WAIC观点：最快两年，迎来机器人“ChatGPT时刻”

数据、模型与场景：具身智能产业进入场景落地关键期

在2026年世界人工智能大会上，具身智能企业不再像此前展示机器人的“舞蹈功底”，转而将真实产线搬到了展台。机器人如何感知环境、理解任务、执行动作，并在真实反馈中持续进化，成为行业关注的焦点。业界普遍认为，2026年是具身智能部署的元年，但围绕世界模型、数据困境、技术路线和落地标准，各方观点仍存在显著分歧。

数据困境：翻越“三道墙”的多种路径

世界模型被定义为“能够理解物理世界运行规律的AI系统”，其核心功能是“能够预测世界的下一步状态”。智元合伙人、高级副总裁、具身业务部总裁姚卯青在“智启具身论坛2026：迎接物理AI智能涌现”分论坛上指出，世界模型需要掌握多模态融合理解、物理规律认知和因果推理三项关键能力，构成从“看到了什么”到“世界会怎样变化”再到“如果我这么做会怎样”的完整智能链条。

然而，训练世界模型所需的数据与现实之间存在着巨大鸿沟。姚卯青坦言，语言模型头部团队已使用约100万亿Tokens的语料，相当于100亿小时的人类说话时长，而具身智能所需的物理世界数据，信息密度远低于语言，目前还差了万倍以上。这构成了物理智能规模化必须突破的第一道“数据墙”。此外，跨任务、跨场景、跨本体的统一物理表征尚未形成，“表征墙”仍未打通；真实试错代价昂贵、反馈缓慢，难以规模化，“闭环墙”也是阻碍。

围绕数据来源，不同企业给出了不同解法。Sunday Robotics联合创始人兼CEO赵子豪介绍了一种低成本、无本体差异的采集方式UMI（通用操作接口）数据，认为这是短期提升智能最有效的手段。而Physical Intelligence研究科学家任至意则坚持真机数据的不可替代性，“只有真机采集的数据，才能在机器人上完整复现任务”。Dyna Robotics联合创始人马也骋提出“数据金字塔”方案，将互联网视频、第一人称数据、真机数据、部署回流数据分为三层，各司其职。

模型争辩：VLA与WAM的路线之争

尽管大模型智能程度越来越高，但不少具身智能从业者发现，这条路径或许不能直接平移到物理AI领域，甚至出现了“VLA（视觉-语言-动作模型）已死，WAM（世界动作模型）当立”的言论。

任至意回应称，“到目前为止，没有看到哪家能做到比π0.7（Physical Intelligence发布的通用机器人VLA模型）更亮眼的demo，所以VLA还没有死。”他同时承认，VLA和WAM并不冲突，未来真正要做的是训练一个原生理解context、知道怎么生成未来的模型。

马也骋则从实战经验出发，指出Dyna已经从VLA切换到WAM架构，因为部分强调高成功率和少数据效率的任务中，WAM可能比VLA更高效。Dyna选择了一条中间路线，用世界模型的预测能力驱动高频执行，用低频的推理模型处理高层认知。

腾讯首席科学家张正友认为，具身智能尚处于早期阶段，还没有像大语言模型的Transformer那样收敛的统一框架。“假如具身智能真正是一个智能体，怎么可能只有3B、4B的模型就能解决所有问题？”他提出认知系统、感知行动系统、底层反应系统三层架构，信息在层间双向传递，更像一个完整的Agent系统。

姚卯青认为，VLA与WAM两条路线都需要持续演进，并推动二者走向统一，下一代模型将是WRAM（世界推理动作大模型）。对此，智元推出了自研GO-2基座模型、Act2Goal世界模型、GE-Sim2.0等多款VLA与WAM模型，搭配SOP（标准操作流程）、Genie Evolver百台级分布式真机强化学习体系。

场景验证：从实验室走向真实产线

如何把数据、训练、部署串成一个持续运转的系统，是世界模型落地验证的核心命题。训练效率是第一个被攻克的工程瓶颈。智元提出“预训练—后训练—持续学习”的三阶段训练架构，并在嘉兴搭建的Genie Evolver系统，实现了超过100台机器人同时进行在线策略迭代训练，训练周期压缩到“分钟级”。

无界动力选择了“隐空间世界模型+强化学习”双轮驱动的技术思路。其联合创始人兼CTO夏中谱在世界模型“六小龙”巅峰论坛上解释，该路线不依赖在像素空间里生成逼真视频来“理解”世界，而是在压缩后的隐空间里完成对未来状态的推演，再通过强化学习把推演转化为行动。

大晓机器人发布的开悟世界模型3.1，在端侧实现125毫秒的推理延迟，这意味着复杂的“理解—推演—执行—反思”闭环可以在机器人本体上实时完成，无需依赖云端算力。蚂蚁灵波则展示其世界模型在消费级显卡上达到90至150赫兹的推理效率，强调“从头为物理世界设计”的架构在效率上的优势。

部署验证方面，智元机器人在江西南昌的3C产线上实现了99.99%的成功率，并已稳定运行数月；Dyna Robotics在马萨诸塞州一家餐厅里完成了餐巾折叠的商业验证，机器人24小时无人干预下自主折叠超过850个餐巾，成功率99.4%；大晓机器人采取“先ToB后ToC”的策略，推出面向即时零售、酒店洗衣、巡检安防的三套方案，其“晓满”一体化履约方案已进入烧卖购、快客达等真实零售场景，计划未来一年完成1000家零售场景落地。

论坛上，业界学者和专家给出了对机器人“ChatGPT时刻”的时间预测。姚卯青认为最快是两年；任至意、马也骋判断是四年左右；张正友则估计是三至五年。

行业标准：缺乏统一的世界模型评测基准

在世界模型“六小龙”巅峰论坛的圆桌环节，六位嘉宾都认为，当前没有一个公平、标准、统一的世界模型评测基准。大部分评测仍然停留在视频生成类型上，但这些指标与机器人真正需要的“物理因果推演能力”之间存在本质错位。正如自变量机器人CTO王浩所说，今天的世界模型“可能99%的像素对决策毫无用处”，但行业却花了大量算力去预测这些无用像素。

针对这一痛点，论坛上亮相了具身物理智能统一评测基准平台Physical IQ 物智。这是国内首个具身原生、面向多场景、多本体、多任务的物理智能评测基准平台。平台以统一协议贯通零售、工业、家居等真实场景，不限定参赛方使用何种硬件形态或底层算法，重点考察双臂协作、移动与操作协同、长程任务规划、3D空间推理、工具使用、多机协同等前沿能力维度。

在生态共建层面，平台吸引了智元机器人、辉羲智能、蚂蚁灵波等产业链上下游企业共同参与。