人工智能的文明拐点，正在从符号认知，转向物理实存。

10 月 23 日，2026 全球开发者先锋大会（GDPS）在上海浦东张江科学会堂举行，息壤开物创始人兼 CEO 李寅在主论坛发表主题演讲，系统阐述《LLM × LPM 原生物理 AI 基础模型》——AI 2.0 技术路线与物理世界 Agent 架构设想。

人类文明的每一轮生产力跃迁，本质都是智能与物质世界的重新契约。语言大模型构建的 AI 1.0 时代，完成了符号层面的认知革命：它读懂文字、归纳知识、推演逻辑，在由代码、文档、信息构成的数字符号宇宙里游刃有余。但符号世界是去物质化的，它剥离了摩擦、形变、重力、接触扰动这些构成现实世界的底层约束。当 AI 走出屏幕，踏入工厂、仓储、柔性作业现场，它面对的不再是确定的接口返回，而是一个持续被自身行动改变、充满非线性耦合的动态物质系统。

10 月 23 日，2026 全球开发者先锋大会（GDPS 2026）暨 IEIC 国际具身智能技能大赛在上海浦东张江科学会堂举行。

当天下午，息壤开物创始人兼 CEO 李寅登上主论坛，面向产业伙伴、开发者、投资人，抛出息壤开物对下一代 AI 的核心回答：以原生物理 AI 基础模型 LPM（Large Physical Model）为内核，搭建面向物理世界的 AI2.0 底座。

01 LLM 与 LPM 协同 拓展人工智能的产业边界

理解智能的一个经典框架，是 System 1 / System 2 二分法：System 2 负责慢思考 —— 审慎、有序、面向长远目标；System 1 负责快思考 —— 即时、直觉、近乎条件反射。随着 GPT-6 Astra 等通用大模型走进具身智能场景，这套源自认知科学的理论，正被业界大规模移植到物理世界：在他们描绘的未来架构里，System 2 由 LLM 构成，负责任务规划与决策分解；System 1 由 VLA 等模型构成，负责快速决策与执行。这套映射之所以流行，是因为它足够 "顺滑"—— 不需要重建任何底层范式，只要把已有的语言模型放在中枢位置，让物理模型充当被调用的执行器与渲染器，一个具身智能体的分工似乎就搭建完成了。GPT-6 Astra 的登场，更让这种 "LLM 统管一切" 的想象看起来触手可及。

但息壤认为，这套划分在具身场景下并不准确。LLM 无法独立承担物理层面的 System2 —— 它没有原生的物理状态表征能力，没有对物质系统演化的建模，所有规划都是无源之水。而物理世界里的自主智能，每一个动作都会改写环境状态：一个以 "不建模环境" 为前提的 System 1 处理不了这种变化，一个不具备物理建模能力的 LLM 同样处理不了 —— 环境一旦偏离预测，整条决策轨迹就会随之失效。语言模型是为符号世界而生，它不具备原生的物理状态建模能力。精细交互、连续实时的物质操作，要求一套原生面向物理世界的建模体系。

李寅提出，未来物理世界的 System2 应该由 LLM 和 LPM 共同构成。其中，LPM 负责物理状态建模和规划，LLM 负责高层智能规划。两者围绕共同目标，通过语言推理与物理推演的双向交互协同决策：LLM 将任务意图、知识与约束融入高层计划，LPM 基于物理状态预测行动后果、规划可执行动作，并将环境变化与执行反馈反向传递给 LLM。双方持续校验和修正计划，共同形成从目标理解、物理推演到行动反馈的闭环。物理不是语言的附属场景，而是智能独立的认知域。

李寅在演讲中提出一个重构行业认知的核心命题：物理智能 = 物理状态建模 + 规划。

过去五年，LLM 的成功根植于数字世界的可符号化特性：指令、反馈、结果都可以被抽象成离散符号，形成稳定闭环。但这套范式，暗含一个人类学意义上的局限：语言是人类对世界的二次编码，不是世界本身。我们用语言描述抓取、碰撞、形变，是对连续物理过程的压缩与简化；当 AI 只学习语言，它学到的是 "人类对物理的描述"，而不是物理本身。

"先建模，才能规划。否则连楼都没建起来，哪来的场地做规划？" 李寅表示。

精细接触任务最能暴露符号智能的边界：哪怕是前沿通用大模型，完成剥香蕉皮、倒放入杯这类在人类看来简单的动作，往往要耗时数十分钟、Token 消耗以百万计，成功率依旧偏低。症结不在于推理算力不足，而在于范式错位：语言模型是为符号世界而生，它不具备原生的物理状态建模能力。精细交互、连续实时的物质操作，要求一套原生面向动力学的建模体系 —— 这正是 AI2.0 的起点。

息壤开物给出的技术路线，是 LPM 与 LLM 并列协同的双模型底座 —— 二者不存在主次依附关系，是两套各司其职、平等协同的认知系统。LLM 如同 CPU，承载语言、知识、高层语义推理；LPM 如同物理侧的 GPU，独立承担物理状态预测与动作生成。这条路线不是抛弃 LLM 生态，而是在现有符号智能体系之外，补全物质世界的认知基座。

▍物理不是语言的附属场景，而是智能独立的认知域。

02 LPM：为动作而生的原生物理 AI 基础模型

LPM 的核心设计，是以 Physical Transition Token 为统一表征、以统一因果自回归架构进行训练 —— 它不以像素画面为核心编码对象，而是以「状态变化」作为基础计算单元，原生承载视觉、位姿、速度，兼容力觉、触觉等接触传感信号，把 "环境会如何变" 和 "下一步该如何行动" 放在同一个因果序列里求解。

这里存在一条关键的技术哲学分野：当下大量 Diffusion 类世界模型，本质是 "物理场景渲染器"，优先追求视觉画面的逼真，它输出的是对世界的想象图景，而非可执行、符合动力学约束的行动策略；它只能作为一个辅助组件被调用，无法独立完成闭环规划。

而息壤 LPM 的设计逻辑截然不同：在同一模型内部，联合训练世界模型 P 与策略模型 π。世界模型推演物质系统随时间的演化规律；策略模型基于物理约束求解最优动作。预测世界，同时求解行动，在一条因果链里完成闭环。

这条路线延续 Transformer 已经验证的工程范式，沿着预训练、SFT、强化学习的成熟路径探索物理基础模型的 Scaling Law；同时搭建专属物理转移标注管线，对齐视频、位姿、力信号、时序状态，把真实世界里每一次抓取、打滑、形变、重试，转化为可训练的物理样本，而不是普通图文、视频样本。

▍一句话区分路线：渲染型世界模型追求 "看起来像真的"；LPM 追求 "在物理规则之内可行"。智能的目标是作用于物质，而不是复刻画面。

这套路线的有效性，已经由独立第三方榜单交叉验证。2026 年 9 月，息壤 LPM 在 WorldArena 榜单中以轨迹精度位列全球第一、物理遵从位列全球第二。2026 年 10 月，在 TriWorldBench 世界模型评测中位列全球第一 —— 物理建模与世界推演能力获得国际权威基准实证。

不同于侧重视觉画质的评测赛道，这两套基准的核心标尺，恰恰是物理学约束：模型输出轨迹是否符合动力学、接触力学、刚体 / 柔性体演化规律。

▍不止于榜单：LPM 的实验实证。

第三方榜单之外，自有实验提供了另一重验证。

模型能力层面，基模先导验证实验显示：接入原生物理表征后，精细操作任务平均成功率提升约 37%（对照触觉 VLA 基线）；预训练中加入额外本体构型后，既有本体任务成功率提升约 13%，跨本体迁移能力初步得到验证。

数据管线层面，自研「智序」标注管线对照头部竞品标注管线的人工盲评中，91% 的标注结果达到或优于基线，且成本更低。相较于数据出厂原生标注，自研管线标注数据训练得到的模型任务平均成功率提升约 8%，成功任务上推理平均用时下降约 29%。

评测闭环层面，团队已搭建覆盖 20+ 本体、10 类仿真环境、160+ 评测任务的自动化仿真评测体系，以 6 万 + 边界案例牵引数据补充，形成 "场景构建 — 模型推理 — 评测校准 — 边界挖掘 — 补充数据" 的数据 - 训练 - 评测闭环。

效率实测同样显著 —— 同一任务下，通用大模型方案消耗约 2265 万 Token，LPM 物理转移表示直接解码动作的 Token 预算估算仅约 3.7 万，缩减约 614 倍。

这不仅是技术指标优化：Token 消耗、推理延迟直接决定落地的边际成本。符号范式做物理任务，边际成本随任务复杂度指数抬升；LPM 的表征体系，把物理交互的成本压到产业可以规模化承受的区间。

当物理智能具备了对真实世界进行建模、预测与规划的能力，人工智能的边界也将随之拓展。AI 不再局限于数字空间中的信息处理与逻辑推演，而是能够进一步理解物理状态、预判环境变化，并在真实世界中完成行动。

对于息壤开物而言，LPM 不仅是面向物理世界的新一代 AI 基础模型，更是推动人工智能从符号认知走向物理实存的重要起点。随着原生物理智能技术不断演进，AI 作用于真实世界的方式与效率，也将迎来新的可能。

（来源：息壤开物）