AI不再只会说话——空间智能正在接管物理世界

AI终于开始"动手"了。

上周，智元机器人发布远山系列全尺寸人形机器人，搭载全自研A2边际手持末端灵巧手，能穿针、拉链、抓取柔性物体。同一天，BeingBeyond发布具身世界模型Being-H0.7——全球首个在端侧实时运行的物理AI系统，背后是人类视频驱动的隐式推理路线。

两条路线同时跨过临界点，不是巧合。

具身智能为什么卡了两年

过去两年，具身智能的日子并不好过。

2024年喊出"具身智能元年"，结果元年变成了"演示年"。能跑能跳能抓东西，但一问到商业化——沉默。

问题出在哪？

数据是根本瓶颈。 训练一个能泛化的具身模型，需要海量真实世界里物体交互的数据。早期行业靠仿真（Synthetic Data）和真机数采（Data Factory）两条腿走路。但仿真数据与真实物理世界存在"sim2real gap"，真机数采成本极高、效率低，且采集到的样本在背景、任务、物体和操作轨迹上高度同质化。

换句话说：机器人学会了一个场景，换个房间就不会了。

这就跟早期LLM训练语料里中文太少一样——你喂它多少，它就懂多少。

三条路线，最终殊途同归

2025年下半年开始，局面变了。突破口来自三个方向：

第一条路：人类视频数据。 这是BeingBeyond走的方向——直接用人类视频作为训练数据。20万小时的人类视频，天然与真实世界对齐，且分布式采集带来的多样性是集中式真机数采难以替代的。NVIDIA在GR00T项目中也提出了"数据金字塔"框架，塔底正是人类视频。

这本质上是用互联网的"隐式知识"——人类做饭、搬东西、收拾房间的日常视频——训练机器的物理直觉。

第二条路：推理能力提升。 具身模型要理解"重力意味着什么"、"杯子推到什么位置会掉"，这些物理常识需要强大的时空推理能力。随着MLLM（多模态大语言模型）能力跃升，模型不仅能"看见"画面，还能推断画面之外物体的运动趋势。

第三条路：端侧部署。 世界模型如果在云端运行，延迟高、稳定性差，无法支撑实时机器人控制。一旦能在端侧实时运行——就像BeingBeyond做到的那样——机器人的"大脑"就不再依赖网络，随时在线、随时反应。

三条路线同时突破临界点，产生了共振效应：数据供给、推理能力、执行能力，三件事同时跨过临界点，物理AI的Scaling Law正式成立。

群核上市：空间智能的第一个商业闭环

最直接的市场验证来自资本市场。

4月16日，群核科技在港股上市，开盘暴涨171%。这家公司被称为"空间智能第一股"——它的核心业务是空间数据的采集、建模和理解，服务于建筑、家居、制造业的三维数字化。

群核CEO黄晓煌说了一句话很准确：LLM教会了AI"说话"，但要让AI真正走进物理世界，需要空间智能这座桥梁。

这不是一个大模型故事，而是一个数据基础设施的故事。群核82%的毛利率说明了一件事：空间数据资产，是AI理解物理世界的新型生产资料。

李飞飞、腾讯、阿里都在抢的到底是什么

全球范围内，具身智能/空间智能已经形成清晰的竞争格局：

• 李飞飞的WorldLabs：获得5.4亿美元融资，定位"世界模型基础设施"
• Physical Intelligence（PI）：发布π0系列，扎堆真机数采路线
• NVIDIA：GR00T项目，提出数据金字塔框架
• 腾讯RoboticsX：在机器人灵巧操作上持续投入
• 智元机器人：国内全栈自研的代表性公司
• BeingBeyond：人类视频+隐式推理路线的新势力

有意思的是中国公司的特色打法：数据工厂大规模建设。上海、深圳、苏州等地都在建真机数采中心，核心思路是"用中国制造的速度，解决数据稀缺的问题"。

这像极了当年中国在新能源汽车上的策略——当技术路线不确定时，先用规模换时间。

空间智能为什么是比LLM更大的故事

LLM解决的是数字世界的信息处理问题：理解语言、生成内容、推理逻辑。

但真实世界的运行规则，不只是语言。

一杯水放在桌边会不会洒？机器人在搬运货物时遇到障碍物该怎么绕？老年人在家里摔倒时，系统该如何判断并及时响应？

这些问题的答案，语言模型给不了。它们需要模型理解三维空间、物理规律、时序动作——也就是"空间智能"。

如果LLM是数字世界的CPU，那么空间智能就是物理世界的操作系统。AI不再只是处理语言和图像，而是开始理解重力、碰撞、摩擦力，理解一个杯子在什么情况下会碎、什么时候应该轻拿轻放。

这个转变的意义，不亚于当年互联网从"PC时代"走向"移动互联网"。如果说LLM让AI长出了"大脑"，那空间智能让AI长出了"身体"。

接下来的五年，AI的增量不在服务器里，而在工厂里、在仓库里、在每一张病床边。

这场竞赛，才刚刚开始。