点击下方卡片，关注【Xbotics具身智能实验室】公众号
你想要的这里都有~~
2026年8月18日，上海世博中心，WAIC智元论坛“智启具身”会场。一场被称为“具身智能华山论剑”的上午半场，智元、觅蜂集齐了全球最具代表性的五位破壁者——Physical Intelligence任至意、Dyna Robotics马也骋、Genesis AI王尊玄、佐治亚理工赵子豪，以及Sunday Robotics等团队，并与清华大学、腾讯Robotics X一道，用极高的信息密度碰撞出当前具身智能最根本的问题，各自路线分歧与共识。本文整理自现场演讲与圆桌讨论，将这场硬核对话拆解，即便是入门者，也能看清其中的真正脉络。
总结下来，包括以下五点：
第一，数字AI的Scaling Law不能被机械复制。物理AI需要同时扩大知识、动作、接触、失败和部署经验。
第二，VLA与WAM不会简单地一方取代另一方。语义理解、未来预测、任务规划和动作执行最终可能在更统一的模型或分层系统中融合。
第三，物理AI不存在唯一最优数据类型。互联网视频、Ego、UMI、遥操作、仿真、真机和部署数据必须按照任务目标进行组合。
第四，高价值数据正在从标准成功轨迹转向错误、恢复、接管和部署边界数据。数据治理、评测和回流基础设施将成为物理AI的核心壁垒。采集只是起点，能够证明数据价值、追踪模型变化并持续优化配比，才是真正的数据能力。
第五，硬件、本体与控制系统并不是模型之外的次要问题，而是共同定义物理智能上限的组成部分。
接下来我将详细分析整场对话背后的含义。
一、问题：物理AI的挑战在于：我们必须同时打通表征与闭环这两条路线
数字AI之所以能够通过Scaling Law实现智能涌现，是因为它在两个维度上天然具备优势：第一，知识表征极其高效——文本、代码、数学公式本身就是高度凝练的人类知识，互联网上天然存在着近乎无穷无尽的训练语料；第二，数字闭环成本极低——在搜索、推荐、对话系统里，用户的一次点击、一个评分、一次对话本身就是反馈信号，整个闭环可以在毫秒级完成，且几乎零成本。
但物理AI完全不是这样。它的核心不仅是知识的表征，更是经验的表征和真实世界中的一个闭环，这是一种范式上的跃迁——从‘知识的规模化’到‘交互经验的规模化’。”知识可以从文本里学到，但经验必须在真实的物理交互中积累。 一个人可以读一万本游泳教程而依然不会游泳，但一个孩子只要在水里扑腾几十个小时就能学会。具身智能目前面临的，正是这样一种从“可阅读”到“可体验”的跨越。
除此以外更深层的问题在于，物理AI要处理的场景存在严重的长尾效应。苏航在演讲中举了一个非常生动的例子：“当一瓶水放在我们桌子边的时候，我希望把这瓶水向你推一下再把它拿起来，这样大量边缘侧的数据，在传统的预训练过程当中是非常难以采集到的。”
这些处于决策边界上的“Recoverable数据”，恰恰是决定机器人是否真的能干活而不是只能演示的关键。人类可以轻松处理这些边缘情况，因为人类拥有强大的常识推理和快速适应能力，但目前的具身模型往往会在这些边界上彻底崩溃。而如果试图用Scaling来解决——把所有这些长尾场景全都采集一遍——从物理世界的数据生产成本来看，几乎是不可能的。因此，物理AI的Scaling Law问题本质上是一个“什么样的数据才有资格被Scale”以及“如何让闭环本身被Scale”的问题。
二、分歧：VLA、世界模型、仿真、真实数据，谁才是破局的主线？
那什么样的模型架构、数据内容才能促进Scale，各家给出的答案并不相同。
智元：双轨并行，向WRAM收敛
智元并没有在VLA和WAM之间二选一，而是选择了并行推进、最终融合的路线：
“第一条是以VLA路线：从GO-1的ViLLA架构，再到GO-2首次引入动作思维链，今年还会推出Go-3模型。另一条路线是以世界动作模型，也就是今年比较火爆的WAM路线为主。最早推出的是GE-Act，基于ACT支持记忆的世界模型，再到后续的Act2Goal首次实现Goal-to-Action世界模型。
其中“VLA是非常擅长语义理解和任务Grounding以及进行粗粒度任务规划的，总结就是说它做到的是告诉我们这是什么，环境是什么，我要做什么。WAM路线擅长的是对于物理、对于动力学、对于未来状态的一个精准推演，它告诉我们的是如果我这么做了，那世界会变成怎么样。”
换句话说，VLA解决的是“理解意图和场景”的认知层问题，WAM解决的是“预测物理后果”的推理层问题。真正的高级物理智能，必须是“先理解任务，再推演未来，评估选择，最后实施行动”的完整链条。这两条路线的终局，是融合了VLA模型的规划和认知能力以及World Model的推理能力叫作World Reasoning Action Model——WRAM。”
π:VLA未死,关键在于Context Expansion
作为具身基础模型赛道上走得非常快的团队，π对于“VLA已死”这种观点给出了直接的反驳：“其实到目前为止，我没有看到大家有哪家可以做到比π0.7更impressive的demo，所以可能VLA还没有死。”
π的策略是在VLA框架内进行了一种深刻的升级——极大扩展模型的上下文空间。就像π0.7的设计思路：除了传统的视觉和语言输入，模型还被喂入了更丰富的数据质量标签、错误标注、未来的子目标图像，以及详细的Episode metadata。
❝“我们数据集非常diverse，我们有不同的Task、Multi-Task、Multi-environment、Mixed-quality、Mixed-strategy……我们要学习这样一个大的数据集，我们就要去给模型足够多的Context，我们去告诉模型这个Task是什么，环境长什么样，Quality是什么样的，机器人采用的策略是什么样的。”
这种路线本质上是在用信息的充分性来弥补物理数据的稀疏性。这是VLA路线在当前数据量级下能够走得很远的关键原因之一。
Dyna：WAM更鲁棒，数据飞轮是关键
Dyna的马也骋则给WAM投下了非常清晰的一票。Dyna曾经也采用VLA架构，但在实际部署中，他们发现对于追求高成功率、高鲁棒性的真实任务场景，WAM的表现明显更优：
❝“我们内部也做了一些非常严谨的研究……我们发现WAM其实比VLA鲁棒很多。我们特别关心模型的鲁棒性，可不可以用很少数据可以让它达到非常高的success rate。”
在餐厅叠餐巾的任务中，VLA模型在达到80%成功率后很难继续提升，而切换到WAM并配合闭环的奖励函数模型后，他们实现了连续24小时不间断叠800张餐巾的惊人鲁棒性。这种鲁棒性的来源，正是世界模型对物理状态的精准推演能力——当机器人抓取餐巾时不小心将整叠一起抓起，WAM能在隐空间里“想象”出不同的恢复策略并执行，即使这种错误场景在训练数据中并未完整出现过。
同时，马也骋特别强调了真实部署数据在飞轮中的核心价值：
❝“其实我们发现在部署的时候，你把部署的Data放到下一次预训练的时候，这样可以让你接下来的部署更Efficient……最后会达成零成本就会在新地方做同样任务。”
Genesis AI ：硬件对齐与被动数据采集
王尊玄代表的技术思路带有很明显的“硬件—数据—模型”一体化思维，数据采集的瓶颈在于数据采集设备本身是否与最终部署本体高度对齐：
❝“我们发展目标需要有一个机械手，手套跟人手，基本上是一对一对应……我们重点是能够设计一套数采系统，第一它能够非侵入式的，可以达到我们说的被动式的数据采集，就是基本上能戴上我们手套，工人可以直接做原本他们做的事。”
这种思路试图从根本上解决两个问题：一是降低数据采集的侵入性，让真实场景中的工人无需专门培训就能产生高质量操作数据；二是实现采集端与部署端的硬件对齐，减少从“人手数据”到“机器手执行”之间的分布漂移。王尊玄还将仿真环境提升到非常高的战略地位，认为它最核心的价值首先不是生成训练数据，而是作为高保真度的评测平台，为模型的闭环迭代提供一个快速、安全、可并行的验证环境。
这种路线分歧说明我们具身智能行业还是在起步阶段，整个行业都在起步，还没有一个converge的framework，不像大语言模型，基本上Transformer大家都定了，确实只要加数据就可以往前推进。
三、共识：数据是当前具身智能的最大瓶颈
姚卯青用一组令人震惊的对比量化了这个差距：
❝“今天，物理AI的数据，如果我们等效为Token也好、时长也好，其实大概只有语言模型的数万分之一。”
这是由于真机交互数据的采集需要昂贵的机器人硬件、需要训练有素的数据采集员、需要安全稳定的运行环境，而且采集速度受限于物理世界的时间流速——你不可能让机器人以10倍速去擦桌子。更糟糕的是，不同机器人本体、不同传感器配置、不同控制频率产生的数据格式千差万别，行业缺乏统一标准，数据孤岛效应严重。姚卯青明确指出了这一点：
❝“目前在具身的数据市场上是缺少统一行业标准的，各家一些质量、形态都是参差不齐，同时在供给和需求之间也存在着大量的错配，各种数据孤岛效应比较严重。”
这正是为什么苏航、任至意、马也骋等人在演讲中都不约而同地将大量篇幅用在了数据策略上。苏航教授团队是国内最早注意到并推动UMI（Universal Manipulation Interface）数据应用的团队之一。UMI数据通过一种低成本的夹爪式手持设备，能够在人类执行操作任务时同步采集RGB视频和末端执行器位姿，将数据采集从昂贵的遥操作中解放出来，并且由于采集的是相对本体的末端轨迹，天然具备一定的跨本体泛化能力。苏航团队基于UMI数据在ICML上发表的预训练方法，首次在未见过的机械臂、未见过的环境、未见过的物体和未见过的语言指令上都实现了zero-shot泛化，证明了这种无本体数据确实能够为通用操作能力提供有效的预训练信号。
但这种数据的局限性也同样明显：“机器人的视角和整个来讲，它的人视角会有很大差别；同时，其实包括我们UMI它的本体Gap也是比较大的，他们之间的action space也会有比较大的区别。并不是说把数据简单采回来就可以使用了。” 也就是说不同数据源之间的本体鸿沟、视角鸿沟和动作空间鸿沟，必须通过精巧的表示学习来弥合。 苏航团队采用的残差向量量化（RVQ）方法，本质上是在隐空间里构建一个“动作空间的通用语言”，让不同来源的轨迹能够在这个隐空间里对齐和迁移。
π则从另一个角度切入了数据问题：多样性和质量标注。 π的策略非常激进——他们不仅采集高质量的遥操作数据，还主动采集机器人犯错的、人类介入恢复的、自主运行卡住的各种“负面数据”。任至意解释背后的逻辑：
❝“因为我们觉得只有让模型去理解不同数据的质量，才可以figure out，下一步怎么去完成正确的behavior，把我们成功率给提高。”
这种做法的聪明之处在于，它承认了一个现实：在部署初期，机器人一定会犯错，与其回避这些错误数据，不如把错误本身变成训练信号。通过在训练时给模型提供Episode metadata——哪一段是失误，整体质量是几分，有没有人类介入——模型实际上在学习一种区分好坏的能力。这种能力在推理时可以被Prompt激活，从而显著提升模型在真实环境中的稳定性。
Dyna的马也骋则将部署数据提高到了战略核心的位置。在他们看来，只有真实部署中产生的高质量闭环数据，才是飞轮的核心燃料，而互联网视频和UMI数据更多是提供感知和常识层面的基础能力。他描述的数据金字塔非常清晰：底层是互联网和第一视角视频数据，中层是真机多任务数据，塔尖是部署场景中的成功和恢复数据。三种数据各司其职，但真正推动模型能力跃升的，是塔尖那一小部分。
张正友老师从大厂视角给出了一个更完整的判断。他将数据需求按成熟度分阶段：在早期，互联网上的第一人称视频和异构操作视频可以用于预训练；真机数据和仿真数据帮助模型达到可部署的操作成功率；一旦部署出去，真实场景的交互数据就会形成数据飞轮，这才是真正的护城河。
这些观点形成了一个清晰的共识：物理AI的数据问题不是一个“采集更多遥操数据”就能解决的问题，而是一个需要从数据金字塔构建、跨本体表征对齐、质量标注体系、部署回流机制四个维度同时发力的系统工程。
四、行动：用体系化方案撞破“数据墙”
这场围绕数据的激辩，无论是以任至意为代表的VLA上下文扩展、马也骋所坚持的WAM闭环飞轮，还是王尊玄力推的硬件对齐与被动采集，以及赵子豪等人在跨本体动作表征上的探索——这些来自海外最前沿的“具身破壁者”虽然模型路线各有锋芒，但在数据需求上却殊途同归。他们都渴望一套能够系统性融合多源数据采集、细粒度标注、闭环评测与部署回流的底层基础设施。而作为智元生态中的数据引擎，觅蜂所打造的数据飞轮，与这些最先进模型所需的核心能力精准匹配。智元机器人姚卯青用一组数据展示了这个基础设施已经具备的行业影响力：
❝“AGIBOT WORLD第一版（的成绩，作为行业内第一个百万级别机器人轨迹的数据集，目前AGIBOT WORLD已经成为全球具身智能研究的重要基础设施。Huggingface累计下载量超过120万，月度下载量14万+；GitHub有接近3000+ stars，203个forks……”
百万级真机轨迹数据集，在这个数据极度匮乏的领域里，是一个里程碑式的存在。但姚卯青紧接着指出，采集只是第一步，更高价值的壁垒在于数据的标注和治理。为此，觅蜂推出了MEgo Engine——一套一站式数据闭环治理平台。
MEgo Engine的设计非常贴合物理AI数据的痛点。它包含四个核心引擎：数据预处理（时间对齐、数据筛选）、空间感知（6D轨迹重建、人体关键点重建、三维环境重建）、数据标注（高层级任务描述、细粒度层级化任务分解、原子技能标注）、以及闭环评估（将数据重定位到机器人本体上进行真机和仿真模型效果评估）。
其中最值得关注的是两个能力。
第一是高精度轨迹重建。姚卯青透露，MEgo Engine的底层有一套全自研的VIO核心算法引擎，融合了视觉、惯性和红外追踪等技术，能够从视频中提取毫米级的空间轨迹精度，并精确提取人手21个关键点。
❝“所有的这些多传感器、多数据源之间还可以实现毫秒级的时间对齐，因为我们知道在模型训练过程中，其实所有的输入、输出信息是要在时间上对齐，做成一个主帧动作，这也是我们在MEgo Engine里面去做的非常重要的步骤。”
这种高精度的时间-空间对齐能力，是让无本体采集数据（如UMI、Ego Centric数据）能够真正被用于机器人训练的关键。如果时间对齐误差过大，那么视觉观测和动作标签之间就会产生错位，模型学到的东西将毫无意义。
第二个核心能力是细粒度技能标注。MEgo Engine能够对长时序操作视频进行自动化的动态切片，并进行帧级别的技能标注。这个过程融合了多模态大模型的语义蒸馏能力，最终可以构建出一个包含十大动作类、120+原子动作的人类原子动作技能图谱，语义打标准确率高达98%以上，切片时间精度达到0.5秒帧级对齐。这意味着，一段复杂的长程操作视频，可以被自动拆解成一个个可复用、可检索的原子技能单元，这为后续的技能迁移和组合学习提供了极其宝贵的数据基础。
姚卯青特别强调了闭环评测体系的重要性：数据本身需要自证价值，一套能够评估每一份数据对模型落地效果贡献度的闭环机制，才能真正帮助行业走出“数据越多越好”的朴素思维，转而追求“数据越有效越好”的精准策略。
❝“这套体系最核心一点是，具备对结果的可溯源性，并且可分析的能力，依托多维度的数据标签、数据分布、可视化以及数据关联图谱，不仅仅对数据进行一个简单的打分，更多是让数据质量进行一个透明化，同时还可以去输出最优的数据采集配比方案建议。针对不同的落地场景进行端到端的一些数据分布和数据采集方案定制，最大化去优化数据的一个投入产出比。”
这种思路的本质是：不为数据而数据，为场景效果而数据。 每种数据都有其性价比，觅蜂所做的，是提供一个可以量化、可以调优的数据配方平台，让行业能够根据自身所处的阶段（预训练、微调、部署迭代），定制最优的数据采集与标注方案。
五、讨论：做全栈还是做大脑？大厂会不会降维打击？创业公司如何构建壁垒？
做全栈还是做大脑？
智元机器人的选择是全栈。姚卯青在圆桌环节解释了这一选择背后的逻辑：
❝“智元作为一家全栈公司，做长期研究之外也在积极做一些商业化尝试，在商业化尝试这边其实它很现实，必须面对一线用户最严格的一些标准，大家可能最关心的一些指标就是说可靠性、成本、成功率还有一致性，这些环节必须通过一些自己的内部专门设计再到一个大规模高标准的量产才能去满足它这样一个硬件形态的技术标准。”
姚卯青进一步揭示了全栈带来的认知红利：自己去做一些硬件上面的研发和测试，也能够更加深刻去体会具身智能的不易，硬件本身我们现在看起来比如端层就是最高制程，最先进的芯片也只能跑5B、10B的模型，跑10赫兹不能支持跑你200B模型，不得不催生出一些端云结合的Agentic大模型，再到端侧跑5B、10B模型，再到底层通过这些模型规划出来的路径、轨迹转换成1000赫兹底层电机，只有说自己能够去钻研到一些硬件底层的设计、测试才能够去在所有的约束条件之下去优化一个当前最高效的系统。
大厂会不会降维打击？
大厂的降维打击逻辑在纯数字AI领域是成立的——更强的算力、更多的数据、更顶尖的人才，足以在一个相对标准化的技术框架内快速碾压。但在物理AI领域，这套逻辑面临根本性的挑战。
腾讯首席科学家张正友在圆桌环节坦诚地揭示了这种困境：“腾讯做硬件基本上没成功过，所以也有自知之明。”这不是谦虚，而是大厂基因的真实映射。大厂的优势在于规模化、平台化、云端化，而具身智能的核心战场恰恰在“端”——端侧实时推理、端侧硬件可靠性、端侧场景的定制化深度耦合。
Dyna创始人马也骋的判断是：当你的核心竞争力必须落在本地端侧模型、必须落在对每一个关节电机特性的理解、必须落在特定工厂或餐厅场景里日复一日积累的闭环数据时，大厂那种“做一个超级通用API然后铺开”的打法就不那么奏效了。更关键的是，大模型的迭代仍然在快速消耗大厂的顶级算力和人才资源，而具身智能需要的长周期硬件研发、大量真机实验、碎片化场景适配，天然与大厂追求ROI和规模效应的节奏存在张力。降维打击的前提是维度的确存在高低，但物理AI需要的是在“物理维度”上的深耕，这恰恰不是大厂天然占据优势的维度。
创业公司如何构建壁垒？
第一个壁垒是部署态数据飞轮。姚卯青展示的Genie Evolver百台集群验证系统、马也骋描述的叠餐巾24小时不间断运行产生的恢复数据、任至意强调的“错误数据也是训练信号”，都在指向同一件事：只有真正部署到场景里，机器人才会碰到那些实验室永远碰不到的长尾问题，而从这些问题中回收的高质量闭环数据，才是飞轮最核心的燃料。一旦某个创业公司率先在特定场景跑通了这条飞轮，每一次迭代都能带来5%到10%的成功率提升，后发者很难通过简单的资金投入来追赶，因为数据本身的积累需要物理时间。
第二个壁垒是全栈带来的系统级优化空间。张正友用苹果和安卓的类比来理解这种分化：全栈的苹果和只做系统的安卓都能活得很好，但苹果的护城河显然更深。对于具身智能创业公司而言，在早期就建立起“硬件定义能力—端侧模型能力—场景数据壁垒”三位一体的闭环，是最难被复制、也最能抵御大厂和同行竞争的长期壁垒。
打气：有一分热，发一分光。
听了这么多大佬的分享，深受鼓舞的同时，也时常想自己的定位，所以最后参考鲁迅先生的文章，给自己也给大家在行业奋斗的同志打打气。凡做具身智能的人，采一份数据，训一个模型，须得一次成功，马上落地，才有立足之地；否则便担着“浪费钱财”的罪名。愿埋头苦干的人，都摆脱“此路不通”的冷气，只是向上走。能训模型的训模型，能采数据的采数据。有一分热，发一分光。通用智能若迟迟不来，便只管上层层推进。倘若有一天它真的涌现了，我们心悦诚服地消失，随喜赞美那照彻一切的光——连我们这些举过萤火的人，都在内。
-END-
Ask Me Anything｜提问箱
❝对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。
怎么问：在评论区留言，或私信公众号
我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。
提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。
一起把问题变成知识，推动社区进步 🚀
