物理AI正在成為人工智慧領域的下一個焦點。近期,國內外科技巨頭接連發布面向機器人“大腦”的新品,且集中度明顯提升。輝達在CoRL 2026上推出新一代機器人模型GR00T 2;同日,Anthropic釋出Fable 5.2,該模型在RoboDojo模擬測試中的平均成功率達到64.9%;次日,谷歌DeepMind釋出Gemini Robotics 2.5,在賓士汽車產線實現96%的任務成功率,Apollo 2人形機器人基於該模型自主完成零件分揀。國內方面,華為釋出並開源了昇騰原生具身世界模型CloudRobo-WM1.2,螞蟻靈波則開源了LingBot-Touch觸覺基礎模型,並推出開發者生態計劃。

這一波密集釋出,讓“通用大模型是否會取代專用具身大腦”成為討論焦點。GPT-6 Astra等通用前沿模型已經展現出直接控制機器人的能力,OpenAI也因此調整了機器人研發戰略,解散獨立機器人團隊,將相關人員併入核心研究和應用部門。不過,多位業內人士的判斷是,二者並非簡單取代關係,而是走向分層協同:通用大模型承擔上層規劃與預訓練底座,具身專用模型和高頻控制層負責物理世界理解與即時閉環。

謀先飛聯合創始人張衡指出,像GPT或Fable 5.2這樣的大語言模型具備一定高層控制能力,但控制頻率非常低,只能用於宏觀層面的低頻規劃,無法對機器人進行高頻控制。快思慢想研究院院長田豐也認為,通用大模型會“吃掉”具身大腦的規劃層和預訓練底座,卻無法替代即時控制層。他引用Anthropic前沿紅隊的研究報告稱,四足機器人的低層即時控制需要約83Hz,而當時通用模型在非推理模式下的推理速度只有約0.2–0.4Hz,差距約200–400倍。

由於通用大模型在精細操作和真機穩定性上仍有侷限,行業缺乏專為物理世界設計的基礎模型,來回答“世界下一步會怎樣變化”以及“實體行動後世界如何回應”。從通用大模型到物理世界基礎模型之間,仍存在關鍵空白。據《科創板日報》獲悉,前達摩院Rynn團隊成員創立的睦靈科技正在切入這一方向,計劃近期釋出新模型預覽版,據稱在物理世界理解與持續學習等關鍵指標上處於領先地位。

在能力臨界點方面,宇樹科技創始人王興興多次在演講中表示,未來一兩年就會有所突破,大模型泛化能力的臨界點已經越來越近。田豐的判斷是,1–2年內大機率迎來能力臨界點,但規模商用的臨界點還要更晚,中間隔著可靠性和評測成本兩道坎,真正的拐點在於評測成本能否降下來。

產業格局方面,螞蟻靈波CEO朱興認為,至少在中國的具身產業領域,物理基礎模型不會有太多玩家。他類比大語言模型,目前主要以千問、DeepSeek、位元組、智譜、Kimi五家為主,相信具身領域也不會有太多。他預計明年之前會有第一波收斂,長期看產業結構可能剩下3至5家。但他也強調,行業可能要經歷好幾個週期,先收斂一波,再分裂一波,再收斂一波,而且週期可能比自動駕駛更長。朱興表示,不管技術範式、模型架構怎麼改變,有幾點不會變:第一是優秀的團隊;第二是對資料的沉澱和對資料的理解與know-how;第三是包含資料閉環與訓練技術相關的基礎設施能力。

田豐認為,具身大腦的競爭正從模型架構轉向資料工廠、評測體系和介面標準。通用模型公司佔據上層和底座,硬體與部署方佔據真機資料,世界模型在中間做訓練場和考場。未來一年值得跟蹤的是三個數字:零樣本成功率、產線失敗率、模擬與真機的一致性。

產業鏈的硬骨頭依然不少。在資料挑戰方面,朱興表示,基礎模型要落地就繞不開後訓練,而後訓練非常重要的環節就是處理資料。在資料供給量或採集方式上,比如真機、UMI、Ego等,行業已經發生了快速進展,這是好的方面。但從另一個角度看,本質突破仍然很難。行業都非常期待具身智慧模型的Scaling Law時刻,但在那之前,要先鎖定哪種資料的Scaling up能夠促成Scaling Law,而現在哪種資料最合適、能觸發智慧湧現,行業還沒有共識,也沒有答案。

不少機器人廠商正發力真機資料採集。比如,睿爾曼通過遠端作業網路,讓機器人在工廠、倉庫、商店等真實場景中邊作業、邊產生資料,以此構建其物理AI的資料底座。相比單純做資料標註或模擬合成,這條路更重、更慢,但資料與真實物理世界的偏差也更小。睿爾曼相關負責人介紹,室內的資料和真實環境還是有很大區別的,比如光感、溫度等都不適應,因此正探索在一線工廠進行資料採集,機器人在真實場景的每一次抓取、搬運與投放中,都在持續迴流高質量真機資料。這些資料不僅反哺模型迭代,更作為核心底層能力向產業鏈開放。

其次是評測難題。螞蟻靈波首席科學家沈宇軍表示,評測至今仍是一個比較難的維度,主要是行業沒有達成共識,模型、資料、部署等問題耦合在一起,很難拆開。如果評測結果不好,很難說是模型的問題,還是資料和部署的問題。現在如果想弄個整個行業都認可的Benchmark,尤其是真機Benchmark,還是比較難。而模擬Benchmark則存在與物理世界對齊的問題。如果在模擬上表現不好,證明模型肯定不行;但在模擬上表現好,並不代表模型可以。在沈宇軍看來,具身智慧現在各個環節都沒收斂,這導致Benchmark不收斂,而Benchmark不收斂反過來也導致模型難以收斂,類似“先有雞還是先有蛋”,資料採集形式不收斂也是同樣的問題。

不過,他認為行業摸索了這麼長時間,已經越來越有共識。他判斷,在不太遠的將來,行業將迎來第一波收斂:無論是評測機制、模型方式還是資料採集標準,都會呈現收斂趨勢,屆時行業將迎來較大加速。