WAIC 2026 现场真相：具身智能的胜负手不是模型，是「经验密度」
Published on 2026-07-19
WAIC 2026 智启具身论坛罕见共识：具身智能从「拼 Demo」走向「拼经验密度」。面壁 MiniCPM-RobotManip 在 RMBench 拿到 53 分（π0.5 仅 10 分），京东三年要攒 1000 万小时高质量数据。
WAIC 2026 现场真相：具身智能的胜负手不是模型，是「经验密度」
让机器人「按一下按钮，按五下」，是件挺费劲的事。
不少 VLA 模型要么按一下就停，要么按起来根本停不下来。它们不记得自己已经按过几次。这个小毛病背后，是具身智能领域一直没解决好的一个问题：记忆。
2026 年 7 月 WAIC（世界人工智能大会）开幕的第二天，智元、清华大学、Physical Intelligence、Genesis、Dyna Robotics、Sunday Robotics——五家全球最具代表性的具身智能团队，被「请」上了同一个圆桌。它们各自手里都有 SOTA（当前最优）成绩，立场却南辕北辙。一件罕见的事发生了：吵完之后，它们竟然收敛出一个共同判断。
下一阶段不再拼 Demo 花哨，而是拼谁能先把「经验」规模化。
这件事如果被翻译成「场面话」，就是大模型公司讲了无数遍的故事。但如果被翻译成「跑分」，就是 53 分对 10 分的悬崖式差距。
面壁智能同日在 WAIC 开源的 MiniCPM-RobotManip，在考验上下文记忆的 RMBench 榜单上拿到了 53 分；主流 π0.5 在同一个榜单上，是 10 分，接近随机水平（来源：面壁智能 WAIC 发布会）。一年前，这件事大家只当作 VLA（视觉-语言-动作）模型的小缺陷。WAIC 2026 把它摆到了舞台中央。
为什么？
因为「记不住」这个能力缺陷，一旦放到工厂、产线、家政场景里，就是机器人反复出错、反复重新开始的根因。也是为什么过去一年，所有做具身智能的团队都在闷头死磕同一个问题——经验从哪来、怎么算好、能不能省钱。
一、物理 AI 三道墙，把大模型的胜利公式挡住了
先亮战报。
智元机器人手里握着 GO-2——它在 LIBERO 基准上以 98.7% 刷新了 SOTA；世界模型 GE-Sim 2.0 在 WorldArena 全球第一；龙旗南昌产线已稳定运行 3 个月，成功率 99.99%（来源：WAIC 智启具身论坛，智元机器人姚卯青）。
Dyna Robotics 的 DYNA-1 把折餐巾做到 99.4%、24 小时折 85 张以上，已经开进真餐厅试运营（来源：WAIC，Dyna 创始人马也骋）。
清华计算机副研究员苏航，用 TUTOR 方法把长程任务的自主成功率从 8.3% 拉到 35%（来源：WAIC 智启具身论坛）。
Physical Intelligence 的 π0.7 更极端：单一模型开箱即通吃多任务，连没训练过的机械臂都能零样本迁移（来源：WAIC，PI 研究科学家任至意）。
表面看，这一串数字都在宣告「通用机器人要来了」。把几份技术路线叠在一起看，刀光剑影：
- 智元盯着数据、表征、闭环「三道墙」，靠全栈飞轮硬冲；
- PI 说墙是上下文，泛化会自己涌现；
- Dyna 说通用模型不够可靠，专用模型不够可扩展，先把可靠性做到极致；
- 清华说是机器人自救能力——真智能不是不犯错，是知道怎么改回来；
- Genesis 押注人手数据手套，从全世界的日常家务里抠经验。
华山论剑第一招，是先否掉对方对战场的判断。但吵到一半，它们发现了一件共同的事——物理 AI 的 Scaling 之路，被三道墙堵住了。
第一道是数据墙。物理 AI 的数据量只有大模型的两万分之一。互联网规模的语料可以轻松堆出，但想让一个机器人见过一万种拧瓶盖的场景，账单比机器人先觉醒。
第二道是表征墙。数字智能是「知识系统」，物理智能是「经验系统」（来源：智元姚卯青）。前者靠语言表征就能大规模积累，后者还在满世界找「经验的通用表征」。
第三道是闭环墙。模型可以在屏幕里把一只杯子旋转 90 度，机器人却必须知道从哪里抓、用多大力、抓空以后怎么调整。像素里的合理，不等于物理上的可执行。
