8月19日，2026世界机器人大会（WRC 2026）在京启幕。若将视线放宽，这已不局限于单纯的具身智能聚会，更可视作具身智能产业演进的关键分水岭：物理AI已跃升为全场话语体系的绝对核心。
WRC 2026期间，跨维智能重点展示了覆盖工业、零售、商服三组极具产业参考价值的具身智能实景演示。
坦率地讲，当下具身智能热度高涨，但产业热闹表象之下，商业化落地的系统性掣肘正成为悬在行业头顶的达摩克利斯之剑。
从展厅里Demo惊艳四座，一进真实工况，稳定性就“跳水”；行业整体深陷项目制的泥潭，做定制化成了常态，每拓展一个新技能，就得重新砸钱投人搞数据。
同时，高质量的物理交互数据又贵又难拿，仿真到真机的迁移成为难以逾越的鸿沟；再加上项目交付完成即是技术终点，现场宝贵的失败案例、长尾工况无法回流迭代，能力无法沉淀，所消耗的资源，难以形成规模效应，导致越做项目，越难沉淀可复用的资产……
这盘僵局，究竟该如何破？
开展首日，跨维智能主办的“物理 AI 引领者论坛”给为行业交上了一份务实的答卷。公司不空谈理论，而是结合真实作业场景的复刻，交出了一套从理论到工程化落地、且可量化的完整破局路径答卷。
或许，这才是业界期待已久的产业解法。
三大场景背后
同一条能力生产链路
WRC展会现场，跨维智能带来的三大真实作业演示，在物理AI爆发的当下，可直观展现物理落地能力：双W1 PRO人形机器人协同完成手机产线质检、商超环境下的自主扫码分拣以及单机机器人连续制作冰淇淋与爆米花。
这三类场景——工业制造、零售商超、餐饮服务，其作业对象、流程标准及环境干扰因素均迥然不同。然而，其底层逻辑却高度统一：均由同一套具身智能技术链路驱动。
具体来看，手机质检依托仿真前置训练，可大幅降低产线调试成本；商超分拣需应对商品姿态杂乱与条码位置多变的开放环境；而商业服务尤其是餐饮服务则要求机器人具备处理纸杯缺失、工具移位等现场异常的自主适应能力。
跨维智能与蓝思科技合作的真实工业场景
这一布局清晰地表明，跨维智能的战略目标并非打造孤立的炫技Demo，而是依托具身大脑平台，打通“数据-模型-机器人本体-真实场景”闭环，其核心在于将经过实战验证的能力标准化并对外开放，从而深度赋能本体厂商、系统集成商及行业客户。
本质上，跨维智能试图以“Physical Token经济学”的思考范式，推动物理AI从“展会秀场”向“产业基础设施”跃迁，使其具备可核算的成本属性与可复购的商业价值，推动物理AI可持续规模化落地。
Physical Token 经济学
物理AI落地“必修课”
那什么是Physical Token经济学？
在本届「物理AI引领者论坛」上，跨维智能创始人兼CEO、香港中文大学深圳教授贾奎正式完整阐述Physical Token经济学。
Physical Token，即物理智能体能够生产的单位可靠物理智能。类比行业成熟计量体系：电力用千瓦时、云计算用GPU‑hour、大模型依靠Token衡量产出。物理AI面向真实世界感知、判断、执行，同样需要专属度量衡，也就是Physical Token。
需要指出的是，它不等于单条训练数据，亦不能简单按照机器人动作次数来统计，它衡量的是人力、算力、数据投入，最终转化得到多少可以稳定干活的物理智能。
Physical Token经济学则是一套方法论：从数据基建、模型架构到落地变现，追求“单位Physical Token的最高ROI”，让机器人产品真正为实体产业创造可计量的价值。它的核心在于核算生产单位可靠物理智能的综合投入。
在贾奎看来，物理AI规模化最大瓶颈，并不是Demo演示效果，而是成本结构。
“行业看待具身智能不能只纠结于技术能不能实现，更要算一算产出一单位可靠物理智能要花多少成本？学会一项新技能之后，下一项技能会不会更便宜。”他提示说。
现阶段，大多数具身智能POC属于项目制或定制化复制：机器人每进入一个新场景、学习一项新技能，都要投入差不多等量的人力、数据、算力。即便Demo做得很成功，仍始终无法形成规模化经济。
真正的破局点，是搭建一套体系，让机器人获取新能力的成本持续往下走。
他进一步指出，判断物理 AI 能不能规模化，重点看新能力获取的边际成本。假设学会第一项技能投入 100 份资源，如果学到第 50 项、第 100 项技能依旧要 100 份投入，就还是项目交付模式；当已有经验可以复用，新增成本下降到 10 份、5 份，规模经济才算成立。
核心目标一句话：让下一份智能比上一份更便宜。
针对如何实现 Physical Token 经济账，贾奎也总结了一套闭环范式：人类经验 × 合成杠杆 × 能力聚合 × 飞轮扩张。
第一，人类经验（EXPERIENCE）。依靠 Dexterity‑BEV、Aligned DexWorld 统一时空与物理表达，真机、示教、仿真、视频等异构数据打通，实现跨任务、跨机器人本体复用，把单次学习经验沉淀为可复用资产。
第二，合成杠杆（LEVERAGE）。依托自研 DexVerse® 与 GS‑World 生成式仿真引擎，用少量真实数据撬动海量、低成本数据，仿真环境搭建时间从 2‑3 天压缩至十余分钟，能搞定软体、液体等复杂物理交互。
第三，能力聚合（CONDENSATION）。在后训练、强化学习加持下，在通用基座模型之上快速生成垂域专家模型，工业场景任务成功率可达 99.99%，达到亚毫米级操作精度，不用每上新场景全部从零训练。
第四，飞轮扩张（EXPANSION），真实部署带来的不只是项目结果，建立真实落地产生的成功案例、失败问题回流训练体系。让每一次部署产生高价值经验，降低下一次能力获取成本。
目前，跨维智能已落地了 50 多个场景，沉淀了1500 余个垂类具身模型，每一个项目交付，同时成为下一项能力迭代的起点。
贾奎介绍，跨维现有的技术路线与产业实践，正沿着这套范式展开：统一数据表达与预训练沉淀人类经验，Real2Sim与生成式仿真形成合成杠杆，Post-training与强化学习完成能力聚合，真实部署反馈推动飞轮扩张。
总结：数据是物理AI的入场券
成本决定能走多远
在物理AI的赛道上，单纯依赖算法构建壁垒的时代已然过去。当下行业的关键命题在于：谁能掌握真实场景作业数据，并拥有高效将其转化为具身智能新技能的能力，谁就掌握了竞争的主动权。
Physical Token经济学不仅是理论，更贯穿于跨维智能的技术范式、模型架构、产品设计与产业落地的全流程。
贾奎极具洞察力地将行业关注点从“技术可行性”转移到了“经济可行性”，即产出一单位可靠物理智能究竟需要多少成本？习得下一项技能时，边际成本能否降低？
Physical Token 是计量标尺，边际成本下降是规模化判断标准，人类经验×合成杠杆×能力聚合×飞轮扩张四大环节共同构成了这套完整的工程解决方案。
未来，让下一份智能比上一份更便宜，让物理世界智能真正走向可持续规模化——这是跨维智能希望与行业共同探索的长期命题。
