A | 
我是一个享有特权的玩家。 该图片使用了AI生成技术
本文来自微信公众号： 具身商业前哨 ，作者：何安
这次去上海参加WAIC，让我印象最深的活动是“智启具身论坛2026——迎接物理AI智能涌现”。作为一名硬件评测人，多年来我一直能收到顶级的 CPU 和显卡，让我能不断在各个旗舰平台间切换。
B | 这场论坛的含金量，不只在于智元、PI、Dyna、Sunday、腾讯和高校研究者坐在同一张桌子上，更在于他们讨论的是数据从哪里来、模型往哪走、本体要不要自己做这些行业尚未回答的硬问题。 论坛最后，主持人问了一个所有人都关心的问题：机器人的“ChatGPT时刻”，到底什么时候来？ 智元合伙人、觅蜂科技董事长兼CEO姚卯青说，两年； Sunday Robotics联合创始人兼CEO赵子豪说，三年以内； 腾讯首席科学家、腾讯Robotics X实验室主任张正友说，三到五年； Dyna Robotics联合创始人兼首席科学家马也骋说，四年左右； Physical Intelligence研究科学家任至意说，四到五年； 佐治亚理工学院徐丹飞教授给出的答案是五年。
C | 几位嘉宾所在团队的技术路线和产品落地方式并不相同，但他们给出的时间判断却出奇地接近：两到五年。这让我对游戏设置变得懒惰了。我通常只是将游戏设置为最高级别的“Ultra（极高）”档位，然后就开始玩。 这个共识，比我想象中更激进。但事实证明，这样做我只是陷入了营销噱头中，并且白白损失了大量的性能。不过，这些数字背后的口径未必相同。 姚卯青给出的定义相对明确：机器人能够开箱即用，听懂开放式自然语言指令，并在常见任务上达到70%—80%左右的基础成功率。
D | 大多数游戏实际上并不需要以 Ultra 设置运行才能好看。
E | 甚至不需要它也能看起来非常棒。 但其他嘉宾并没有逐一定义自己的标准。最新的超分辨率缩放技术在模拟更高分辨率方面表现得非常出色，而且通常情况下，如果非要仔细观察，我也很难察觉到 Ultra 和 High（高）设置之间的区别。
F | 作为一个实验，我调低了一系列画面精美游戏的设置，看看这究竟会产生多大的差异。 所以，大家对时间看似形成了共识，但对“什么才算机器人的ChatGPT时刻”，其实还没有共识。
G | 整场讨论中，有三个问题最受关注：机器人的数据飞轮怎么形成？“VLA已死”是不是一句伪命题？具身智能公司是不是正在走向软硬件全栈？ 这三个问题，正好构成了理解当下机器人行业的三条主线：数据决定机器人如何进化，模型决定智能如何涌现，软硬件路线则决定谁能把能力真正变成产品和生意。
H | 我不但在大多数测试的游戏中很难发现任何明显的视觉差异，而且性能大幅提升，更平滑的帧率完全值得那点微小的牺牲。 一、机器人的数据飞轮，不是采出来的 过去几年，大语言模型的成功，给了机器人行业一个直接的想象：只要不断扩大数据、算力和模型规模，机器人是不是也会迎来一次能力涌现？ 可问题是，大语言模型需要的数据本来就存在于互联网上。测试系统由于我选择的游戏需求较低且拥有高端硬件，长期以来我一直可以忽略图形设置。
I | 机器人需要的物理经验，却没有统一的数据来源。正如我所说，我目前的系统非常强大，但我大部分时间都在玩一些旧的模拟游戏和轻量级的独立游戏。
J | 姚卯青在现场做了一个估算：头部语言模型的预训练已经达到100万亿Token量级。
K | 凭借 AMD Ryzen 9 7950X3D 和 PowerColor Red Devil RX 7900 XTX，我拥有市场上最快的游戏 CPU 之一，以及 AMD 有史以来制造的最快显卡。如果要让机器人真正开箱即用，可能需要一亿小时级别的数据。虽然它不像 RTX 5080 或 RTX 5090 那样专门为 Ultra 路径追踪设计，但也相差不远。它完全有能力在 4K 分辨率下以 Ultra 设置运行几乎任何游戏，有时甚至可以开启光线追踪。一旦你加入 FSR 缩放和一点帧生成技术来平滑画面，情况就更是如此了。我这次测试的计划是：以功能上可玩（至少 30 FPS）的最高设置运行一系列游戏，缩放设置为“质量（Quality）”或原生，不开启帧生成，并截取一些示例截图。
L | 然后，在最高设置下以“平衡（Balanced）”缩放再次测试，最后将所有设置调低一个档位进行最终测试。
M | 这一亿小时从哪里来？ 真机数据质量高，但采集成本太贵；仿真容易扩大规模，却始终存在虚实差距；互联网视频和第一视角数据数量足够，却未必能看清最关键的手部动作和力觉信息。也就是说，如果 Ultra 是最高选项，就调到 High；如果 High 是最高，就调到 Medium，以此类推。 讨论中，一个被反复提及的数据来源是UMI。 你可以简单把它理解为一种低成本的人类操作数据采集方式：人拿着采集装置完成任务，系统记录视觉信息和动作轨迹，再把这些经验转成机器人可以学习的数据。游戏实测赛博朋克2077：往日之影让我们从可以说是史上画面最好的游戏之一——赛博朋克2077：往日之影 开始。
N | 赵子豪认为，短期来看，UMI可能是最高效的规模化数据来源。如果有一款游戏能让我的 7900XTX 屈服，那一定是这一款。但他同时强调，长期真正重要的还是部署数据。是的，在“光线追踪：超速（Overdrive）”设置、4K 分辨率、开启路径追踪、FSR 设置为质量模式下，画面简直是卡顿的幻灯片。 两句话放在一起，恰好勾勒出一条可能的数据路径： UMI解决“机器人还没有大规模上岗之前，去哪里获得经验”；部署数据则解决“机器人上岗以后，如何越干越好”。 任至意更看重真机数据，同时主张通过多源数据和跨本体训练，提高模型的泛化能力。 马也骋则把这些数据总结成一个“数据金字塔”。 底层是规模最大、成本最低的互联网视频和人类第一视角数据，中间是真机多任务数据，塔尖则是数量最少、价值最高的部署数据，尤其是机器人犯错、停顿、恢复并最终完成任务的过程数据。
o | 它不是在告诉机器人“理想情况下应该怎么做”，而是在教机器人“真实世界不按剧本走的时候怎么办”。 Dyna在酒店部署机器人完成折毛巾、折餐巾等任务时，会把前几次部署的数据重新放回预训练。随着数据积累，进入下一家酒店需要重新适配的时间就会缩短。最高只有 20 FPS。 表面看，嘉宾们都认同多种数据需要组合。 但真正到了资源投入上，各家公司押注的重点并不一样：有人优先扩大人类操作数据，有人坚持真机数据，有人则直接进入真实场景，用部署换数据。
p |
这里有一个典型的鸡生蛋问题。但当然，它看起来确实不可思议：但你知道还有什么看起来也很不可思议吗？在相同设置下使用平衡缩放的 赛博朋克2077：往日之影。
q | 我刚刚截了这些图，除了质量模式下的截图在一些背景细节上看起来稍微更真实、更有环境感之外，很难看出任何区别。 没有足够好的模型，客户不敢让机器人上岗；没有真实部署，机器人又拿不到最有价值的数据。与此同时，性能的差异意味着它变得真正可玩了。
r |
说白了，机器人的数据飞轮不是采出来的，是在真实场景里干活干出来的。虽然开启光线追踪的 赛博朋克2077：往日之影 确实令人惊叹，在合适的设置下路径追踪更是如此，但我甚至认为将其降低到“仅仅”是 Ultra 设置而不开启光线追踪，看起来也几乎一样好。
二、“VLA已死”，死的可能不是VLA
最近，具身智能行业很流行一句话：“VLA已死，世界模型当立。”
但在这场圆桌上，这场争论被进一步落到了VLA与WAM（World Action Model，世界动作模型）两条路线上。
VLA是根据视觉信息和语言指令生成动作的模型；WAM则更强调世界如何变化，以及不同动作可能带来什么结果。
Dyna确实从早期的VLA路线，逐渐把更多精力转向WAM。马也骋提到，在一些强调鲁棒性、少量数据和高成功率的任务里，WAM可能比VLA更高效。
s | 与光线追踪的实时照明效果相比，它肯定更具风格化，但 CD Projekt Red 在让夜之城看起来真实生动方面做得非常出色，即使是使用烘焙照明。我很乐意就这样玩完整部游戏。
t | 心灵杀手2心灵杀手2 远没有夜之城那种华丽的光追魅力，但它以自己那种黑暗、肮脏的方式同样好看。在所有设置都拉满的情况下，它也彻底摧毁了我的系统性能。
u | 那么，VLA真的要被淘汰了吗？ 任至意并不认同。
v | 我们说的是 1-3 FPS。无法游玩。他认为，到目前为止，还没有看到哪家模型做出明显超过π0.7的演示效果。π0.7是PI推出的新一代通用机器人模型，也是PI对VLA路线的一次重要升级。 更关键的是，任至意认为VLA与WAM并不冲突。VLA本身也可以吸收世界建模和未来预测能力。 机器人最终既要理解语言和当前环境，也要预测未来结果。PI的做法，就是先生成未来的子目标画面，再用这个画面引导底层模型执行动作。
w | 但画面很美：但这完全可以兼得。
智元也没有简单押注其中一条路线，而是在推动VLA与WAM融合，探索世界建模、推理和动作能力进一步结合的模型体系。
x | 这场讨论的张力就在这里。 任至意用π0.7说明VLA仍有很强的竞争力，马也骋则用真实任务中的效率和成功率说明WAM的价值。
y | 两个人没有直接否定对方，但公司的技术下注已经给出了不同答案。 张正友又把问题往前推了一步。 他认为，具身智能远没有形成类似大语言模型Transformer那样的统一架构。切换到 FSR 平衡模式，基本上将 4K 分辨率减半后，性能跃升到了对于这种节奏较慢的游戏来说完美可玩的水平。说实话，即使是在跑动中，我也分辨不出区别。
z | 超分辨率技术这些年来的进步真的很令人印象深刻。一个真正的机器人智能体，至少要包含认知系统、感知行动系统和底层反应系统。
上层负责复杂推理和任务规划，中层负责感知与动作生成，底层则要以极高频率控制电机、处理碰撞和保持平衡。我很想就此止步，但通过进一步精简设置，还可以获得额外的性能，而且视觉上的降级并不明显。将所有设置调低一档（高或中，取决于该设置的上限）并关闭光线追踪，你会得到一个看起来几乎一样棒的 心灵杀手2 体验。这里的性能大幅提升，如果你看重流畅的动画效果而非极致的视觉效果，这就是你应该选择的设置。
你不可能让一个数千亿参数的云端大模型直接控制每一个电机，也不能指望一个三四十亿参数的端侧模型解决所有问题。
所以，“VLA已死”很可能从一开始就是个伪命题。
| 尤其是因为我仍然需要仔细观察才能发现真正的差异。
| 未来形成主流的，大概率不是纯粹的VLA，也不是单独的WAM，而是一套融合语言理解、世界建模、未来预测、推理规划和实时控制的系统。 VLA没有死。但在实际游戏过程中？对于这样一款强调隐蔽和阴影氛围的黑暗游戏，我认为没多少人会注意到。
| 真正可能死掉的，是“靠一个模型解决机器人所有问题”的想象。
| 霍格沃茨之遗来试试这款虽然有点年头但依旧优秀的游戏如何？霍格沃茨之遗 并非写实风格，但它的沉浸感极强。
三、全栈能力会成为趋势，但全栈生意未必会
第三个问题，是机器人公司究竟应该只做“大脑”，还是连身体一起做。确保游戏画面好看是体验中非常重要的一部分。幸运的是，这款游戏你可以放心地避开光线追踪。如果你开启它，体验会很美：但我认为在平衡缩放下的画面同样美丽——这为我换取了额外 15% 的帧率，并推到了更舒适的 40 FPS 以上。
| 切换到更适中的设置并完全关闭光追看起来也很棒。
PI现阶段主要做通用基础模型，没有选择自己研发和销售本体。
|
任至意坦率地说，没有自研硬件，确实可能导致部分任务无法完成。我认为这款游戏对高级照明技术的利用还不足以让它物有所值。但PI目前更看重模型快速迭代，因此优先使用结构简单、维护成本低的机器人搭建研发基础设施。尽管它在图形菜单中随处可见，但这款游戏在更适中的设置下看起来依然非凡。不要害怕调低一两个档位。
这是一条典型的“大脑路线”：先把通用模型能力做出来，把本体作为研发基础设施，而不是现阶段的商业重点。
腾讯的选择也很明确。
张正友说，腾讯只做大脑，不会卖本体。最终幻想7：重生最终幻想7：重生 不如其他几款游戏那么漂亮，但它是一款占用大量显存的游戏。他甚至开玩笑说，腾讯过去做硬件基本没有成功过，所以要有自知之明。幸运的是，7900XTX 上的 24GB 显存即使在推到极限时也没有压力。
但腾讯的Robotics X实验室从2018年成立以来，却一直保留着硬件研发。但既然如此，又何必费心呢？降低到平衡模式并将渲染分辨率降低 40%，似乎对游戏的画面并没有太大影响。背景元素上没有更明显的锯齿，即使是较细的管道也是如此。纹理细节依然保留。将所有设置降低到中/高档位确实会产生更多影响，但即便如此，那也是我必须主动去寻找的差异，而且在运动中它就更不明显了。虽有差异，但我觉得不值如果你的硬件支持，以最精美的画质玩游戏是很棒的。因为如果没有真正做过硬件，就很难理解触觉、力觉、关节控制和端侧算力，究竟会给模型带来什么限制。它简单、轻松且看起来很棒。
这是一条很微妙的边界：商业模式上可以不卖本体，研发上却不能不懂本体。特别是在静态截图中，或者在理想的情况下。但使用更强力缩放的游戏也是如此，甚至稍微降低设置也不会剥夺它们的魅力或沉浸感。
智元走的是另一条路。
姚卯青认为，一旦机器人进入客户现场，面对的就不再是论文指标和Demo效果，而是可靠性、成本、成功率和一致性。
| 这些问题没办法只靠模型解决。 端侧芯片能运行多大的模型，电池能工作多长时间，关节如何控制，整机能不能稳定量产，都会反过来决定机器人的智能上限。这还能给你带来额外的性能和更流畅的游戏体验，我认为这比获得几个额外的像素或稍微好一点的光照要有效得多。 Sunday Robotics选择三指夹爪，也是同样的逻辑。我通过这些对比想说明的并不是把所有设置调到最高没有好处，而是性能损失真的不值得。归根结底，这些设置感觉更像是为营销活动获取更好看截图的一种方式，并给玩家一些追求的目标。那是我们永远在追逐的幻影，直到下一款游戏的到来。最终，如果你只能在低于最高设置的档位下玩游戏——这几乎是我们所有人的现状——那么你真的没有错过太多。 赵子豪认为，机器人的手要在成本与能力之间做平衡。三指夹爪追求的是用20%的成本获得80%的能力。
| 不要羡慕那些在 2026 年花 5000 美元买显卡的人。 今天，通用机器人迟迟没能大规模进入家庭和更多真实生产场景，未必是因为少了两根手指，更可能是因为智能不够、成本太高、稳定性不足。 这正是全栈路线的价值：不是为了什么都做，而是在模型、算力、本体、控制、成本和场景之间更好地做取舍。 那么，软硬件全栈会不会成为新趋势？ 我的判断是：全栈能力会成为趋势，但全栈商业模式未必会成为唯一答案。他们花大价钱只得到了稍微好一点点的游戏体验。
| 随着价格继续保持荒谬的状态，我认为较低的设置完全没问题。
| 未来，机器人行业很可能会出现类似苹果的公司，模型、本体、系统和产品都自己完成；也会出现类似安卓和Windows的平台，只做通用大脑，适配不同本体。 但在今天，本体、传感器、灵巧手、芯片和控制系统都没有标准化。即使一家公司的最终目标只是卖“大脑”，也很难完全绕开身体。
| 没有一家公司还能假装硬件不存在。 四、两年还是五年，其实没那么重要 这场论坛听下来，我最大的感受，是机器人行业远远没有收敛。 哪种产品形态最适合家庭和工厂，没有答案；VLA、WAM、端到端模型和分层系统，谁会成为主流架构，也没有答案。 数据配方仍在变化，商业模式同样分散。有人卖整机，有人做模型，有人做数据平台；有人押注工厂，也有人瞄准家庭。 表面看，这是一种混乱。换个角度看，这也是机会。 在一个尚未收敛的行业里，大厂和创业公司、中国团队和美国团队，都没有提前拿到标准答案。 所以，听完整场论坛，我反而不太在意答案究竟是两年还是五年。 机器人的“ChatGPT时刻”，不会只由某一次模型发布宣布到来。 它真正出现的标志，是数据、模型、本体与真实部署第一次形成自我加速：机器人部署得越多，积累的数据越多，能力提升越快，进入新场景的成本也越来越低。 在这之前，所有时间表都只是预测，所有路线都还在验证。 本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 [email protected]。
Current article:http://k0waga.shangyaohujunwei.bond/list_fz0kt1/gwac.html
Published on:06:08:42
新闻热点
新闻爆料
图片精选
点击排行
