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。

二、经验密度：录画面是「一小时录像」，含目标/状态/动作/失败/结果才是「一小时经验」

要把「经验」规模化，先得定义什么叫「一小时经验」。

WAIC 给出的判据很硬核：

只录画面和关节角度，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（来源：智元姚卯青）。

这件事为什么难？因为机器人要在「经验系统」里管五件事：空间感知、物理交互、精细操作、失败恢复、工具使用。每一件都需要数据，但数据的「干净程度」天差地别。

WAIC 圆桌上，五家团队在「经验从哪来」上分成了三个阵营：

智元：全都要。 智元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，目前累计下载 120 万余次（来源：WAIC，智元机器人姚卯青）。这是「数据多就赢」的路子——但代价是真机遥操作太贵，一个人盯一台机器，采集还不如自己上手。

Dyna：不比数据多，比用得省。 Dyna 把 200k+ 小时数据摞成金字塔，主打「1 小时以内的后训练就能迁到全新任务」。它的创始人马也骋在圆桌上分享了一个反向逻辑：「部署数据放到下一次预训练中，接下来的部署时间就会越来越短，最终达成零成本在新环境完成同样任务。」（来源：WAIC 圆桌）

Genesis：仿真快 1000 倍 + 人手手套抠经验。 Genesis 的路线是把人手机器手装上数据手套，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（来源：Genesis 联合创始人王尊玄）。

清华苏航则泼了一盆冷水：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（来源：WAIC 智启具身论坛）。

Sunday Robotics CEO 赵子豪从另一个维度补刀：「短期内，无本体数据是最高杠杆的选择，因为成本极低、没有环境差距。但长期来看，当机器人真正部署到多样化环境中，部署数据将成为终极数据源。」（来源：WAIC 圆桌）

吵到这里，所有人才看清一件事：Demo 时代已经过去。 谁再喊一句「我的机器人叠衣服叠得最溜」，大家就当看戏。下一阶段要回答的问题只有一个——经验能不能被规模化。

三、面壁给出了一个被忽视的答案：让带记忆的推理成本追平单帧模型

在「经验从哪来」的阵营战打得不可开交时，面壁智能悄悄换了一个战场——它不打数据规模战，打的是「让模型能记住」。

面壁选择的技术路线和大多数团队不一样。多数具身智能团队的思路是先扎进一个具体场景（叠衣服、分拣），把这件事做到极致，再往外延伸——「从点到面」。MiniCPM-RobotManip 反过来，从一开始就想做一个通用具身模型，能完成叠衣服、做三明治这种长流程任务，再落到具体场景里——「从面到点」（来源：面壁智能 WAIC 发布会）。

这条路要解决的最大技术难题是：计算量。

VLA 模型每次推理，通常要同时处理三张图片（两个手腕摄像头 + 一个主视角）+ 一段文本指令，然后输出一个动作。每秒要重复好几次。如果再把过去几秒甚至几十秒的画面都放进来一起算，处理信息量会成倍增长——很多团队的算力和推理速度扛不住，只能选择「看一帧、算一步」。

面壁切入这个赛道，靠的是过去两年半在多模态大模型上的积累。它们的 MiniCPM-V/O 系列有一个很突出的技术特点，叫视觉 Token 极致压缩——图片信息量越大，需要的 Token 就越多；压缩得越狠，计算量越少，推理速度越快。

正是这个能力打底，MiniCPM-RobotManip 才能在「要不要保留历史记忆」这件事上，给出一个不一样的答案：流式计算的方法让带记忆的推理成本，追平了传统单帧反应式模型的成本。当然 MiniCPM-RobotManip 参数也比 π0.5 要小（来源：面壁智能 WAIC 发布会）。

跑分说话：保持多模态大模型通用能力，并在仿真评测场景上采用通用多任务统一训练，在指标上达到专家模型水平；更重要的是在 RMBench（考验上下文记忆的榜单）上，主流 π0.5 是 10 分（接近随机），MiniCPM-RobotManip 能达到 53 分（来源：面壁智能 WAIC 发布会）。

53 分对 10 分。 这就是 WAIC 2026 给出的最具象的答案：上下文记忆不是「锦上添花」的能力，是「能不能用」的入场券。

同期面壁发布的 MiniCPM-RobotTrack 解决了另一类问题——断网也能跟人走。这个模型基于 MiniCPM4-0.5B + MLP 结构训练，参数规模只有 0.9B。官方公布的评测结果显示，单目标跟踪成功率 89.8%、动态多目标 73.4%、指令模糊情况 80.4%——三项都是目前开源方案里的最优结果（来源：面壁智能 WAIC 发布会）。

工程优化同样关键。围绕宇树 Go2 机器狗的完整链路做系统级优化，最终在机器狗自带的本地算力上，稳定跑到每秒 5 帧以上，端到端响应延迟大约 180 毫秒。拿到一台机器狗跑一个一键部署脚本，就能让它具备纯本地的自然语言指令跟踪能力（来源：面壁智能 WAIC 发布会）。

模型发布得快，能不能被高效地跑起来，还要看背后的推理框架跟不跟得上。这次面壁和明体科技（MemBodied）+ 北邮 + 北大联合推出具身推理框架 PhyAI，专门做具身智能模型的端侧极速推理和云端大规模强化学习训练。按官方公布的数据，PhyAI 在 NVIDIA RTX 5090 上运行 π0、π0.5、GR00T 时，分别带来 2.9 倍、1.8 倍、2.3 倍 的推理加速。面壁这次发布的机器人模型在当天就完成了适配，通过 CUDA Graph 和团队专门为其编写的融合算子，推理帧率从 10Hz 提到了 33Hz，进一步优化后在 NVIDIA H20 上能跑到 37Hz（来源：面壁智能 WAIC 发布会）。

四、竞争单位，正在从「模型」变成「系统」

WAIC 2026 给出的另一个隐藏信号，是京东集团副总裁段楠在演讲里点破的一句话：

当 AI 走出聊天框、进入物理世界，竞争单位不再是单个模型，而是数据、模型、算力、硬件和场景能不能组成一套真正跑起来的系统。

京东这次把 JoyAI 大模型矩阵、具身数据体系、云基础设施和 JoyInside 硬件入口集中摆在了一起。从 JoyAI-Image-Edit（空间图像编辑）、JoyAI-VL-Interaction（持续观察和实时回应）、JoyAI-RA（机器人动作学习），一直到 JoyEgoCam / EgoLive / JoyAI-Sim / JoyInside——覆盖了 AI 进入物理世界的完整链路：看见、理解、交流、行动、学习，直至落地（来源：WAIC，京东段楠演讲）。

其中最值得拆解的是三层数据流水线：

第一层——把真实经验采下来。 京东开源的 EgoLive 首批包含约 2000 小时视频、65,866 段数据和 346 种真实任务，覆盖家庭、仓储、药房等场景。第一视角数据记录的不只是「人在做什么」，还有人看见了什么、手怎样运动、动作按照什么顺序发生（来源：WAIC，京东段楠演讲）。

第二层——把人的经验翻译成机器人能用的数据。 人的手与机器人关节结构完全不同，人类演示不能直接训练机器人。JoyAI-Sim 把真人动作放进仿真环境，检查它是否满足机器人的关节、碰撞和物理约束，再转换成机器人可以学习的轨迹。

第三层——验证经验到底有没有用。 JoyAI-RA 把第一视角视频、仿真轨迹、真实机器人数据和网络数据放进统一训练框架，再通过仿真和真机任务检验效果。如果一批数据加入以后机器人任务成功率没有提高甚至下降，那无论它多清晰、标注多完整，都不能算好数据（来源：WAIC，京东段楠演讲）。

到这里，模型同时成为数据的消费者和质检工具。段楠给了一个数字：京东计划两年累计 1000 万小时高质量数据，把具身训练扩展到千卡规模集群，并把数据处理成本降低 10 倍以上（来源：WAIC，京东段楠演讲）。

五家公司，五种路线，但都指向同一个结论——单一模型的跑分已经不够看了，系统能不能跑通才是新标尺。

五、Demo 时代过去了，但 ChatGPT 时刻还要等

WAIC 2026 把过去两年里大家在私下嘀咕、不愿摆上台面的话，第一次公开讲清楚了：

Demo 时代已经过去，「经验时代」才刚开始。

谁能解决上下文记忆，谁就能拿走下一个 ChatGPT 时刻。

53 分跑到 90 分还要多久？面壁没给答案，智元没给答案，Dyna 没给答案，PI 也没给答案。它们只达成一个判断——

两年之内，可能有戏。

这个时间表，赌的是「经验系统」的范式能不能跑通：数据从哪来、怎么标、怎么验证、怎么喂给模型、模型怎么消化、怎么装进硬件、怎么在真实环境里出活——每一个环节都需要不止一家公司拿出真东西。

WAIC 2026 把这件事从「Demo 拼花哨」推到了「闭环拼耐力」的拐点。下一个分水岭，可能就是 RMBench 从 53 分跑到 90 分的那一天。