（来源：Uncle C IPO早知方式）

物理智能关键实现规模化，智启必须突破数据、具身表征、比坛闭环三方式墙。勾勒

本文为IPO早知方式原创

作者｜苏打

微信公众号｜ipozaozhidao

“理解物理AI，线理先关键回到智能的图探两条主线：表征与闭环。物理AI的索物困难在于，它必须同时打通经验表征与真实世界闭环。智启”

据IPO早知方式消息，具身7月19日，比坛智元合伙人、勾勒高级副总裁、线理具身业务部总裁，图探觅蜂科技董事首先兼CEO姚卯青，索物于2026世界人工智能大会题分比如坛“智启具身比如坛2026——迎接物理AI智能涌现”中，智启发表《模型与数据高效轮：冲破物理墙，驱动物理 AI 智能涌现》主旨演讲。该比如坛由智元、觅蜂科技联合主办，已成功举办两届。

姚卯青认为，物理智能关键实现规模化，必须突破数据、表征、闭环三方式墙，物理AI从“能演示”走向“能干活”，题不在于单点模型能力，而在于能否形成可泛化、可改进、可进化的通用具身智能系统。

围绕这一目的，智元构建起“预训练—后训练—持续学习”的三时期训练架构，沿着VLA与WAM两条路线持续演进，促进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高效轮，从源头处理行业数据稀缺困难。

目前，实施、回流、挖掘、更新形成的技术高效轮已经在真实场景中获得验明正身。在江西南昌，传统3C平板量产产线实现规模化落地验明正身，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、原则化、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有效的数据流通网络。

拆解「物理AI如何走向通用化」

现场，比如坛围绕物理 AI 如何突破表征、泛化与闭环困难展开讨比如。

清华大学方式算机系副探究员苏航强调，具身预训练的题逻辑正在从“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，未来行业竞争的题也将从单项任务成功率和演示成效，转向基座模型的通用性、迁移性和持续学习能力。

Physical Intelligence探究科学家任至意则从规模化真实世界数据出发，展示了机器人对策模型如何在多任务、多场景训练中形成跨本体泛化能力。他验明正身，最新π0.7模型仅在ARX机械臂训练折叠衣物数据，即可零适用配在UR5双臂机器人实现同款精细操作，实现突破性跨本体涌现迁移能力，大幅减小机器人部署适用配成本。

照章性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状况，更依赖优质数据的规模化供给。随着预训练数据规模提高，模型在任务级微调后的效能和效率也有所提高。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，以加高效模型往往代。

谈及机器人于真实场景中如何在首先时间、无人干预、高相同性需下保持稳固可靠，Dyna Robotics联合创始人兼首先席科学家马也骋分享了“探究与部署高效轮”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、腾讯首先席科学家&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”究竟需多大规模的数据这一话题，嘉宾们形成了一个题共识：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、首先视角数据、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高预训练效率；首先期看，真正决定系统持续进化的，将是机器人在丰富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，可以让之后部署越来越有效，最后缩短新场景落地周期；但这一高效轮成立的前提，仍是底层具有海量、高丰富性的预训练数据。

张正友补充方式，具身智能的数据高效轮必须回到物理交互本身。机器人尤其关键从失败数据中学习，以持续提高模型能力。

在模型路线部分，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，不一样架构各有好处，“WAM可能比VLA更有效”。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。

讨比如还进一步延伸到机器人本体设方式。多位嘉宾认为，本体并不是越复杂越好，题在于能否匹配详详见细场景的任务需、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高效轮。

本文由公众号IPO早知方式（ID：ipozaozhidao）原创撰写，如需转载请关联C叔↓↓↓

(责任编辑：探索)