AI消息速览

2026 WAIC智启具身论坛：物理AI的“ChatGPT时刻”

事件日期 2026-07-22 · 产业观察 · 已接受

返回列表 打开来源
事件日期2026-07-22
信息日期2026-07-22
入库日期2026-07-22
通道产业观察
状态已接受
来源新智元

知识卡片：2026 WAIC智启具身论坛：物理AI的“ChatGPT时刻”

英文标题 (English Title): 2026 WAIC Zhiqi Embodied Intelligence Forum: The “ChatGPT Moment” for Physical AI

英文关键词 (English Keywords): Physical AI; Embodied Intelligence; Data Flywheel; WAIC 2026; AGIBOT; Maniformer; Scaling Law; Foundation Model

一句话结论

2026年WAIC“智启具身论坛”上，智元、觅蜂科技联合产学研界指出，物理AI（具身智能）的通用化落地不依赖单一模型突破，而取决于由数据、表征、仿真、后训练与真实场景反馈共同构成的系统化飞轮；当前实现“ChatGPT时刻”尚需亿小时级别的真实世界交互数据。

事件概述

2026年7月19日，作为世界人工智能大会（WAIC）核心分论坛，“智启具身论坛2026——迎接物理AI智能涌现”在上海世博中心举办。论坛由智元（AGIBOT）与觅蜂科技（Maniformer）联合主办，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 等机构的技术领军者。论坛聚焦探讨物理AI如何突破数字环境之外的“物理墙”（即数据稀缺、表征不统一、闭环反馈成本高），并探索其通用智能涌现的可行路径。

方法/产品要点

  1. 智元/觅蜂的核心技术架构：

    • 模型路线： 构建“预训练—后训练—持续学习”三阶段训练架构，推动VLA（视觉-语言-行动模型）与WAM（世界-行动模型）走向统一的 WRAM (World Reasoning Action Model)。
    • 产品发布： 提出自研 GO-2 基座模型、Act2Goal 世界模型、GE-Sim 2.0 仿真环境，以及 SOP、Genie Evolver 百台级分布式真机强化学习体系。
    • 数据基础设施（觅蜂科技）： 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。

  2. 关键技术与成果：

    • Physical Intelligence： 最新 π0.7 模型 展示跨本体零适配迁移能力：仅在 ARX 机械臂训练折叠衣物，即可在 UR5 双臂机器人上完成同类操作。
    • Dyna Robotics： 商用基座模型 DYNA-1 在餐巾折叠任务中成功率达 99.4%，可在24小时无人干预下自主折叠超850个餐巾；适应新任务仅需不到1小时的后训练数据。
    • 腾讯Robotics X： 提出具身智能尚未形成统一框架，未来更可能是认知系统、感知行动系统与底层反应系统的分层协同。

  3. 圆桌论坛共识：

    • 数据规模差距： 当前具身数据规模与语言模型预训练语料存在万倍以上差距，需亿小时级别数据才能支撑常见任务70-80%的基础成功率。
    • 数据配方： 物理AI的数据将依赖多种来源的混合配方，包括互联网数据、第一视角数据、UMI/Ego数据、真机数据、仿真数据、部署回流数据。
    • 飞轮前提： 部署数据进入下一轮预训练能加速后续场景落地，但其前提是底层具备海量、高多样性的预训练数据。

主要结果或产业意义

  1. 产业落地验证： 智元与觅蜂科技的“技术飞轮”已在江西南昌的 3C 平板量产产线中实现规模化落地验证，产线作业成功率达 99.99%。
  2. 关键路径判断： 论坛指出，物理AI的通用化不是单点模型能力的突破，而是数据、表征、仿真、后训练与真实场景反馈共同形成的系统性进化。
  3. 不同构架融合趋势： 多位嘉宾认为未来VLA与WAM将逐渐融合，模型需同时具备上下文理解、未来状态预测与鲁棒执行能力；当前尚未出现如大语言模型（Transformer）般的统一框架。

为什么重要

  • 与既有脉络关系（增量信息）： 本卡片是对当前具身智能领域（如斯坦福炒虾机器人、NVIDIA Project GR00T等）的更新与延续。其增量信息在于论坛明确提出了物理AI实现规模化的“障碍”具体为数据墙、表征墙、闭环墙，并提供了可量化的数据需求缺口（万倍） 和具体的产业成功案例（99.99%产线成功率）。
  • 行业风向标： 论坛汇聚了中美两国顶尖产学研力量，其达成的共识（多源数据配方、不同技术路线的融合趋势）代表了该领域对物理AI从研发走向商用的最新集体认知。

局限与不确定性

  • 时间表分歧： 圆桌嘉宾对机器人“ChatGPT时刻”到来的时间预判从两年到五年不等，表明仍存在较大不确定性。
  • 统一框架缺失： 当前尚未出现像大语言模型Transformer那样收敛的统一技术框架，各路线（VLA、WAM、分层系统）仍在并行探索，最终收敛路径待核实。
  • 硬件决定性： 论坛讨论指出，机器人本体的选择需匹配具体场景，是否自研本体存在不同观点（如Physical Intelligence更关注模型涌现，优先使用简单低成本本体），硬件路径的分化仍存。

可用于图书/PPT/简报的角度

  • 对比视角： 对比数字AI的成功（如ChatGPT）与物理AI面临的独特挑战（数据缺失、物理规律约束、反馈慢）。适用于阐述AI发展的“下一个前沿”。
  • 系统思维角度： 强调物理AI不是模型竞赛，而是数据-模型-硬件-部署的系统性工程。适用于产业战略或投资分析简报。
  • 数据飞轮： 聚焦“模型决定起点，数据定义终局”这句话，拆解“数据配方”及回流飞轮，适合作为企业技术路线或商业模式的案例研究。
  • 人才培养与产学研结合： 论坛强调跨本体、跨场景的通用能力，契合高等教育、行业培训中对多学科复合人才的需求。

原始材料