财联社 1小时前
物理AI临界点将至?巨头集体入局具身大脑,行业将迎第一波收敛
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

《科创板日报》11 月 19 日讯(记者 黄心怡)物理 AI 被视为人工智能的下一波浪潮。国内外巨头接连发布物理 AI 新品,且尤为集中在具身大脑领域。

英伟达在 CoRL 2026 发布新一代机器人模型 GR00T 2。同日 Anthropic 发布 Fable 5.2,在 RoboDojo 仿真测试中平均成功率达 64.9%。次日谷歌 DeepMind 发布 Gemini Robotics 2.5,在奔驰汽车产线实现 96% 任务成功率,Apollo 2 人形机器人基于该模型自主完成零件分拣。

在国内,华为近期入局具身大脑,发布并开源了昇腾原生具身世界模型 CloudRobo-WM1.2。蚂蚁灵波则开源了 LingBot-Touch 触觉基础模型,并发布开发者生态计划。

围绕具身大脑的讨论随之升温,GPT-6、Fable 5.2 等通用模型在机器人控制上展现出较强潜力,但它会取代具身大脑吗?物理 AI 的临界点还有多远?行业又卡在哪些环节?

▍专用大脑与通用大模型:不是简单取代,而是分层协同

GPT-6 Astra 等通用前沿模型展现出直接控制机器人的能力,正在引发业界对机器人专用模型发展路线的重新审视。OpenAI 也因此调整机器人研发战略,解散独立机器人团队,将相关研究人员并入公司的核心研究和应用部门。

在采访中,多名业内人士对此的判断是,通用大模型占据上层规划与预训练底座,具身专用模型和高频控制层补齐物理世界理解与实时闭环,二者走向分层协同。

谋先飞联合创始人张衡介绍,像 GPT 或 Fable 5.2 这样的大语言模型展现出了一定的高层控制能力,但其控制频率非常低,可用于宏观层面的低频规划,却无法对机器人进行高频控制。

" 高频控制目前是这类大规模参数模型难以解决的,这一领域仍有很大的探索空间。后续需要引入高频运行的模型,并研究这些模型如何与上层低频模型在控制层面进行结合,这方面仍有大量工作可做。无论是上层的低频模型还是下层的控制模型,都需要具备对物理世界的理解,以完成模型训练。" 张衡称。

快思慢想研究院院长、特邀评论员田丰也认为,通用大模型会吃掉具身大脑的规划层和预训练底座,却无法替代实时控制层。Anthropic 旗下前沿红队的研究报告显示,四足机器人的低层实时控制需要约 83Hz,而当时通用模型在非推理模式下的推理速度只有约 0.2 – 0.4Hz,差距约 200 – 400 倍。

由于通用大模型在精细操作和真机稳定性上仍有局限,行业缺乏专为物理世界设计的基础模型,来回答 " 世界下一步会怎样变化 " 以及 " 实体行动后世界如何回应 "。从通用大模型到物理世界基础模型,中间仍存在关键空白。《科创板日报》获悉,前达摩院 Rynn 团队成员创立的睦灵科技正在切入这一方向,计划近期发布新模型预览版,据称在物理世界理解与持续学习等关键指标上处于领先地位。

可以说,通用大模型在机器人控制上快速跃迁之际,专为物理世界设计的基础模型能否填补空白,将是决定这条赛道话语权的关键变量。

▍能力临界点渐近,商用临界点或更晚

从 GPT-6 Astra 到 Fable 5.2,机器人规划和控制能力的提升,让不少业内人士对于物理 AI 发展变得更为乐观。

宇树科技创始人王兴兴多次在演讲中表示,认为未来一两年就会有所突破,大模型泛化能力的临界点已经越来越近。田丰的判断是:1 – 2 年内大概率迎来能力临界点,规模商用的临界点还要更晚,中间隔着可靠性和评测成本两道坎,真正的拐点是评测成本跌下来。

产业格局方面,蚂蚁灵波 CEO 朱兴认为,至少在中国的具身产业领域,物理基础模型不会有太多玩家。他类比大语言模型,目前主要以千问、DeepSeek、字节、智谱、Kimi 五家为主,相信具身领域也不会有太多。他预计明年之前会有第一波收敛,未来长期从产业结构看可能 3 至 5 家。但他也强调,"行业可能要经历好几个周期,先收敛一波,再分裂一波,再收敛一波,而且周期可能比自动驾驶更长。"

朱兴表示,不管技术范式、模型架构怎么改变,有几点不会变:第一是优秀的团队;第二是对数据的沉淀和对数据的理解与 know-how;第三是包含数据闭环与训练技术相关的基础设施能力。

田丰认为,具身大脑的竞争正从模型架构转向数据工厂、评测体系和接口标准。通用模型公司占据上层和底座,硬件与部署方占据真机数据,世界模型在中间做训练场和考场。未来一年值得跟踪的是三个数字:零样本成功率、产线失败率、仿真与真机的一致性。

▍产业链还有哪些硬骨头?

在数据挑战方面,朱兴表示,基础模型要落地就绕不开后训练,而后训练非常重要的环节就是处理数据。在数据供给量或采集方式上,比如真机、UMI、Ego 等,行业已经发生了快速进展,这是好的方面。但从另一个角度看,本质突破仍然很难。行业都非常期待具身智能模型的 Scaling Law 时刻,但在那之前,要先锁定哪种数据的 Scaling up 能够促成 Scaling Law,而现在哪种数据最合适、能触发智能涌现,行业还没有共识,也没有答案。

不少机器人厂商正发力真机数据采集。比如,睿尔曼通过远程作业网络,让机器人在工厂、仓库、商店等真实场景中边作业、边产生数据,以此构建其物理 AI 的数据底座。相比单纯做数据标注或仿真合成,这条路更重、更慢,但数据与真实物理世界的偏差也更小。

" 我们发现室内的数据和真实环境还是有很大区别的,比如光感、温度等都不适应。" 睿尔曼相关负责人介绍,因此正探索在一线工厂进行数据采集,机器人在真实场景的每一次抓取、搬运与投放中,都在持续回流高质量真机数据。这些数据不仅反哺模型迭代,更作为核心底层能力向产业链开放。

其次是评测难题。蚂蚁灵波首席科学家沈宇军表示,评测至今仍是一个比较难的维度,主要是行业没有达成共识,模型、数据、部署等问题耦合在一起,很难拆开。

" 如果评测结果不好,很难说是模型的问题,还是数据和部署的问题。" 他说,现在如果想弄个整个行业都认可的 Benchmark(基准测试),尤其是真机 Benchmark,还是比较难。而仿真 Benchmark 则存在与物理世界对齐的问题。

" 如果在仿真上表现不好,证明模型肯定不行;但在仿真上表现好,并不代表模型可以。" 在沈宇军看来,具身智能现在各个环节都没收敛,这导致 Benchmark 不收敛,而 Benchmark 不收敛反过来也导致模型难以收敛,类似 " 先有鸡还是先有蛋 ",数据采集形式不收敛也是同样的问题。

不过,他认为行业摸索了这么长时间,已经越来越有共识。他判断,在不太远的将来,行业将迎来第一波收敛:无论是评测机制、模型方式还是数据采集标准,都会呈现收敛趋势,届时行业将迎来较大加速。

(科创板日报记者 黄心怡)

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

机器人 ai 物理 开源
相关文章
打开 ZAKER 参与讨论