8月19日世界机器人大会盛大启幕，当行业普遍关注机器人“跑得更快、跳得更高、舞得更炫”时，北京人形「开物」生态提出一个更值得关注的方向：具身智能开发者！1个开发者的想象力，抵得上10000台机器人的生产力。行业真正缺乏的，不是更多开源项目，而是一个能让不同开源力量彼此融合、共同生长的生态底座，并将这个方向概括为“「开物」生态 万物·生”。
8月20日至21日，连续两个晚上，北京亦庄机器人产业园充满了技术交流与观点碰撞。北京人形旗下天工造物开源社区携手 Xbotics 具身智能社区发起 WRC 2026 具身智能开发者 After Party——第一夜讨论“什么样的数据，真的有用？”，第二夜追问“世界模型，能让机器人真正看懂世界吗？”。三百位开发者用真实碰撞，把“不是开放代码，是开放土壤”从一句口号，变成正在发生的实践。
01/具身智能需要知道自己缺什么
具身智能真正困难的地方，不只是数据贵、采集慢，而是我们还需要回答两个根本问题：需要新增什么样的数据，以及究竟能够补上什么样的能力缺口。
过去两年，行业讨论数据的标准框架是：机器人数据太少 → 需要更多数据 → 各家公布小时数 → 谁的数字大谁占上风。但这个框架天然隐含一个假设：数据是均匀的，量大就好。
8 月 20 日与 21 日，由北京人形机器人创新中心及其旗下天工造物开源社区联合Xbotics具身智能社区主办，未来机域E-Bot Hub特别支持的两场讨论，分别从数据和世界模型两个维度，挑战了这个假设。
数据场的核心结论是：下一阶段缺的不是“更多数据”，而是对“缺什么数据”的清醒认知。 高质量不等于高价值，真正有价值的数据必须覆盖模型的能力缺口。人类示范提供知识先验，真机执行提供现实经验，仿真提供探索效率，失败数据提供边界突破，产业场景提供可持续闭环——五层数据层层递进，才是具身智能真正需要的数据飞轮。
世界模型场的核心结论是：即便数据问题开始收敛，机器人仍然面临一个更根本的缺口——它还没有真正理解物理世界。 当前 VLA 能执行任务，但无法预判后果；视频生成能预测画面，但不等于物理推理。从“看到什么做什么”到“理解世界为什么这样变化，以及如果我这样做，世界会如何回应”，需要一次从任务记忆到物理规律学习的跃迁。世界模型不是视频生成器，而是机器人内部的物理模拟器；VLA 不会消失，但会从决策者退化为行动接口。最终，理解、预测、行动将融合为统一的 World Action Model。
下面将两场高质量party的内容详细分享给大家。
02/第一夜：数据场——从“有多少”到“缺什么”
1、数据竞争的关键不是“有多少”，而是“缺什么”
北京人形机器人创新中心具身数据负责人夏华林以「什么样的数据真正有用，数据量与数据价值」为题进行了分享。他的核心判断是，高质量数据未必具有高价值。
清晰度、标注准确性、动作完整性和采集规范衡量数据质量。数据价值则取决于它能否补齐模型能力缺口，带来可验证的性能增益，并支持规模化复用和持续升级。正如夏华林所说：“100万小时的低质量重复数据，肯定不如1万小时多维度有效的数据。”
数据内容与模型能力没有对齐，规模的边际收益就会迅速下降。
围绕高价值数据，北京人形建立了涵盖完整性、时空对齐、场景多样性、业务适用性和合规安全等维度的评价体系。数据经过采集、标注和用户验收三道质检后进入训练，模型表现再决定下一轮需要补充哪些数据。任务驱动采集，验证暴露短板，新的问题重新进入数据生产环节。
这套闭环先在具身数据基地运行，再延伸至危险、枯燥重复和脏累差等3D垂直场景。机器人在现场产生数据，经过筛选和训练后重新部署，逐步提升任务稳定性，并向相邻场景复制能力。
在模型逐步开放、硬件趋于标准化的行业环境里，经过真实场景验证、能够持续产生模型增益的数据资产更难复制。行业竞争也会更多围绕高价值数据储备和全链路闭环能力展开。检验数据飞轮有没有转起来，最终仍要看机器人在现场有没有变得更好用。
2、遥操作 VS 无本体人类数据
陆逸文为什么更偏向无本体人类数据？
陆逸文讨论的对象非常具体：精细灵巧操作。不是“把杯子从 A 点移到 B 点”，不是“打开一个把手”，而是“用手指捏起一颗葡萄”“用三根手指翻转手机”“在螺丝孔里找到最合适的角度”。
这些动作的共同特点是：人的手在完成任务时，所依赖的信息远不止视觉。力觉、触觉、摩擦感知、关节阻抗、指尖的毫米级控制——这些信息在人身上是天然的、隐性的、不需要思考的。但机器人没有这些。它有的只是遥操作员的输入。
问题在于：当人通过 VR 手柄或主从控制台操作机器人时，他首先学习的不是“如何完成任务”，而是“如何操控这台机器人”。他需要适应机械臂的关节限制、通信延迟、视角差异、运动学奇异点。这些适应过程全部被记录在数据里。
于是，数据中包含了大量的“机器人控制技巧”，而不是“灵巧操作知识”。模型从这样的数据中学习，学到的往往不是“如何像人一样灵巧地拿起一颗葡萄”，而是“如何像一位笨拙的遥操作员一样操控这台机器”。它把人类手部的隐性智能，通过机器人本体的过滤，降维成了机器人控制的显性技巧。
在他看来，机器人缺少的不是“动作”，而是“手感”。算力再高、算法再好，如果数据本身没有包含触觉和力觉层面的信息，模型就永远学不会真正的灵巧。而遥操作数据，恰恰很难承载这些信息——因为大多数遥操作系统本身就不具备高带宽的力反馈和触觉反馈。
所以陆逸文的选择是：绕开机器人本体，直接采集人类双手在真实物理世界中的操作数据。 人手有天然的触觉、力觉、肌肉控制，这些信息在人类数据中天然存在。先用人类数据让模型冷启动，知道“正确的操作应该是什么”，再让机器人通过真机强化学习去适应自己的身体约束。
这个路径和 AlphaGo 有相似结构：先学人类棋谱，再自我对弈。人类数据负责提供“什么是好的操作”的先验，真机数据负责把这种先验映射到特定的机器人身体上。
王明晖为什么说遥操作“最务实”？
王明晖的视角不在实验室，而在客户现场。他是灵御智能的首席产品官，责任是让机器人今天就能在某个场景里干得起来，哪怕不完美，也要先形成交付能力。
从交付的角度看，遥操作有两个不可替代的优势。
第一，它是当下唯一稳定可靠的机器人数据来源。人类遥操作虽然不是完美的自然操作，但它是可控的、可重复的、可标准化的。在一个垂直场景里，用遥操作采集几千条任务轨迹，足以让模型学会执行这个具体任务。效果或许不能泛化，但至少能落地。
第二，它提供了一条从“人做”到“机器做”的平滑过渡路径。先人工遥操作完成任务，数据积累起来后再训练模型逐步自主化。即使模型在某些步骤失败，也能立刻切回遥操作接管，保证任务不断流。对客户来说，机器人是在“干活”，而不是在“采集数据”。这本身就是最好的数据生产方式。
王明晖其实并不否认遥操作在灵巧操作上的局限。他的意思是：在客户还没有接受机器人作为生产工具之前，讨论“完美的灵巧数据”是没有意义的。先让飞轮转起来，哪怕数据不完美，迭代过程中自然会产生更好的数据。
这就像特斯拉早期：第一代 Autopilot 的效果远不如现在，但车辆已经在真实道路上行驶，数据因此流动起来。当时的数据质量比今天差得多，但它们是飞轮起转的必要条件。
同一问题，两种路径
陆逸文的逻辑链条是：人类操作数据之所以有价值，是因为人的手经过了数百万年进化，在拿鸡蛋、翻转手机、拧螺丝这些动作中，视觉、力觉、摩擦感知和手指协调同时在工作。这是一种隐式的物理知识，机器人真正缺少的就是这种知识。
但传统遥操作产生的是什么？是人控制机器人的过程数据。人在遥操作时，不是“在做任务”，而是在“学习如何操控机器人”。他需要考虑机械臂的关节限制、通信延迟、视角盲区。于是采集到的数据中，混杂了大量与控制机器人有关、但与理解任务无关的“噪声”。模型学到的，可能不是“怎样灵巧地拿一个鸡蛋”，而是“怎样像人类遥操作员一样笨拙地操控这台机器”。
他给出的替代路线是“无本体人类数据”——直接采集人类双手在真实物理世界中的操作，不经过机器人本体的降维过滤。先由人类数据教模型“怎么用手”，完成冷启动，再让机器人在真机上继续迭代。
但王明晖的立场截然不同。
他不是从“理想数据应该是什么样的”出发，而是从“现在能落地的是什么”出发。他说：
“遥操作是保证此时此刻这件事情就能落地的最务实方案。它是质量最高、成本最昂贵、但效果也最好的方案。”
王明晖对数据飞轮的想象——也就是他最核心的 Model 3 类比——是这场讨论中最值得回味的产业观察。
特斯拉 Model 3 最被忽视的一点在于：它是一台有人买的、真正在使用的车，而它的数据采集不是“被安排”的，是车辆在实际使用中自然产生的。王明晖说：“当我们的认知是为了数采而数采的时候，它的成本是最高的。当我们的认知是它是一台有人买的 Model 3 的时候，它是免费的。”
现在大部分机器人公司是怎么采数据的？买机器人、建场地、聘操作员、设计任务、录轨迹。这是把数据当作“数采”来制造。成本极高，且数据来自一个高度人工化的环境，与真实场景存在系统性偏差。
真正的数据飞轮，需要机器人本身就是生产工具：商超机器人在补货中自然产生数据，家庭机器人在做饭中自然产生数据。用户用它干活，同时数据产生，接管率提升，模型迭代——这才是闭环。
但王明晖自己也知道问题所在。飞轮转起来的前提是“鸡和蛋同时存在”：没有足够的部署数量，就没有足够的使用数据；没有足够好的模型，就没有客户愿意部署。
所以王明晖的“错题本”观点，可以理解为在飞轮尚未全面转动之前，对最高价值数据的一种精准识别。他说，对模型提升最大的，不是成功数据，也不是失败数据，而是“机器快要失败的那一瞬间、被人工接管的那一段”。这和自动驾驶行业的情况完全一致：最值钱的数据从来不是高速巡航，而是接管瞬间——因为接管意味着模型能力的真实边界。
3、仿真的重新定位：从“数据工厂”到“经验工厂”
具身行业中的大部分从业者是计算机视觉、传统机器人控制等学术背景。对图形学与计算力学仿真算法不了解的同时也缺少正确使用仿真的经验，没有认识到仿真在具身训练中的真正价值。而仿真平台在数据对齐增广、训练、评测等多方面的能力，会给具身智能带来一场范式革命。
谋先飞联合创始人兼首席架构师孙家琦给了清晰的定位：
过去行业对仿真的理解，通常停留在两个极端：一端把它当成廉价的数据生成器，用来弥补真机数据不足；另一端则因为Sim-to-Real长期做不好，干脆认为仿真不靠谱。但孙家琦给出的定位是第三种：仿真真正的价值，是提供可交互、可干预、可验证、持续学习的计算世界，它超越数据本身。 这里的核心不是“生成”，而是“可计算”。机器人在真实世界学开门的代价，可能是撞坏一万扇门；而在仿真里，门的重量、摩擦、铰链结构、反馈力度全部可以参数化，快速探索不同物理条件下任务的结果。这种探索效率，是真实世界无法低成本提供的。
为什么这条路没有走通？很多人把Sim-to-Real失败归因于“仿真和现实差太远”，但他认为真正的症结有两处：一是Real-to-Sim没做好，仿真里的门、杯子、机器人本体，物理参数本身就没有真实度，模型学到的自然是有偏差的物理经验；二是现有开源仿真器的底层算法精度不足，根本无法准确复现力觉、触觉、摩擦感知、关节阻抗、指尖毫米级控制这些精细交互。在这个基础上谈Sim-to-Real，是“缘木求鱼”，不是这条路不行，而是行业当前使用仿真的水平太低。
Motphys做的事情，就是在底层补这两个短板。通过自研仿真算法和资产优化，让仿真能够复现精细物理交互，并且提供全模态时序对齐的优质数据。这意味着仿真不只是训练数据的来源，还可以承担评测基础设施的角色，检测每一次模型训练带来的能力提升和缺口，反向指导下一步需要新增什么样的数据。仿真可以融合互联网视频、人类示范、真机数据和仿真合成数据，形成一个多模态数据中枢，推动数据在不同任务、模型和机器人本体之间持续复用和闭环迭代。
这里还有一个容易被忽略、但极其重要的判断：仿真引擎和作为环境模型的World Model，在能力边界上有本质区别。 仿真引擎基于稳定不变的宏观物理规律方程进行数值求解，天然具备组合泛化性。而World Model是从概率预测的角度学习，它或许能生成一个看起来合理的未来，但从基本原理上无法保证物理一致性。换句话说，仿真可以被当成一个可干预的真实物理实验场，而World Model本质上只是一个会画画的预言家。两者可以协作，但不能互相替代。
所以孙家琦真正的产业意图，不只是把仿真做成一个更好的数据工具，而是以仿真技术为核心，打造一个融合多源数据的基础设施。把行业的数据范式收敛到一个场景、任务分布持续优化，且能规模化复用、持续升级、低成本大规模扩展的方向。对学术合作和开源项目完全免费，对能共同研发的学术团队额外提供经费支持，本质上是在试图建立一套以Motphys为核心的仿真训练生态。这件事能不能成，取决于一个很朴素的问题：有多少团队真的能把Real-to-Sim做对，又有多少团队能因为Motphys的底层能力，绕开自己搞不定仿真引擎的那道门槛。 如果答案是“大多数”，那仿真在具身智能里的位置，就会从今天的“可选辅助”，变成明天的“必备基础设施”。
4、数据闭环与产业壁垒
“把数据做得更少”这个说法，和整场讨论中“数据不是越多越好”的主线形成呼应。真正的闭环应该是一个收敛系统——每一次迭代后，需要的增量数据减少，模型能力提升。如果闭环每次都需要更多数据才能维持同样的进步速度，那它不是飞轮，而是癌症。
秦玉森对好数据的定义也与其他嘉宾形成了有趣的对照：
“能被定价的数据才是好数据。”
这看似是一个极端市场化的标准，但它回避了一个行业通病：曾经是买方市场，正在朝向卖方市场演进，数据的定价到底是成本底价还是价值定价，并且数据复制的边际成本极低。定价困难、买卖双方信息不对称，形成了秦玉森所说的“堰塞湖”——想卖的卖不出，想买的怕买亏。
这解释了为什么具身智能的数据竞争远比想象中复杂。它不像互联网数据可以被抓取，也不像自动驾驶数据可以在自有车队中产生。真正高价值的机器人操作数据，分散在成千上万个传统产业的车间、产线和家庭场景中，这些场景的拥有者，才是数据的真正守门人。
面对这样的数据壁垒，企业该怎么破局？
范式智能具身事业部负责人叶一川在分享 Customotas 开源机器人操作系统架构时，给出了一个产业侧的回应。他说：“让机器人像人一样思考、记忆、决策和执行。”但他也清醒地看到，具身产业下存在着一个不可能三角——大量消费人力、消耗成本，却没法达到规模化应用。
叶一川认为，破局的关键不是让一家企业去解决一整条链路的问题，而是让单个项目成为整个行业的可复用能力。他展示的技能广场，最大的特点不是能上传很多技能，而是可以通过自然语言的方式，让机器人学会一种技能并且去执行。
5、数据场小结：五层数据框架
把所有嘉宾的观点合在一起，其实能推导出一个更具体的框架。
第一层是知识数据：来自人类示范。它解决冷启动问题——让机器人知道“正确的操作是什么样的”。陆逸文的无本体人类数据路线属于这一层。
第二层是经验数据：来自真机执行。它解决现实泛化问题——让机器人适应真实传感器的噪声、真实物理接触的不确定性。王明晖的遥操作和真机部署数据属于这一层。
第三层是探索数据：来自仿真。它解决规模化学习问题——让机器人以可承受的成本完成大量试错。孙家琦的计算世界属于这一层。
第四层是边界数据：来自失败。它解决能力突破问题——让机器人从错误中学习，从能力边界向外扩展。王明晖的“错题本”属于这一层。
第五层是价值数据：来自产业场景。它解决商业闭环问题——数据只有在真实生产使用中才具有可持续的来源。秦玉森的“能被定价的数据”和王明晖的“Model 3 模式”属于这一层。
这五层不是并列关系，而是层层递进：人类数据为起点，真机数据为主体，仿真数据为加速器，失败数据为突破点，产业数据为最终闭环。
03/第二夜：世界模型场——从“会做”到“理解为什么做”
具身智能正在经历一次不易被察觉的认知升级。
表面看，行业仍在围绕 VLA 的参数量、真机数据的规模、机器人的本体形态展开竞争。但在 8 月 21 日这场世界模型专场讨论中，几位来自不同背景的嘉宾，不约而同地把话题引向了一个更底层的问题：
为什么机器人已经能完成很多任务，却依然无法像人一样举一反三？
1、世界模型解决的是“泛化”，不是“生成”
张怡的发言是整场讨论的理论基石：
当前 VLA 学到的，是“看到什么→应该做什么”，而不是“世界为什么这样变化→如果我这样做，会发生什么”。
泛化有四个等级
张怡将具身泛化分为四个层级：
Level 1：背景泛化。 训练时在红色桌面上抓杯子，测试时桌面变成蓝色、杯子换了位置，机器人仍然成功。这个能力现有 VLA 基本具备，因为底层视觉模型天然具有目标识别和空间定位能力。
Level 2：组合泛化。 分别学会“打开抽屉”和“拿东西”，然后可以组合成“打开抽屉→拿东西→放桌上”。这个能力 VLA 也已开始具备，RT-2、OpenVLA 和 π0 都展示了语言驱动的技能组合。
Level 3：交叉泛化。这是张怡认为当前最大的缺口。机器人学会“用锤子敲钉子”，它理解的到底是“锤子这个特定工具”，还是“冲击、接触、施力这个物理行为”？如果是前者，换一块石头就会失败；如果是后者，换什么工具都能迁移。
Level 4：任意机器人、任意环境、任意任务。这是长期目标，不在当前讨论范围内。
Level 3 才是问题的核心。它意味着机器人要从任务记忆走向物理规律学习。
一种流行的乐观叙事是：数据量增加→VLA 越来越强→通用机器人最终出现。但张怡的框架揭示了这个叙事的漏洞：单纯增加动作数据，只能扩大已知任务空间、已见物体空间和已见机器人空间，却无法自动获得因果关系、物理规律和未见任务的推理能力。
这就像一个学生刷了十万道题，他可能成为解题高手，但不代表他真正理解了背后的数学原理。换一套题面，可能就束手无策。
世界模型的价值因此被重新定义：
不是“预测一个未来视频”，而是建立机器人内部的世界模拟器。
一个绕不开的类比：自动驾驶
这个思路在自动驾驶领域已经被验证过一轮。
早期自动驾驶依赖感知模型：看见车→刹车。但后来发现不够。真正安全驾驶需要的是一套预测系统：如果我向左打方向，未来几秒内其他车辆、行人、道路边界会怎样变化？
于是自动驾驶从纯感知逐渐走向了 Prediction Model、World Model 和 End-to-End Planning 的融合。
具身智能现在正在经历同样的转变。区别在于，机器人的物理交互比汽车复杂得多：汽车的运动主要受限于道路几何和交通规则，而机器人每一次接触都在改变环境本身。
VLA 没有过时，但它需要一个“未来”
听完张怡的框架，很容易产生一个误解：世界模型来了，VLA 过时了。
但张怡的立场恰恰相反。他明确表示，VLA 和世界模型不是替代关系，而是融合关系。因为两者解决的问题在层次上完全不同。
VLA 的强项是理解任务。当你说“帮我拿桌上的杯子”，它知道杯子是什么、桌子是什么、拿是什么意思。它把一个高层语言指令映射成了可执行的动作序列。
但 VLA 的弱项也很明显。它不知道拿的过程中杯子会不会滑、手会不会碰到旁边的物体、如果第一次失败了下一步该怎么办。这些不是语言理解问题，也不是视觉识别问题，而是未来预测问题。
这就像一个人会开车但不会预判。他能熟练操作方向盘和油门，却无法提前判断前方车辆的行为。这样的司机在封闭道路上可能没问题，放进复杂的城市交通就危险了。
所以未来架构更可能是一个嵌套关系：
世界模型负责预测“如果我这样做，会发生什么”；VLA 负责把“应该做什么”转译成具体动作。前者提供决策依据，后者提供执行能力。
这种分工在人类认知中也有对应。当我们伸手去拿一个不确定是否稳固的杯子时，大脑不会直接输出肌肉指令，而是先在内部快速模拟：如果从侧面抓，杯子会不会倒？如果从上面抓，力度需要多大？然后才选择一种方案执行。
这就是“三思而后行”的神经机制：行动之前，先模拟后果。
2、真正的竞争不是模型，是数据闭环
如果说张怡负责把问题讲清楚，刘扬则负责把问题拉回现实。
他的判断非常直接：世界模型最后拼的，不只是模型架构本身，还包括谁能够持续获得真实世界数据，并把数据转化为模型持续进化的能力。
这句话背后有一个被很多人忽视的事实：具身智能的数据，比自动驾驶难得多，也贵得多。
自动驾驶的场景虽然复杂，但车辆与环境的关系相对清晰——车在道路上从A点到B点，环境变化主要来自其他交通参与者的行为。但机器人与世界的关系完全不同：机器人的动作本身就在改变世界，而具身大脑需要学习的，恰恰是动作与物理世界变化之间的关系。
抓一个杯子，力度大了杯子碎，力度小了杯子掉。每一次动作都不仅仅是“移动”，而是在对物理世界施加力、产生接触、改变状态。这意味着机器人数据不是简单的“图片+标签”，而是一段完整的物理交互记录：状态、动作、力、接触、结果、失败原因、恢复策略。
对于世界模型乃至具身大脑而言，真正有价值的数据，正来自这些连续发生的真实物理交互。
这种数据的获取成本极高。采集一百万小时的自动驾驶数据，可以通过车辆在道路上的真实行驶完成。但采集一百万小时的真机操作数据，需要大量机器人同时运行、持续维护，并不断完成任务和场景重置。
问题的关键不是“小时数”
刘扬因此强调了一个比“采集多少数据”更重要的概念：Data Engine，即数据引擎。
这不是简单的数据采集，而是一套围绕模型能力进化建立起来的完整闭环：
数据定义（需要什么数据）→ 采集工具（如何获得数据）→ 数据处理（清洗、对齐、标注）→ 模型训练（什么数据训练什么能力）→ 真机部署与反馈（模型暴露了什么问题）→ 失败数据回流（针对问题重新进入训练）。
这也是原力无限正在通过DataGrid全栈AI Infra建立的能力：从真实世界数据采集、处理与训练，到真机部署和数据回流，让数据不再是一次性的训练素材，而成为驱动具身大脑AtomBrain持续进化的基础设施。
这一思路与特斯拉FSD已经验证过的数据闭环有相似之处：真实驾驶→发现 Corner Case→针对性训练→OTA 升级→新一轮部署。只不过进入机器人领域后，Corner Case 更加密集，物理交互更加复杂，数据与模型之间的闭环也更难建立。
这个判断的产业含义
如果刘扬的判断成立，那么未来机器人公司的竞争维度很可能也会随之发生变化。
竞争不仅在于某一个时间点“谁的模型更强”，还在于谁能够建立真实世界数据、模型训练与部署反馈之间持续运转的进化闭环。
模型架构会持续迭代，算法范式也会不断演进，但真实世界中的交互经验具有很强的累积效应。当数据持续进入模型、模型持续进入真实世界、真实世界的反馈再重新成为训练数据，数据飞轮最终沉淀下来的，是具身大脑对物理世界越来越深的理解能力。
这也是为什么越来越多的具身智能公司开始自建数据采集体系和数据基础设施。
从这个意义上说，世界模型的竞争最终不仅发生在模型内部，也发生在模型与真实世界之间。谁能让这个闭环更快、更高质量地运转，谁就更有可能拥有更快的智能进化速率。
3、世界模型最大的挑战，是学习正确的世界表征
宋文轩的发言把讨论从产业拉回了学术，也提出了整场讨论中最根本的一个问题：
预测画面，不等于理解物理。
当前很多视频世界模型的做法，是输入一段视频，预测未来的画面。但问题的核心在于：视觉逼真和物理正确是两回事。
一个视频模型可以生成一段“杯子从桌上掉下来”的逼真画面。但机器人需要知道的不只是杯子掉了，还包括：杯子的重量是多少？接触点在哪里？摩擦系数多大？落地的冲击力会不会导致杯子碎裂？如果现在伸手，能不能接住？
这些信息无法从“看起来合理”的画面中获得，但它们恰恰是机器人决策的基础。
机器人需要什么样的世界表征？
宋文轩提出了一个关键判断：未来表示需要同时包含几何、语义和 4D 动态三个维度。
几何解决“物体在哪里”，语义解决“物体是什么”，4D 动态解决“物体如何随时间变化”。这三个维度缺一不可。
尤其值得注意的是他对 4D 的定义。他说，真正的 4D 不是简单地在 3D 上叠加一个时间轴，而是空间中的每一个点都在随时间发生变化。这是一种物理场建模的思路，和天气预报有某种结构上的相似性——天气预报系统不是生成一张云图，而是学习大气运动的物理规律，然后推演未来任何时刻的状态。
如果这个世界表征的问题不解决，世界模型就可能沦为一个高级的视觉效果工具：画面很好看，但机器人决策用不上。
这条路线通向哪里？
宋文轩的视角暗示了一个重要趋势：从 Video World Model 走向 Physical World Model。
Video World Model 回答的问题是“未来看起来像什么”。Physical World Model 回答的问题是“未来会处于什么状态，以及这个状态对行动意味着什么”。前者是视觉生成任务，后者是物理推理任务。
GPT 学习了语言背后的统计规律，让机器学会了“说人话”。但语言可以容忍一定的模糊性——一个句子里某个词用得不太准确，通常不影响交流。物理世界则没有这种宽容度：接触力差了一点，杯子就掉了；角度偏了一度，插头就插不进去。
这正是 Physical World Model 比 Video World Model 难得多的地方，也是宋文轩认为这个方向“还远没有到收敛”的原因。
4、不要让高层 AI 和底层控制割裂
丁鹏翔的发言引入了在系统层面极为关键的问题：智能和控制的割裂。
当前主流机器人系统的架构是一条清晰的分层管线：视觉语言模型负责理解任务，动作规划层负责把任务分解成子目标，运动控制器负责把子目标转译成关节指令，最后执行器输出动作。
这个架构的问题在于，每一层都在优化自己的局部目标，但这些局部目标之间并不总是一致的。
上层希望动作符合任务要求，底层希望动作保持稳定和节能。当两者冲突时，系统需要在某个中间层做妥协。这个妥协点通常不是全局最优，而是各层各自退让一步的产物。
丁鹏翔用一个尖锐的表述指出了问题的实质：中间接口设计可能造成信息损失，而且两个系统的训练目标不一致。
这个问题的历史先例
这类问题在 AI 的发展历程中反复出现。自动驾驶的发展路径最为典型。
早期自动驾驶采用感知→规划→控制的严格分层架构。感知模块输出障碍物位置，规划模块基于这些位置生成路径，控制模块把路径转译成方向盘和油门指令。每个模块单独优化，整体效果却不如人意。
原因在于，感知模块输出的是“物体在哪里”，但规划模块真正需要的是“这些物体未来会做什么”。位置信息无法完整传递意图信息，于是规划层不得不在不完全信息下做决策。控制层又进一步丢失了规划层的某些约束条件。
最终行业走向了更端到端的方案：感知、预测、规划在同一个网络中完成，共享同一个表征。
具身智能很可能重演这个进程。分层的世界理解→动作规划→运动控制架构，会被逐步融合成一个更统一的 World Action Model。
但这个融合不会一帆风顺
分层架构的优势在于可解释性和可调试性。一旦出现问题，可以定位到具体是哪一层出了错。端到端系统虽然性能上限更高，但出错时很难判断原因。
这也解释了为什么机器人领域的分层架构如此顽固：在安全要求高、失败代价大的物理场景中，可解释性的价值往往被低估，直到它出了问题才会被意识到。
丁鹏翔的观点因此不只是技术判断，也是一个关于系统设计哲学的提醒：效率不是唯一的指标，错误定位能力和安全边界同样是系统能力的一部分。
5、把五位嘉宾放在一起：一条完整的技术演进路径
如果把这几位嘉宾的观点串联起来，一条从“会做”到“理解为什么做”的演进路径就浮现了。
第一代是 Robot Policy：看到什么做什么，来自传统的模仿学习，泛化能力极差。
第二代是 VLA：加入了语言理解，机器人能听懂任务指令并执行，但它缺少对未来的预测能力。它知道“杯子是什么”，不知道“抓杯子会不会失败”。
第三代是 World Model：引入未来模拟，机器人不仅看到当前状态，还能在内部预测“我这样做，世界会怎么变”。这为决策提供了依据。
第四代是 World Action Model：理解、预测、行动不再分离，而是统一在同一个模型中。机器人从观察中理解世界状态，从理解中预测行动后果，从预测中选择最优动作，执行后接收真实反馈，再更新对世界的理解。
复盘整场讨论，有五个判断最值得被记住。
第一，未来机器人最大的瓶颈不是动作能力，而是世界理解能力。动作层面的机械控制已经相当成熟，真正稀缺的是对因果关系的建模、对未来后果的预测、对意外情况的应对。
第二，世界模型不是视频生成器，而是机器人内部的物理模拟器。它的目标不是“生成一个像真的未来”，而是“预测不同动作会导致哪些不同结果，并据此选择最优方案”。
第三，VLA 不会消失，但它的角色会发生变化。 它不再是孤立的决策者，而成为世界模型的行动接口——世界模型负责想，VLA 负责做。
第四，数据闭环正在取代模型参数，成为最核心的竞争壁垒。模型可以开源，算法可以复现，但真实世界交互飞轮一旦建立，后来者很难追上。
第五，下一阶段的架构会是深度融合，而不是简单拼接。分层的理解、规划、控制架构会被逐步打破，代之以共享表征的统一模型。但这个过程不会一帆风顺，安全性和可解释性是最重要的制约因素。
04/两场开发者与思想者的狂欢
如果要用一句话概括这两场讨论的意义，大概是：
过去机器人学习的是“别人怎么做”，未来机器人需要学习“世界为什么这样变化，以及如果我这样做，世界会如何回应”。
数据场告诉我们，具身智能下一阶段缺的不是“更多数据”，而是对能力缺口有精准认知的数据：人类示范提供知识先验，真机执行提供现实经验，仿真提供探索效率，失败提供边界突破，产业场景提供可持续闭环。五层数据层层递进，才是真正的数据飞轮。
世界模型场则进一步指出，即便数据问题开始收敛，机器人仍然面临一个更根本的缺口：它还没有真正理解物理世界。VLA 可以执行任务，但无法预判后果；视频生成可以预测画面，但不等于物理推理。未来的架构，需要把理解、预测、行动逐步融合成一个统一的 World Action Model。
具身智能的突破，不会来自“再采 100 万小时数据”的线性努力，也不会来自单纯堆叠更大的模型。它来自对“机器人为什么不会”“数据到底缺什么”“世界应该如何被理解”这些本质问题的反复追问。
WRC 2026 即将谢幕。白天沉浸式感受物理 AI 的硬件浪潮，前沿技术、创新产品与机器人 Demo 轮番登场。晚间我们一起聚集一波有意思的人，开启一场行业非正式会谈，抛开传统叙事，深度探讨具身智能的真问题。两场活动合成一篇文章，既是会谈后的总结，也是一次对具身智能“缺什么”这一核心问题的共同追问。
05/万物生：一片正在生长的森林
行业生态从来不是一家的独奏，而是多方力量的共生、共创与共赢。当最前沿的技术基座对外开放，当磐石具身实验室为行业立起统一的标尺，当开发者之夜让近三百位创造者自由交锋，「开物」生态“万物·生”的图景，正在从一句愿景走向具体实践。
多年后回望，2026年的这个夏天，有一群人，正在为“人机共生”的未来，种下第一批种子。
京公网安备11011202100775号