疯狂的麦克斯

模型与数据双轮转动业内判断：物理AI“ChatGPT时刻”最快两年_我的网站

脱口秀大会

A | 封面新闻记者欧阳宏宇在本届WAIC上，人工智能加速落地，从屏幕里大步走向物理世界，继文本生成、智能体AI后，“物理AI”概念受到关注。

B | 当人工智能加速由虚向实，随之而来的问题是，这一AI落地的新场景会呈现何种演进路径？其搭载的AI大模型是何种形式？距离机器人的“ChatGPT时刻”还有多久？ 7月19日，在2026世界人工智能大会“智启具身论坛2026：迎接物理AI智能涌现”上，多位业内人士和行业专家就物理AI智能涌现的条件与路径分享了观点。

C | 在专家看来，只需不到5年的时间，机器人“ChatGPT时刻”就要到来，在此之前，则需要上亿小时级别的物理数据支持。 IT之家 7 月 22 日消息，博主 @数码闲聊站今日发文，称华为现在还是回血状态，Mate 90 系列手机 + τ 定律芯片应该就是转折点。博主表示，如果华为接下来自研芯片的性能和良率不再是问题，再做一个稍微有点性价比的子品牌，可能又要回归全盛时期了。模型与数据飞轮是物理AI持续进化的关键在AI产业主线聚焦大模型之后，业界正渐渐形成共识：下一阶段AI不会停留在生成内容，而会进入真实环境，理解空间、预测变化并完成行动。归结起来，这就是物理AI受到关注的核心动因。

D | 那么，该如何发展物理AI？智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青在现场分享称，物理AI的挑战在于，必须同时打通表征与闭环这两条路线。前者是对世界的抽象和压缩，人类所有的认知、判断、理性全是以表征为基础的；后者是智能体与环境进行持续的交互，从计算的角度来看，它包含了输入、算法、输出、评价、迭代这样的循环，从生物学角度来看，它就是从一种从感知到理解、决策、行动、环境反馈的一个完整闭环。有网友询问 Mate 90 系列手机的电池容量情况，博主回复称：“M90 定义太早了，而且整体配置向芯片和影像倾斜，这代电池也是常规升级。

E | 在姚卯青看来，要推动物理AI的发展，主要靠模型与数据两方面作用。” 华为手机业务的巅峰时期常被认为是 2019 年-2020 年。参考IT之家此前报道，2020 年 3 月，华为公布 2019 年年报，其中提到华为 2019 年净利润 627 亿元人民币，智能手机发货量超 2.4 亿台。“模型决定起点，数据定义终局，二者相互作用将产生‘飞轮效应’；当飞轮转动，智能涌现只是时间问题。” 具体在模型侧，他以智元构建的三阶段训练架构为例谈到，在该架构中，分为“预训练—后训练—持续学习”三个步骤，即推动视觉语言动作模型（VLA）与世界动作模型（WAM）两条技术路线持续演进，并向统一的世界推理动作大模型（WRAM）迈进，同时从算法、仿真、真机训练层面打通规模化迭代闭环。而在 2020 年，华为推出了一代经典 —— Mate 40 系列手机，华为终端 BG CEO 何刚在去年透露，该系列机型仍有千万用户。简而言之，就是让机器人既能边看菜谱边学着直接上灶台炒菜，又要学着理解火候、食材特性，还要反复总结经验，最终培养出一个“既懂原理又会实操”的机器人大厨。另外，在今年 5 月 25 日的 2026 国际电路与系统研讨会上，华为公司董事、半导体业务部总裁何庭波时隔 7 年再次回到公众视野，并在主旨演讲中首次提出半导体全新演进路径 ——“韬（τ）定律”。

F | 这是中国在全球半导体领域首次提出指导产业发展的新原则。何庭波表示，将于今年秋季面世的麒麟手机芯片率先采用了逻辑折叠（LogicFolding）技术，性能大幅提升。据介绍，华为麒麟 2026 芯片（未公布正式名称）相比传统的 2D 设计芯片，晶体管密度提升 53.5%，达到 238 MTr / mm²，P 核能效提升 41%，峰值频率提升 12.7%。在数据侧，则要依托MEgo系列采集终端、治理平台与真机数据集等，构建覆盖数据采集、治理、训练和部署回流的全链路物理AI数据基础设施，推动真实场景数据持续反哺模型进化。

G | 据悉，目前，这套模型与数据协同迭代体系已在真实产业场景中获得验证。“我们相信物理AI智能涌现不是会不会来的问题，它是一定会到来的。”姚卯青预判到，智能涌现只是时间问题，其一定会在行业突破数据墙、表征墙、闭环墙之后，形成这样一套可优化、可泛化、可进化的物理世界AI的进化系统。数据缺口巨大但智能涌现“一定会来” 数据缺口“上万倍”，业内判断：2到5年迎来机器人ChatGPT时刻对于机器人的“ChatGPT时刻”何时会到来，专家普遍认为，至少需要两年时间，如果发展进程顺利，也不会超过五年时间。其关键在于数据。腾讯首席科学家、腾讯Robotics X实验室主任、福田实验室主任张正友谈到，由于具身智能到最后本质上要跟物理世界交互，因此交互数据是必不可少的。

H | 这些数据在一定程度上会产生飞轮效应，即不仅是成功的交互，即便是失败的交互也是格外宝贵的。 “收集数据时放到预训练下，未来的部署时间会越来越短，最后实现零成本的新场景任务复现。”谈及飞轮效应之下，训练数据的构建形式，Dyna Robotics联合创始⼈兼⾸席科学家⻢也骋认为，不同的数据可以采用“金字塔组合”形态，即顶层高质量部署数据+中层海量真机数据+底层更海量的互联网数据。 AI初创公司Physical Intelligence 的研究科学家任⾄意也认同，能直接复现任务的真机数据“可回放”，但多种来源数据尽可能扩大本体多样性的构成。在他看来，挖掘训练数据下一个非常大的底座是互联网。