7 月 19 日，2026 世界人工智能大会智启具身论坛在上海世博中心举办，论坛由智元、觅蜂科技联合主办，清华大学、Physical Intelligence、腾讯 Robotics X 等海内外机构共同参与研讨。整场论坛传递出清晰行业转向，行业讨论焦点已经脱离机器人自由度、特技动作等表层参数，转而围绕数据、仿真、真机部署、故障反馈与持续自主学习展开，标志具身智能迈入全新发展阶段。过去两年行业核心目标是验证机器人具备基础操作能力，如今产业核心命题变为机器人能否长时间稳定作业、跨环境适配、故障自主修复，并且在落地后持续迭代升级，行业竞争由硬件产品比拼，全面转向训练体系与数据底座的长期竞争。

大语言模型依靠算力、数据、模型规模线性提升能力的缩放定律，无法直接复制到物理 AI 领域。智元合伙人、觅蜂科技 CEO 姚卯青提出物理 AI 发展存在三重核心壁垒：数据墙、表征墙、闭环墙。高质量真实物理交互数据获取成本高昂、存量稀缺；不同场景、机型之间缺少统一通用的物理表征体系；真实环境试错成本极高，机器人操作失误会造成设备损坏、产线停工、安全隐患，难以大规模批量试错迭代。语言模型出错仅会生成错误文本，机器人失误将带来实体损失，因此物理 AI 发展核心是搭建完整、可回流、可复用的交互闭环，单纯堆砌数据规模无法解决根本问题。大模型仅能完成识别、规划类上层任务，机器人还需要解决力度控制、动态调整、故障自愈、环境变化预判等物理执行难题，数字智能与物理智能存在本质鸿沟，实现通用物理智能需要规模化沉淀真实操作经验。

　　当下行业数据建设逻辑已经从单纯追求数据总量，转向精细化数据配方竞争，多元分层数据体系逐步成型。底层依靠低成本海量互联网视频、人类行为视频，帮助模型理解物体与基础行为逻辑；中层依托穿戴采集设备记录人体动作，绕开机器人采集的高成本限制，补充第一视角无本体交互数据；顶层是真机遥操作、产线落地、故障回溯等高价值数据，总量最少但最贴合真实作业场景。姚卯青判断，若以机器人开箱即用、开放式指令理解、常规任务 70%-80% 成功率作为 “ChatGPT 时刻” 标准，行业需要积累亿小时级物理交互数据，仅依靠真机采集无法完成目标。清华大学苏航梳理出具身预训练三大演进方向：数据源由单一机型拓展至多源混合数据，模型从单纯行为模仿升级至世界规律建模，训练模式由离线静态训练转向真机部署后的在线持续进化。未来模型不再局限于复刻单一动作，而是预判任务走向、推演动作后果，实现跨机型、跨场景能力迁移。觅蜂科技推出 MEgo 采集终端、数据治理平台与标准化真机数据集，打通数据采集、清洗、标注、评测、回流全链路，行业数据服务价值也从单纯售卖数据集，升级为定制专属数据配方、验证数据对模型性能的提升效果。低质量、时序错位、标签偏差的数据会持续放大机器人实操误差，数据跨本体复用能力、真机闭环验证价值远高于单纯数据体量。

　　此前行业长期存在 VLA 视觉语言动作模型与世界模型两条技术路线之争，本次论坛释放明确信号，两条路线逐步走向融合。智元推出 WRAM 世界推理动作模型，融合 VLA 端到端感知与世界模型预测能力，采用分层规划架构，上层完成粗粒度任务规划，底层执行高频精细动作；Physical Intelligence π0.7 模型实现跨机械臂能力迁移，在 ARX 机械臂训练折叠衣物后，无需重新微调即可适配 UR5 双臂设备，跨本体泛化能力是平台型企业核心壁垒。若更换设备就需要重新采集数据、训练模型，行业将持续停留在定制化项目模式；统一动作表征空间，才能让数据与模型形成规模化复用价值。行业普遍认可分层协同架构，上层负责语言理解与长期任务规划，中层预判环境变化制定行动方案，底层完成毫秒级实时运动控制，类似人脑大小脑协同机制，分层处理不同时间尺度任务。

　　行业评判标准发生根本性转变，单次成功演示不再具备产业参考价值，长期稳定作业数据成为核心衡量依据。智元披露旗下人形机器人在南昌 3C 产线连续六天每日作业超十小时，累计完成近 6.5 万次操作，任务成功率 99.99%；Dyna Robotics DYNA-1 基座模型折叠餐巾任务成功率 99.4%，24 小时无人干预完成八百余次操作，全新任务仅需一小时后训练数据即可适配。连续运行时长、任务稳定成功率、新场景适配数据量、人工干预频次，成为企业落地交付的硬性指标。同时产业形成 “部署 - 训练” 正向飞轮，真实产线落地会暴露实验室无法预见的各类突发问题，沉淀稀缺长尾交互数据，落地规模越大，数据积累速度越快，后续模型迭代与部署成本持续降低，真实商用场景成为模型优化的核心训练场。

　　圆桌环节专家对行业拐点时间预判区间为两至五年，业内达成共识：具身智能无法复刻 ChatGPT 统一爆发的发展路径。ChatGPT 作为纯软件产品，依托服务器可瞬间面向全球用户普及；人形机器人受产能、硬件成本、供应链、安全规范、线下运维多重约束，分发落地存在天然门槛。物理智能将分层分批涌现，工厂、仓储、后厨等结构化、高价值场景率先成熟；商超、酒店、养老等半开放环境紧随其后；变量最多、容错要求极高的家庭服务场景最后实现普及。长期竞争核心在于同步搭建完整模型、数据基础设施、仿真评测、机器人硬件与全域落地网络。国内企业优势在于制造业场景丰富、供应链完善、工程落地迭代速度快，下一阶段核心挑战是依托海量线下场景沉淀可跨机型、跨行业通用的模型能力。随着大量机器人持续在线作业，不断将成功操作、故障异常数据回流训练，物理 AI 的智能涌现正在分步发生，各场景成熟节奏存在显著差异，不存在统一到来的行业拐点。