WAIC 上一个隐秘共识：AI 的天花板不是算力，是数据

图灵奖得主 Sutton + 五家具身公司同周宣告"经验时代"到来

2026 年 7 月 17 日，上海 WAIC 2026 主论坛，图灵奖得主理查德·萨顿站在讲台上，说了一句让全场安静的话：

"AI 的进步被夸大了。"

48 小时后，同一座城市的具身智能分论坛上，智元机器人合伙人姚卯青在华山论剑的圆桌上抛出另一句话：

"要达到物理 AI 的 ChatGPT 时刻，至少需要 1 亿小时级别的真实交互数据。"

一个在学界讲了 40 年强化学习，一个在产业做了 7 年机器人。两个人站在完全不同的赛道上，却在同一天给出了同一个结论——人类数据时代，走到尽头了。

这不是巧合。这是 AI 下半场开赛的哨声。

<!-- 配图：经验时代 vs 知识时代 -->

LLM 不是被算力卡住，是被数据卡住

Sutton 的整场演讲，可以拆成三句话。

第一句："现在的大语言模型，只是在使用人类已有的知识，而不是发现新知识。"

他把 LLM 比作一个"读完人类全部课本的学生"——你问他《九章算术》怎么解，他会给你答案。但他不会自己发现一个比《九章算术》更精妙的算法。

第二句："这种方法已经达到极限了，很多高质量的数据源被用完了。"

大模型预训练需要的语料，已经被全网公开文本、维基百科、Reddit、Stack Overflow、arXiv 论文、Google Books 洗过一遍。剩下的，要么是低质量噪声，要么是版权墙后面的付费内容。Scaling Law 不是被 GPU 卡住，是被"可读文本"卡住。

第三句："现在我们正在迈入经验时代。"

他引用维克多·雨果的话："恰逢其时的思想，势不可挡。"然后开始放一个婴幼儿玩玩具的视频——孩子从一堆玩具里挑一个，玩完一个换下一个，他的动作决定了输入，他没有静态数据集。

Sutton 想说的是：让 AI 学会自己发现知识的方法，不存在人类课本里。它只能从 AI 自己和世界的互动里，长出来。

大模型的训练范式是"蒸馏人类知识"——给它看过的东西，它能复述得很好。经验时代的范式是"自我博弈"——AlphaGo 下了几百万盘人类从未下过的棋局，AlphaProof 在国际奥数里做出了人类没见过的证明（来源：硅星GenAI 2026-07-18 演讲实录）。

Sutton 的核心洞见是：Turing 在 1947 年就说过，"我们需要一台能从经验中自主学习的机器"，但这个想法一直没成为现代 AI 的核心组件。现在，它必须成为。

物理 AI 把"经验"切成了可量化的标尺

但 Sutton 是学界。产业的判断更狠——他们把这个抽象的"经验时代"变成了三个可量化的数字。

第一个数字：1 亿小时。

智元合伙人姚卯青给出了一个具体门槛：物理 AI 数据的 ChatGPT 时刻，需要 1 亿小时级别的真实交互。背景是，语言模型头部团队已经堆到了 100 万亿 Tokens（约 100 亿小时语料）。而物理 AI 现状数据量，只有大模型的两万分之一（来源：新智元 2026-07-19，WAIC 智启具身论坛）。

第二个数字："经验密度"。

WAIC 现场抛出一个新词——录像不算经验。要"一小时经验"，必须同时记录任务目标、物体状态、动作质量、失败原因、最终结果。录画面和关节角度，那是"一小时录像"。

数据规模回答"见过多少"，经验密度回答"学到多少"。两者之间差着一整条产业鸿沟。

第三个数字：1 亿小时怎么凑？

WAIC 现场华山论剑，五家具身公司把家底摆出来，发现没人知道。

智元甩出一个数字：物理 AI 数据量只有大模型的两万分之一（来源：新智元 2026-07-19）。他们的解法是"数据全都要"——和觅蜂科技打造具身数据"平台型供给"基础设施，开源了行业首个百万真机数据集 AGIBOT WORLD，累计下载 120 万余次。

Dyna Robotics 反过来——把 200k 小时真机数据堆成金字塔，然后押"1 小时以内的后训练就能迁到全新任务"。别人拼弹药，它拼枪法。折餐巾 99.4%、24 小时 85 张，直接开进真餐厅。

Genesis 走"轻巧采集"路线——配数据手套让人正常洗碗拧瓶盖，顺手留下动作。全世界每天都在干家务，抠出一小块，机器人就有了接近人类活动规模的数据入口。

清华的苏航泼冷水：人手不是夹爪。人有全局视野、触觉、常识，机器人常常只能从腕部相机看到巴掌大一块。多塞人类动作，不等于机器人学会人类技能。数据多，不等于数据能用。

<!-- 配图：四家路线之争 + ChatGPT 时刻共识 -->

但路线还没收敛

如果只是"数据不够"，砸钱就能解决。难的是——连"墙在哪"都没谈拢。

WAIC 现场把"墙"拆成了三道：数据墙（1 亿小时鸿沟）、表征墙（经验如何编码）、闭环墙（部署→反馈→再训练）。

每家公司只盯着自己最痛的那道墙。

Physical Intelligence 的研究科学家任至意坚信："模型能力足够，唯缺上下文——泛化会自己涌现。"他们押 VLA（视觉-语言-动作）模型，π0.7 一个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。墙是上下文。

Dyna 的马也骋坦言："通用模型不够可靠，专用模型不够可扩展。"他们从 VLA 切到 WAM（世界动作模型），把机器人搬进真餐厅，靠持续学习吃进翻车经验。墙是可靠性。

清华苏航聚焦可恢复性——真正的智能不是不犯错，是知道怎么改回来。他提出的 TUTOR 方法把长程任务的自主成功率从 8.3% 拉到 35%（来源：新智元 2026-07-19）。墙是机器人自救。

智元的姚卯青："模型决定起点，数据定义终局。"他们选择全栈飞轮——数据、表征、闭环三道墙全打。墙是数据密度。

腾讯的张正友给了个更冷静的判断："整个行业还在起步阶段，远未收敛。不像大语言模型，基本范式已经确定。"

但每个人对技术路线的判断，几乎都是自己商业站位的投影。

Dyna 做餐厅，所以押部署数据。PI 做通用大脑，所以押真机数据飞轮。智元做全栈，所以三道墙全要。腾讯不碰硬件，所以只做大脑。张正友给创业公司的建议很直接——"不要做容易被大模型吞噬的增量式创新，应该聚焦在数据、场景这些需要深入耕耘的领域。"

尖锐判断：LLM 上半场，是被数据终结的

WAIC 给出了一个隐秘共识区间——

姚卯青：2 年。赵子豪：少于 3 年。张正友：3-5 年。马也骋和任至意：4 年。最远不超过 2029 年（来源：新智元 2026-07-19）。

但要踏踏实实去做，这 3 到 5 年才有希望。

这条共识对每个关注 AI 的人意味着什么？

第一，别再等"更大的模型"了。 GPT-5、Claude Opus 5、Gemini 3 一定会有，但它们的边际收益会越来越小。Sutton 说得直接："它们会比较弱小而且是不可靠的，因为会产生很多的错觉。"幻觉不是因为模型不够大，是因为它只学到了"人类说过的"，没学到"世界是怎么运作的"。

第二，**关注物理 AI 的数据飞轮，别再盯模型架构。**稀缺的是 1 亿小时真实交互数据，不是更好的 VLA 或 WAM。哪家能率先跑通"部署→收集反馈→再训练"的闭环，哪家就是下一个 OpenAI。

第三，大厂未必赢。 张正友说得很清楚："大模型时代，谷歌发明了几乎所有技术，但 OpenAI 出来了。"机器人策略必须在本地运行，对延迟高度敏感。即使没有开源模型，机器人公司也必须自研。这是创业公司唯一守得住的阵地——本地化部署 + 场景深耕 + 数据飞轮。

第四，LLM 时代的"知识工人"会最先感受到冲击。 经验时代真正的稀缺技能，是把 AI 放进真实场景里跑出来的人——机器人数据采集工、机器人测试员、机器人部署工程师。这些岗位 2026 年才刚开始出现。

Sutton 给这场 WAIC 留下的最后一句话是：

"欢迎来到经验时代。"

这不是修辞。这是 AI 第二个十年的开篇。

从"读完人类全部课本"到"会摔跤的智能体"，不是模型的升级，是物种的迁移。

而这次，没有人能靠堆 GPU 赢。