随着大模型在语言、数学、代码等数字领域完成能力跃迁，人工智能的核心命题正转向真实世界。机器人如何感知环境、理解任务、执行动作，并在持续反馈中实现自我进化？物理AI何时迎来“ChatGPT时刻”？围绕这些行业最热议题，7月19日，智元与觅蜂科技联合主办了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”。
本次论坛汇聚了清华大学、佐治亚理工学院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、腾讯Robotics X 等海内外顶尖高校、机器人实验室与头部科技企业的技术领军者，共同探讨物理AI翻越Scaling Law“物理墙”、实现通用物理智能涌现的可行路径。
模型决定起点，数据定义终局。论坛开篇，智元合伙人、高级副总裁、觅蜂科技董事长兼CEO姚卯青带来了题为《模型与数据飞轮：冲破物理墙，驱动物理AI智能涌现》的主旨演讲。
姚卯青提出，理解物理AI首先要回到智能的两条主线：表征与闭环。表征是对世界的抽象压缩，而闭环是智能体与环境之间持续发生的“感知、理解、决策、行动、反馈”循环。数字AI的成功本质上是知识表征在数字环境中的成功，而物理AI的难点在于必须同时打通经验表征与真实世界闭环。他认为，物理智能若要实现规模化，必须突破三道墙：一是数据墙，真实交互数据稀缺且获取成本高；二是表征墙，跨任务、跨场景、跨本体的统一物理表征尚未形成；三是闭环墙，真实试错代价昂贵、反馈缓慢，难以规模化。
姚卯青强调，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。为此，智元构建了“预训练—后训练—持续学习”的三阶段训练架构，沿着VLA与WAM两条路线演进，推动二者走向统一的世界推理动作大模型（WRAM），并推出了自研GO-2基座模型、Act2Goal世界模型、GE-Sim 2.0，搭配SOP、Genie Evolver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、MEgoEngine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。
姚卯青指出，当执行、回流、挖掘、更新形成自动化闭环，模型能力才能在真实世界中持续迭代。这一技术飞轮已在江西南昌的传统3C平板量产产线验证成功，作业成功率达99.99%。他表示：“模型决定起点，数据定义终局。当飞轮转动，智能涌现只是时间问题。”
随后，论坛围绕物理AI如何突破表征、泛化与闭环难题展开了深入探讨。
清华大学计算机系副研究员苏航在《数据驱动的具身基座模型》中指出，具身智能正在经历从面向单一机器人和特定任务的行为模仿，转向面向开放世界的通用能力预训练。未来具身基座模型的目标，是形成对环境状态、物理规律、动作后果和任务进程的统一理解。他认为，数据将走向多源混合，模型从行为模仿走向世界建模，学习从离线训练走向真实部署中的持续进化。
Physical Intelligence 研究科学家任至意则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。其最新π0.7模型实现了突破性跨本体涌现迁移：仅在ARX机械臂上训练折叠衣物数据，即可零适配在UR5双臂机器人上完成同款精细操作，大幅降低部署适配成本。
Genesis AI 联合创始人王尊玄分享了面向机器人灵巧操作的全栈方法。他强调，通用灵巧操作的突破依赖高质量数据的规模化供给，而非单纯依靠模型架构。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，缩小人手与机器人手之间的数据鸿沟，并结合Genesis World仿真环境加速模型迭代。
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，通过前沿研究、产品部署和真实世界数据反哺，形成技术迭代的自我强化循环。其商用基座模型DYNA-1在餐巾折叠任务中成功率高达99.4%，并能在24小时无人干预下自主折叠超过850个餐巾，实现了从“实验室演示”到“工业级可靠性”的跨越。
多位嘉宾的分享共同指向一个判断：物理AI的通用化落地，是数据、表征、仿真、后训练与真实场景反馈共同形成的系统性进化。通用能力来自多源经验的规模化复用，可靠性则来自真实闭环中的持续迭代。
主旨演讲结束后，论坛迎来压轴圆桌高峰对话。姚卯青、任至意、马也骋、Sunday Robotics联合创始人兼CEO赵子豪、腾讯首席科学家及腾讯Robotics X实验室主任张正友同台，议题锁定《Scaling Law的“物理墙”：物理AI如何迎来通用智能涌现》。
过去几年，数字大模型通过数据、模型和算力的持续扩展实现了显著的能力涌现。但在物理世界，智能必须转化为真实环境中的稳定行动。姚卯青认为，如果将机器人“ChatGPT时刻”定义为“开箱即用”，完成日常任务，那么具身数据规模仍与语言模型预训练语料存在万倍以上差距。要实现对通用物理规律、开放式指令理解与任务规划能力的隐式掌握，需要亿小时级别的数据。
围绕数据来源，嘉宾们达成共识：物理AI的数据将形成由互联网数据、第一视角数据、真机数据、仿真数据与部署回流数据共同组成的“数据配方”。赵子豪指出，短期看低成本数据采集有助于提升效率，长期看真实回流数据才是系统持续进化的关键。张正友强调，具身智能的数据飞轮必须回到物理交互本身，无论成败，交互产生的数据都应被收集，尤其是失败数据，这对于持续提升模型能力至关重要。
在模型路线方面，任至意认为VLA与WAM并不冲突，未来更可能融合；马也骋则认为不同架构各有优势，WAM在强调高成功率和少数据效率的任务中可能比VLA更高效；张正友提出，具身智能尚处于早期阶段，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。
讨论还延伸到机器人本体设计。多位嘉宾认为，本体并非越复杂越好，关键在于能否匹配场景需求、成本约束和部署节奏。任至意表示，PI更关注通用策略模型能力的涌现，会优先使用简单、低成本的机器人本体。姚卯青则认为，面向商业化落地，机器人必须满足客户对可靠性、成本和一致性的要求，全栈路线的价值在于打通本体、硬件、模型、控制和部署，在系统层面寻找最优解。
圆桌尾声，嘉宾们对机器人“ChatGPT时刻”的到来时间给出判断。尽管具体时间预判从两年到五年不等，但共识是：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。
从数据飞轮、基座模型、虚实学习到商业规模化落地，2026智启具身论坛完整串联起物理AI从技术原理到产业落地的全链路思考。Scaling Law的“物理墙”并非不可逾越——当数据、表征与闭环系统实现共同规模化扩展，当学界与产业界在统一表征、虚实融合、真机进化等方向持续深耕，物理AI的涌现正在从愿景走向路线图。作为全球AI顶级盛会，WAIC不仅是汇聚全球智慧的重要平台，更是中国科技创新走向世界的盛大舞台，而具身智能作为中国“新质生产力”的代表，正是与全球并肩探索的智能边疆。“智启具身论坛”汇聚中美产学研顶尖力量同台论道，已成功连续举办两届，展现了以智元、觅蜂为代表的中国硬科技企业，正在全球尖端技术领域实现从参与者向引领者的身份转变。