、家庭、医院等真实场景中解决实际问题的劳动者。

　　论坛上，一个核心共识正在形成：物理AI的智能涌现，不会来自单一模型或单一数据源，而是取决于数据规模、模型架构、仿真评测与真机反馈共同构成的持续进化飞轮。

　　Physical Intelligence研究科学家任至意指出，数据多样性的作用甚至优于数据纯度——10万小时多样化场景数据带来的泛化能力，往往超过100万小时单一场景数据。

　　腾讯首席科学家、腾讯Robotics X实验室主任张正友则进一步强调：“无论成功还是失败，机器人与真实世界交互产生的数据都应被收集。从失败中学习的价值，可能比成功案例更大。”

　　值得关注的是，中国力量正在这场全球竞逐中占据关键身位。以智元、觅蜂科技为代表的本土企业，不仅在南昌3C产线上跑通了99.99%成功率的商业化验证，更通过“云边端”协同与分布式强化学习体系，在真实场景中积累了规模化部署经验。

　　“无本体数据采集”，成本降至三分之一

　　数据，决定了机器人的“大脑”能有多聪明。那么，打开物理AI的大门，数据是关键的变量。

　　与传统机器人公司聚焦本体研发或基础模型不同，觅蜂科技选择了一条差异化路径——打造数据基础设施层。其核心任务并非替代某一模型路线，而是围绕数据采集、治理、评测和部署回流，连接机器人公司、模型团队、数据服务商与真实应用场景，为整个行业提供标准化、规模化的数据供给能力。

　　据姚卯青介绍，觅蜂科技计划在2026年实现千万小时级数据产能。“真机摇操依然是数据金字塔最上层的部分，但它的成本太高了。”在论坛主旨演讲后的媒体采访中，姚卯青坦言：“传统的遥控操作采集高度依赖昂贵的机器人本体与专业操作人员，不仅效率偏低，更难以规模化复制。”为了打破这一瓶颈，觅蜂科技首次系统披露了“无本体数据采集”方案的商业化进展。

　　所谓“无本体”，即通过轻量化、低成本的采集终端，在不依赖昂贵人形机器人的前提下，以众包或兼职形式进入真实作业流程，采集人类操作数据。它的本质逻辑是：与其让昂贵的机器人在工厂里“手把手”学习，不如让分布在各行各业的人戴上采集设备，在日常工作中“顺便”帮机器人积累经验。相比传统真机采集，无本体方案可将成本降至一半甚至三分之一以下。

　　但这并不意味着对数据质量的妥协。姚卯青强调，无本体数据采集提供的是规模化的“预训练原料”，而摇操产生的精品数据则用于后训练阶段的“精加工”，两者共同构成“分层数据供给金字塔”的底座与塔尖。“我们现在已经通过这套方法，从各行各业、各个地域获取到海量数据，前期主要完成了设备量产、软件稳定性和数据治理管线等基础工作，现在已经到了规模化垂直上量的阶段。”

　　Sunday Robotics联合创始人兼CEO赵子豪则从产业长期演进的视角指出：“短期内，无本体数据采集方式成本较低，能够进入大量真实场景，且采集到的动作与机器人任务之间偏差较小，有助于快速扩大预训练数据规模。但长期来看，真正重要的是多样化真实部署数据的回流。只有当机器人进入大量不同家庭、面对不同物品和任务，才能形成对通用智能真正有价值的数据闭环。”在他看来，每台机器人在部署中获得的经验反馈给基础模型后，才能实现持续的自我改进——这正是物理AI从技术演示走向规模化商用的必经之路。

　　行业人士认为，物理AI规模化所需要的，不只是某一种更便宜或更高质量的数据，而是一套让不同数据持续流动并反复驱动模型进化的数据飞轮。