WAIC华山论剑，罕见AI新共识：机器人ChatGPT时刻，最快两年！

上海，WAIC 2026。

核心官方分论坛之一、具身智能的「华山论剑」智启具身论坛，今日终于开场。

Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics等海外明星机构，与智元、清华大学、Robotics X等学术与产业力量同台，一众具身智能核心人物悉数到场。

他们把各自的模型、数据和训练体系摆上桌面。表面看，大家都在追逐「通用机器人」；真正把几份技术路线叠在一起，却是刀光剑影。

谁都承认，具身智能正在逼近临界点。但对「最后一公里究竟该怎么走」，各有绝招。

具身智能的「最后一公里」，各有奇招

先亮战绩，再亮主张。五家最硬的成果和一句话立场摆出来，你会发现连「墙在哪」都没谈拢。

智元机器人手握GO-2（LIBERO基准98.7%刷新SOTA）、世界模型GE-Sim 2.0（WorldArena全球第一）、龙旗南昌产线稳定运行3个月、成功率99.99%。智元机器人的姚卯青直言，模型决定起点，数据定义终局——靠全栈飞轮硬冲数据、表征、闭环三道墙。

清华大学计算机副研究员苏航，聚焦可恢复性——真正的智能不是不犯错，是知道怎么改回来。他提出的TUTOR方法把长程任务的自主成功率从8.3%拉到35%。

Physical Intelligence最新的π0.7，一个模型开箱即通吃多任务，连没训练过的机械臂都能零样本迁移。Physical Intelligence研究科学家任至意坚信，模型能力足够，唯缺上下文——泛化会自己涌现。

Genesis押注人手数据手套，从全世界的日常家务里抠经验，号称仿真快1000倍。联合创始人王尊玄介绍了他们如何让物理AI以软件的速度进化。

Dyna的DYNA-1把折餐巾做到99.4%、24小时85多张，直接开进真餐厅。创始人兼首席科学家马也骋坦言，通用模型不够可靠，专用模型不够可扩展，他们选择先把可靠做到极致。

绝招亮完，战场却各画各的：智元盯着数据、表征、闭环三道墙，PI说墙是上下文，Dyna说是可靠性，清华说是机器人自救。

华山论剑第一招，是先否掉对方对战场的判断。

物理AI三道墙前，背后三场争论

不过，这次有个隐秘共识：下一阶段不再拼Demo花哨，而是拼谁能把「经验」规模化。

这要从大语言模型的成功让人产生的错觉说起：

只要把模型做大、数据喂多、算力堆高，机器人迟早也会出现自己的ChatGPT时刻。

可物理世界不吃这一套。物理智能Scaling面临三道墙：数据墙、表征墙和闭环墙。

姚卯青一句话点破差异：数字智能是「知识系统」，物理智能是「经验系统」。前者靠语言表征就能大规模积累，后者还在满世界找「经验的通用表征」。

经验系统至少管五件事：空间感知、物理交互、精细操作、失败恢复、工具使用。

判断标准叫「经验密度」——录画面和关节角度，那是「一小时录像」；同时记下任务目标、物体状态、动作质量、错在哪、结果如何，才叫「一小时经验」。

数据规模回答「见过多少」，经验密度回答「学到多少」。两者差着一整条产业鸿沟。

背后是三场争论：经验从哪来、怎么算好、能不能省钱。

第一场：有人所有数据全都要，有人偏要少

真机遥操作数据最对口，可太贵：一个人盯一台机器，采集还不如自己上手，想堆出互联网规模，账单比机器人先觉醒。

智元全都要。姚卯青甩出一个数字：物理AI的数据量只有大模型的两万分之一。为填这条沟，智元和觅蜂科技打造具身智能数据「平台型供给」基础设施，开源了行业首个百万真机数据集AGIBOT WORLD，目前累计下载了120万余次。

Dyna则把200k+小时数据摞成金字塔:

在之后的讨论中，马也骋分享了Dyna的实践经验：「部署数据放到下一次预训练中，接下来的部署时间就会越来越短，最终达成零成本在新环境完成同样任务。」

在圆桌论坛环节，Sunday Robotics CEO赵子豪则从另一个维度切入：「短期内，无本体数据是最高杠杆的选择，因为成本极低、没有环境差距。但长期来看，当机器人真正部署到多样化环境中，部署数据将成为终极数据源。」

Genesis走的是「轻巧采集」路线：用接近人手的机器手配数据手套，让人正常洗碗拧瓶盖，顺手留下动作。全世界每天都在干家务，抠出一小块，机器人就有了接近人类活动规模的数据入口。

Dyna则反其道而行，它不比数据多，而是比用得省——20万小时打底，却主打「1小时以内的后训练就能迁到全新任务」。别人拼弹药，它拼枪法。

清华的苏航则泼了一盆冷水：人手不是夹爪。人有全局视野、触觉、常识，机器人常常只能从腕部相机看到巴掌大一块。多塞人类动作，不等于机器人学会人类技能。数据多，不等于数据能用。

第二场：粗数据便宜但难学，精数据好用难量产

常规方法是「留成功、删失败」，像只给孩子看标准字帖。

PI偏押最脏的场景：让机器人当咖啡师，做浓缩咖啡还要90%以上可靠——端着带液体的杯子、拿捏出杯时机、精细力控，一步都不能崩。

它把成功和翻车一起录：手柄掉了、牛奶洒了、插不进、出液早，再逐段贴标签。不加说明就是噪声，标清坏在哪就成了错题集。从π0一路到π0.7，PI要让一个模型看懂同一堆数据里的不同意图和质量。它甚至给机器人写系统提示词：你是追求最高质量与效率的机器人，不要犯错——像prompt大模型那样操控物理策略。

Dyna嫌贴标签不够。它训了套奖励模型，让机器人自评「这下做得好不好」，再靠持续学习吃进翻车经验，硬磨出极端情况的纠错力。

两难就此浮现：粗数据便宜但难学，精数据好用难量产。平衡点极难拿捏。

第三场：让机器人在梦里摔一万次

真机太贵，能不能让机器人「在梦里练」？

摔一万次不砸真杯子，复制几千个厨房不租真房子。Genesis管这叫「以软件的速度进化」，号称快 000倍。

智元补世界模型补得更狠。GE-Sim 2.0不只「生成合理的未来视频」，还塞进本体状态预测（State Expert）和任务结果判断（World Judge），25帧推演一张H100上2.3秒，拿下WorldArena全球第一。

世界模型从「视频导演」升级成能给状态、能打分的训练场。

争议也最大。仿真里一个极小偏差，会在强化学习里被放大；机器人还可能学会钻漏洞，在虚拟世界当「规则大师」，一落地就被一块湿毛巾教做人。

Dyna和PI更相信真机数据：Dyna把机器人搬进真餐厅，PI靠真实数据飞轮和自主运行中的人工接管打磨。

仿真放大试错，真机校准真实，谁多分预算，没人服谁。

机器人的「ChatGPT时刻」还有多远？

六位专家圆桌激辩

主题演讲是各摆各的战绩，到了圆桌，六位专家则给出了火药味的激辩。

主持人抛出的几乎每个问题都很尖锐。

而分歧从哪来？先看清每个人代表了的不同背景，坐上桌的是:

• 姚卯青(智元机器人)：全栈玩家，数据全要，可靠性是命；

• 任至意(Physical Intelligence)：纯大脑派，不碰场景，只赌真机数据飞轮；

• 马也骋(Dyna Robotics)：真实落地派，信部署数据和后训练；

• 张正友( Robotics X)：大厂实验室，分层架构，警告创业公司别被大模型吞了；

• 赵子豪（Sunday Robotics）：家庭派，三指夹爪独特方案，先敲门再说 。

每个人对技术路线的判断，几乎都是自己商业站位的投影。

1亿小时：一个「ChatGPT时刻」的门槛

「语言模型头部团队已经到了100万亿Tokens，对应约100亿小时的语料。而具身数据还差1万倍以上。」智元合伙人、觅蜂科技董事长姚卯青给出了一个具体的数字。

在他看来，要达到物理世界的「ChatGPT时刻」——即机器人能够在真实世界中开箱即用，完成日常任务并理解开放式指令——至少需要1亿小时级别的真实交互数据。

这个数字并非空想。

姚卯青认为，物理世界比语言世界复杂得多，噪声更大，信息冗余也更高。

当模型掌握了对物理世界通用运行规律的映射理解，从开放式指令理解到规划，再到常见任务的70%-80%成功率，那一刻就是物理AI的临界点。

VLA已死？技术路线的共识与分歧

「VLA已死」的说法在网络上流传甚广。Physical Intelligence研究科学家任至意的回应干脆利落：「目前为止，我还没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可能还没死。」

他坚持认为，VLA与世界模型并不冲突。「未来我们真正要做的，是训练一个能原生理解上下文、能预测未来的模型。VLA在做，世界模型也在做，这完全不冲突。」

Dyna Robotics联合创始人马也骋，则提供了另一个视角——他们确实从VLA切换到了世界动作模型。「在某些任务和场景中，我们发现用WAM比VLA更高效，尤其是在我们特别关注模型的鲁棒性和数据效率的情况下。」

Robotics X实验室主任张正友给出了更宏观的判断：「整个行业还在起步阶段，远未收敛。不像大语言模型，基本范式已经确定。」

通用大脑，还是软硬件全栈？全都要

机器人公司的另一项战略选择，是只做通用模型，还是同时研发模型、本体和部署系统。

Physical Intelligence更倾向于先使用简单、稳定、维护成本较低的机器人本体，快速建立数据与模型研发基础设施。

任至意认为，他们更多在做一个research，推动机器人基础模型能力持续涌现。但他也提到：「长期来说，我们肯定会考虑去造更加可靠的硬件，但是可能这是一个时间的问题。」

智元则选择了更重的全栈路线，足式，双足或者轮式或者灵巧手都做。姚卯青解释了背后原因，智元既做长期研究，也在积极尝试商业化，而「商业化部署必须面对可靠性、成本、成功率和一致性等严格指标」。只有深入参与硬件设计、生产和测试，才能理解哪些问题来自模型，哪些问题实际上受到硬件和通信系统的限制。

张正友认为，两条路线都可能成立。

在手机行业，苹果依靠软硬件一体化建立生态，Android则通过操作系统适配大量硬件；在PC时代，Mac和Windows也长期共存。机器人行业未来同样可能同时存在全栈公司和通用「大脑」平台。

关键不在于路线本身，而在于公司是否拥有与路线相匹配的资源和能力。

大厂vs创业公司：谁会赢？

「大厂的问题大家都很清楚。」张正友笑着说，「大模型时代，谷歌发明了几乎所有技术，但OpenAI出来了。」

他给创业公司的建议是：不要做容易被大模型「吞噬」的增量式创新。「如果创业公司做的事情很容易被纳入大厂的基座模型，前景就不会太好。应该聚焦在数据、场景这些需要深入耕耘的领域。」

马也骋补充了一个技术视角：「机器人策略必须在本地运行，对延迟极其敏感。不像语言模型可以云端调用API。所以即使没有开源模型，机器人公司也必须自研，这是不可避免的。」

的选择是明确的——只做大脑，不做本体。「我们在硬件上还没成功过，有自知之明。」张正友坦言。

ChatGPT时刻：2年到5年的共识

当被问及物理AI的「ChatGPT时刻」何时到来时，嘉宾给出了一个惊人的共识区间：不到5年。

姚卯青给出了最乐观的2年；赵子豪说「少于3年」；张正友认为3-5年；马也骋和任至意都选择了4年；徐丹飞则给出5年。

平均来看，顶尖专家们认为物理AI的「ChatGPT时刻」大约在3-4年后到来。

「但要踏踏实实去做，这3到5年才有希望。」张正友补充道。

物理AI，已经临近

圆桌结束了，但争论远未停止。VLA与世界模型谁是下一个目标？真机数据还是人类数据更有价值？全栈还是只做大脑？

这些问题没有标准答案，但有一点是确定的：物理AI正在以远超预期的速度向我们走来。

当数据飞轮真正转动起来，当模型开始从与真实世界的每一次交互中学习，那道「Scaling Law的物理墙」，终将被推倒。

而那一天，或许就在2029年之前。

编辑：大卫 Aeneas