WAIC智启具身论坛勾勒Scaling Law路线图

物理智能要实现规模化，必须突破数据、表征、闭环三道墙。

本文为IPO早知道原创

作者｜苏打

“理解物理AI，首先要回到智能的两条主线：表征与闭环。物理AI的难点在于，它必须同时打通经验表征与真实世界闭环。”

据IPO早知道消息，7月19日，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，于2026世界人工智能大会核心分论坛“智启具身论坛2026——迎接物理AI智能涌现”中，发表《模型与数据飞轮：冲破物理墙，驱动物理 AI 智能涌现》主旨演讲。该论坛由智元、觅蜂科技联合主办，已成功举办两届。

姚卯青认为，物理智能要实现规模化，必须突破数据、表征、闭环三道墙，物理AI从“能演示”走向“能干活”，关键不在于单点模型能力，而在于能否形成可泛化、可优化、可进化的通用具身智能系统。

围绕这一目标，智元构建起“预训练—后训练—持续学习”的三阶段训练架构，沿着VLA与WAM两条路线持续演进，推动二者走向统一的世界推理动作大模型WRAM，并以此推出百台级分布式真机强化学习体系。

在数据层面，觅蜂科技打造了全链路物理AI数据基础设施，依托MEgo 系列采集终端、MEgo Engine治理平台与真机数据集AGIBOT WORLD，构建分层数据供给金字塔与部署回流数据飞轮，从源头解决行业数据稀缺难题。

当前，执行、回流、挖掘、更新形成的技术飞轮已经在真实场景中获得验证。在江西南昌，传统3C平板量产产线完成规模化落地验证，产线作业成功率达99.99%。

作为全球领先的一站式物理AI数据服务平台，觅蜂科技（Maniformer）致力于打造具身智能数据的“平台型供给”基础设施，实现数据的体系化、标准化、规模化供给，并通过发起 “蜂巢数据共创行动”，联合全球伙伴打造开放高效的数据流通网络。

拆解「物理AI如何走向通用化」

现场，论坛围绕物理 AI 如何突破表征、泛化与闭环难题展开讨论。

清华大学计算机系副研究员苏航强调，具身预训练的核心逻辑正在从“看得更多、模仿得更像”，升级为“理解世界、预测后果、持续进化”。在这一趋势下，未来行业竞争的重点也将从单项任务成功率和演示效果，转向基座模型的通用性、迁移性和持续学习能力

Physical Intelligence研究科学家任至意则从规模化真实世界数据出发，展示了机器人策略模型如何在多任务、多场景训练中形成跨本体泛化能力。他介绍，最新π0.7模型仅在ARX机械臂训练折叠衣物数据，即可零适配在UR5双臂机器人完成同款精细操作，实现突破性跨本体涌现迁移能力，大幅降低机器人部署适配成本。

针对机器人如何从实验室走向真实部署这一议题，Genesis AI联合创始人王尊玄指出，通用灵巧操作的突破并不只是模型架构问题，更依赖高质量数据的规模化供给。随着预训练数据规模提升，模型在任务级微调后的效能和效率也有所提升。Genesis AI通过接近人类尺度的机器人手与非侵入式手套数据采集方式，缩小人手与机器人手之间的数据鸿沟；同时，Genesis World仿真环境不仅用于强化学习后训练，也用于模型评测，以加速模型迭代。

谈及机器人于真实场景中如何在长时间、无人干预、高一致性要求下保持稳定可靠，Dyna Robotics联合创始人兼首席科学家马也骋分享了“研究与部署飞轮”战略。据悉，Dyna Robotics商用基座模型DYNA-1在餐巾折叠这一高难度任务中，成功率高达99.4%，并能在24小时无人干预下自主折叠超过850个餐巾。

翻越Scaling Law「物理墙」

高峰对话环节，姚卯青、任至意、马也骋、Sunday Robotics联合创始人兼CEO赵子豪、腾讯首席科学家&腾讯Robotics X实验室主任张正友同台，探讨“Scaling Law的‘物理墙’：物理AI如何迎来通用智能涌现”。

围绕机器人的“ChatGPT 时刻”究竟需要多大规模的数据这一话题，嘉宾们形成了一个重要共识：物理AI的数据不可能只依赖单一来源，而将形成由互联网数据、第一视角数据、UMI/Ego数据、真机数据、仿真数据与部署回流数据共同组成的“数据配方”。

赵子豪提出，短期看，低成本、低偏差的数据采集方式有助于提升预训练效率；长期看，真正决定系统持续进化的，将是机器人在多样化部署环境中形成的真实回流数据。

马也骋也指出，部署数据进入下一轮预训练后，可以让后续部署越来越高效，最终缩短新场景落地周期；但这一飞轮成立的前提，仍是底层具备海量、高多样性的预训练数据。

张正友补充道，具身智能的数据飞轮必须回到物理交互本身。机器人尤其要从失败数据中学习，以持续提升模型能力。

在模型路线方面，任至意认为，VLA与WAM并不冲突，未来更可能逐渐融合。马也骋也认为，不同架构各有优势，“WAM可能比VLA更高效”。张正友则提出，具身智能还没有像大语言模型 Transformer 那样收敛的统一框架，未来更可能是认知系统、感知行动系统和底层反应系统之间分层协同、相互闭环。

讨论还进一步延伸到机器人本体设计。多位嘉宾认为，本体并不是越复杂越好，关键在于能否匹配具体场景的任务需求、成本约束和部署节奏。

对机器人“ChatGPT 时刻”的到来时间，嘉宾们的共同判断是，物理AI的智能涌现不会来自单一模型、单一数据源或单一路线，而取决于数据规模、模型架构、仿真评测、真机反馈、部署场景与硬件系统共同构成的持续进化飞轮。