来源：睿见 Economy

2026 世界机器人博览会（WRC）于 8 月 19-23 日在北京亦创国际会展中心举行。"AI 大模型赋能机器人与具身智能产业新范式专题活动 " 在博览会同期举办。日冕开物创始人、董事长兼 CEO 肖中阳出席并演讲。

肖中阳表示，日冕开物将具身基础模型的 Scaling 问题拆解为三个层次：学习范式、表征体系，以及数据和反馈的闭环。

针对 " 怎么学 "，他指出，行业共识正在指向世界模型，即通过下一状态预测进行学习。其核心逻辑是判断世界当前处于什么状态、采取什么动作，以及接下来会发生什么。他认为，这种物理智能学习范式的高效性主要来自两点：一是可以构建大量无监督数据，二是预测能力背后依赖对底层物理规律的准确理解。

在 " 学什么 " 的问题上，肖中阳表示，传感器获取的是原始观测，模型需要把这些复杂信息编码成可理解的内部状态，才能进一步完成预测、推理、决策和行动。因此，表征要回答的是模型内部究竟以何种形式理解世界。

肖中阳认为，AI 基础模型范式的跃迁，往往伴随着表征方式的革新。计算机视觉领域经历了从手工特征到可学习表征的变化，大语言模型的突破建立在 Token 和上下文表征之上，自动驾驶范式也从人工规则和特征逐渐收敛到 BEV、Occupancy 等统一空间表示。

在 " 怎么持续学 " 的问题上，肖中阳强调，物理世界 AI 与数字世界 AI 存在显著差异。数字世界 AI 的数据相对容易获取，文本、图像、视频、代码等可以在数据中心被反复使用；而物理世界 AI 的训练数据贵在真实，必须来自与物理世界的真实交互，包括真实光照、真实材料、加工公差、摩擦、传感器噪声和退化等长尾问题。

他表示，数字 AI 可能在实验室里被造出来，但物理 AI 脱离不了真实场景。具身智能的 GPT 时刻无法在实验室里 " 憋出来 "。如果一家物理基模公司的战略是先完成模型训练，再做产品交付，就难以持续获得高质量交互数据。

肖中阳在分享最后总结称，日冕开物围绕三个问题展开：怎么学，答案是下一状态预测；学什么，答案是具身原生表征 E3；怎么持续学，答案是物理基础模型真正的 Scaling 会越来越多地发生在真实世界交互之中，产品交付本身就是模型学习闭环的一部分。

他表示，日冕开物的使命是打造学习闭环，让物理 AI 真正走向 Scaling。