六位具身智能大佬同台：机器人的ChatGPT时刻，还有几年？

这次去上海参加WAIC，让我印象最深的活动是“智启具身论坛2026——迎接物理AI智能涌现”。

这场论坛的含金量，不只在于智元、PI、Dyna、Sunday、腾讯和高校研究者坐在同一张桌子上，更在于他们讨论的是数据从哪里来、模型往哪走、本体要不要自己做这些行业尚未回答的硬问题。

论坛最后，主持人问了一个所有人都关心的问题：机器人的“ChatGPT时刻”，到底什么时候来？

智元合伙人、觅蜂科技董事长兼CEO姚卯青说，两年；

Sunday Robotics联合创始人兼CEO赵子豪说，三年以内；

腾讯首席科学家、腾讯Robotics X实验室主任张正友说，三到五年；

Dyna Robotics联合创始人兼首席科学家马也骋说，四年左右；

Physical Intelligence研究科学家任至意说，四到五年；

佐治亚理工学院徐丹飞教授给出的答案是五年。

几位嘉宾所在团队的技术路线和产品落地方式并不相同，但他们给出的时间判断却出奇地接近：两到五年。

这个共识，比我想象中更激进。不过，这些数字背后的口径未必相同。

姚卯青给出的定义相对明确：机器人能够开箱即用，听懂开放式自然语言指令，并在常见任务上达到70%—80%左右的基础成功率。

但其他嘉宾并没有逐一定义自己的标准。

所以，大家对时间看似形成了共识，但对“什么才算机器人的ChatGPT时刻”，其实还没有共识。

整场讨论中，有三个问题最受关注：机器人的数据飞轮怎么形成？“VLA已死”是不是一句伪命题？具身智能公司是不是正在走向软硬件全栈？

这三个问题，正好构成了理解当下机器人行业的三条主线：数据决定机器人如何进化，模型决定智能如何涌现，软硬件路线则决定谁能把能力真正变成产品和生意。

一、机器人的数据飞轮，不是采出来的

过去几年，大语言模型的成功，给了机器人行业一个直接的想象：只要不断扩大数据、算力和模型规模，机器人是不是也会迎来一次能力涌现？

可问题是，大语言模型需要的数据本来就存在于互联网上。机器人需要的物理经验，却没有统一的数据来源。

姚卯青在现场做了一个估算：头部语言模型的预训练已经达到100万亿Token量级。如果要让机器人真正开箱即用，可能需要一亿小时级别的数据。

这一亿小时从哪里来？

真机数据质量高，但采集成本太贵；仿真容易扩大规模，却始终存在虚实差距；互联网视频和第一视角数据数量足够，却未必能看清最关键的手部动作和力觉信息。

讨论中，一个被反复提及的数据来源是UMI。

你可以简单把它理解为一种低成本的人类操作数据采集方式：人拿着采集装置完成任务，系统记录视觉信息和动作轨迹，再把这些经验转成机器人可以学习的数据。

赵子豪认为，短期来看，UMI可能是最高效的规模化数据来源。但他同时强调，长期真正重要的还是部署数据。

两句话放在一起，恰好勾勒出一条可能的数据路径：

UMI解决“机器人还没有大规模上岗之前，去哪里获得经验”；部署数据则解决“机器人上岗以后，如何越干越好”。

任至意更看重真机数据，同时主张通过多源数据和跨本体训练，提高模型的泛化能力。

马也骋则把这些数据总结成一个“数据金字塔”。

底层是规模最大、成本最低的互联网视频和人类第一视角数据，中间是真机多任务数据，塔尖则是数量最少、价值最高的部署数据，尤其是机器人犯错、停顿、恢复并最终完成任务的过程数据。

它不是在告诉机器人“理想情况下应该怎么做”，而是在教机器人“真实世界不按剧本走的时候怎么办”。

Dyna在酒店部署机器人完成折毛巾、折餐巾等任务时，会把前几次部署的数据重新放回预训练。随着数据积累，进入下一家酒店需要重新适配的时间就会缩短。

表面看，嘉宾们都认同多种数据需要组合。

但真正到了资源投入上，各家公司押注的重点并不一样：有人优先扩大人类操作数据，有人坚持真机数据，有人则直接进入真实场景，用部署换数据。

这里有一个典型的鸡生蛋问题。

没有足够好的模型，客户不敢让机器人上岗；没有真实部署，机器人又拿不到最有价值的数据。

说白了，机器人的数据飞轮不是采出来的，是在真实场景里干活干出来的。

二、“VLA已死”，死的可能不是VLA

最近，具身智能行业很流行一句话：“VLA已死，世界模型当立。”

但在这场圆桌上，这场争论被进一步落到了VLA与WAM（World Action Model，世界动作模型）两条路线上。

VLA是根据视觉信息和语言指令生成动作的模型；WAM则更强调世界如何变化，以及不同动作可能带来什么结果。

Dyna确实从早期的VLA路线，逐渐把更多精力转向WAM。马也骋提到，在一些强调鲁棒性、少量数据和高成功率的任务里，WAM可能比VLA更高效。

那么，VLA真的要被淘汰了吗？

任至意并不认同。他认为，到目前为止，还没有看到哪家模型做出明显超过π0.7的演示效果。π0.7是PI推出的新一代通用机器人模型，也是PI对VLA路线的一次重要升级。

更关键的是，任至意认为VLA与WAM并不冲突。VLA本身也可以吸收世界建模和未来预测能力。

机器人最终既要理解语言和当前环境，也要预测未来结果。PI的做法，就是先生成未来的子目标画面，再用这个画面引导底层模型执行动作。

智元也没有简单押注其中一条路线，而是在推动VLA与WAM融合，探索世界建模、推理和动作能力进一步结合的模型体系。

这场讨论的张力就在这里。

任至意用π0.7说明VLA仍有很强的竞争力，马也骋则用真实任务中的效率和成功率说明WAM的价值。

两个人没有直接否定对方，但公司的技术下注已经给出了不同答案。

张正友又把问题往前推了一步。

他认为，具身智能远没有形成类似大语言模型Transformer那样的统一架构。一个真正的机器人智能体，至少要包含认知系统、感知行动系统和底层反应系统。

上层负责复杂推理和任务规划，中层负责感知与动作生成，底层则要以极高频率控制电机、处理碰撞和保持平衡。

你不可能让一个数千亿参数的云端大模型直接控制每一个电机，也不能指望一个三四十亿参数的端侧模型解决所有问题。

所以，“VLA已死”很可能从一开始就是个伪命题。

未来形成主流的，大概率不是纯粹的VLA，也不是单独的WAM，而是一套融合语言理解、世界建模、未来预测、推理规划和实时控制的系统。

VLA没有死。真正可能死掉的，是“靠一个模型解决机器人所有问题”的想象。

三、全栈能力会成为趋势，但全栈生意未必会

第三个问题，是机器人公司究竟应该只做“大脑”，还是连身体一起做。

PI现阶段主要做通用基础模型，没有选择自己研发和销售本体。

任至意坦率地说，没有自研硬件，确实可能导致部分任务无法完成。但PI目前更看重模型快速迭代，因此优先使用结构简单、维护成本低的机器人搭建研发基础设施。

这是一条典型的“大脑路线”：先把通用模型能力做出来，把本体作为研发基础设施，而不是现阶段的商业重点。

腾讯的选择也很明确。

张正友说，腾讯只做大脑，不会卖本体。他甚至开玩笑说，腾讯过去做硬件基本没有成功过，所以要有自知之明。

但腾讯的Robotics X实验室从2018年成立以来，却一直保留着硬件研发。因为如果没有真正做过硬件，就很难理解触觉、力觉、关节控制和端侧算力，究竟会给模型带来什么限制。

这是一条很微妙的边界：商业模式上可以不卖本体，研发上却不能不懂本体。

智元走的是另一条路。

姚卯青认为，一旦机器人进入客户现场，面对的就不再是论文指标和Demo效果，而是可靠性、成本、成功率和一致性。

这些问题没办法只靠模型解决。

端侧芯片能运行多大的模型，电池能工作多长时间，关节如何控制，整机能不能稳定量产，都会反过来决定机器人的智能上限。

Sunday Robotics选择三指夹爪，也是同样的逻辑。

赵子豪认为，机器人的手要在成本与能力之间做平衡。三指夹爪追求的是用20%的成本获得80%的能力。

今天，通用机器人迟迟没能大规模进入家庭和更多真实生产场景，未必是因为少了两根手指，更可能是因为智能不够、成本太高、稳定性不足。

这正是全栈路线的价值：不是为了什么都做，而是在模型、算力、本体、控制、成本和场景之间更好地做取舍。

那么，软硬件全栈会不会成为新趋势？

我的判断是：全栈能力会成为趋势，但全栈商业模式未必会成为唯一答案。

未来，机器人行业很可能会出现类似苹果的公司，模型、本体、系统和产品都自己完成；也会出现类似安卓和Windows的平台，只做通用大脑，适配不同本体。

但在今天，本体、传感器、灵巧手、芯片和控制系统都没有标准化。即使一家公司的最终目标只是卖“大脑”，也很难完全绕开身体。没有一家公司还能假装硬件不存在。

四、两年还是五年，其实没那么重要

这场论坛听下来，我最大的感受，是机器人行业远远没有收敛。

哪种产品形态最适合家庭和工厂，没有答案；VLA、WAM、端到端模型和分层系统，谁会成为主流架构，也没有答案。

数据配方仍在变化，商业模式同样分散。有人卖整机，有人做模型，有人做数据平台；有人押注工厂，也有人瞄准家庭。

表面看，这是一种混乱。换个角度看，这也是机会。

在一个尚未收敛的行业里，大厂和创业公司、中国团队和美国团队，都没有提前拿到标准答案。

所以，听完整场论坛，我反而不太在意答案究竟是两年还是五年。

机器人的“ChatGPT时刻”，不会只由某一次模型发布宣布到来。

它真正出现的标志，是数据、模型、本体与真实部署第一次形成自我加速：机器人部署得越多，积累的数据越多，能力提升越快，进入新场景的成本也越来越低。

在这之前，所有时间表都只是预测，所有路线都还在验证。