WAIC 2026「华山论剑」：具身智能押出 GPT-3 时刻，最快的玩家带着 1.5B 模型进场

7 月 19 日这一天，上海 WAIC 智启具身论坛挤进了一件反常识的事。

Physical Intelligence（π0.7 的背后）、Genesis AI、Dyna Robotics、Sunday Robotics，海外四家头部带队；智元、清华大学、腾讯 Robotics X，国内三股力量同台。这些公司平时谁也不服谁，但圆桌环节被主持人问到「机器人 ChatGPT 时刻还有多远」时，六个答案挤进了 2 到 5 年，算术平均 3.4 年。

圆桌没人敢拍胸脯说 1 年，但也没人敢拖到 10 年。

这是具身赛道头一次跑出明确共识。要理解它的重量，得先看清共识背后的硬数字：物理 AI 当前的数据量只有大模型的「两万分之一」（智元合伙人姚卯青原话）。语言模型头部已经吃下 100 万亿 token——对应约 100 亿小时语料；物理交互还在为「1 亿小时门槛」挣扎。这是 10000 倍的差距。

各位顶尖玩家押的不是这个差距多久抹平，而是谁先把抹平的成本压到桌面以下。

<!-- 配图：物理AI数据规模对比图 / Mermaid -->

数字智能和物理智能，差着一整套经验系统

「数字智能是知识系统，物理智能是经验系统。」姚卯青在 WAIC 圆桌上把两件事拆得直白。

语言智能的原始材料是文字——符号密度高、噪声低、冗余规则化。一句话能塞进几十个 token，一个 token 训练三遍就能形成表征，飞轮转得起来。物理智能的原始材料是连续视频、关节角度、力反馈。这些东西里 90% 是「机器人在这 0.3 秒里左手腕关节微调了 0.7 度」——信息密度低，物理噪声高。

更要命的是「经验」和「经验密度」的鸿沟。

录画面加关节角度，那是「一小时录像」。同时记下任务目标、物体状态、动作质量、错在哪、结果如何，才叫「一小时经验」。 数据规模回答「见过多少」，经验密度回答「学到多少」。两者差着一整条产业鸿沟（WAIC 报道，2026-07-19，新智元）。

经验系统至少管五件事：空间感知、物理交互、精细操作、失败恢复、工具使用。每一项都要求模型把历史观测纳入判断，而不是只看「这一帧」。

「这一帧」恰好是当下绝大多数 VLA 模型的默认姿态——视觉-语言-动作三件套看着当下的画面、听着当下的指令、吐出当下的动作。每一秒推理好几次，连续流畅没问题，但只要碰上「按按钮 5 下」这种长程任务，模型要么按 1 下就停，要么按起来不停（金色传说大聪明报道，2026-07-19）。

问题不在机器人笨，是模型架构里没给记忆留位置。

<!-- 配图：经验系统五要素图 / Mermaid -->

三大路线之争，比 LLM 当年更残酷

路线一，数据从哪来。

智元全都要，押全栈飞轮；和觅蜂科技打造的开源数据集 AGIBOT WORLD 累计下载已超 120 万次；姚卯青站在「物理 AI 三道墙」（数据墙、表征墙、闭环墙）前从头数。

Genesis 反着走，押人手数据手套，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，抠出一小块就够了；代价是手套不能取代机器人本体的全部感知，全球视野、触觉、常识一个不能少。

Sunday Robotics 更极端，主张三指夹爪，先敲门再说。CEO 赵子豪的原话是：短期内「无本体数据」是最高杠杆的选择，因为成本极低；长期看，部署数据是终极数据源。

清华苏航把三种路线都泼了一盆冷水：人手不是夹爪。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（WAIC 报道，2026-07-19）。

路线二，模型架构：VLA 派 vs 世界模型派。

「VLA 已死」的说法在网上流传甚广。Physical Intelligence 的任至意回了一刀：「目前为止，我还没有看到有哪一家做出了比 π0.7 更令人印象深刻的 demo。所以，VLA 可能还没死。」

<!-- 配图：三大路线分歧矩阵 / Mermaid -->