人工智能正从预测词元转向预测物理状态

最近，国盛证券发了一份关于通信和具身智能的研究报告，里面有不少干货。今天就借着这份报告，聊聊AI与机器人结合的那些事儿。

ChatGPT横空出世后，AI在聊天、写代码、生成视频这些领域，已经在实实在在地改变生产流程了。但一个更深层次的问题随之而来：这种能力能不能移植到机器人身上，让它们真正学会“泛化”——也就是在新环境里也能灵活应对？大模型那个著名的Scaling Law，对机器人也适用吗？刚刚落幕的2026北京智源大会，给了我们不少线索。

这次智源大会的主题很明确，就是把“具身智能”和“世界模型”推到了聚光灯下。大会不仅专门设置了相关论坛，智源研究院的院长更是直接点出：人工智能正在从“预测下一个词元”转向“预测下一个物理状态”。这个转向，才是行业的真正核心命题。

先说说现状。现场展示的成果挺直观：人机乒乓对打、酒店清洁、货架抓取、甚至串糖葫芦——这些“点状能力”已经能跑起来了。但公允地说，大部分演示还是在受控环境、结构化场景，或者依赖外部动作捕捉系统下完成的。产业界的共识是，如果能把“移动+抓取放置”这套动作，在零售、工厂分拣这类可批量复制的场景里做到高度泛化，那就是近期最重要的里程碑。

瓶颈在哪？说白了，可以归结为几座大山。

首先是数据。传统的视觉-语言-动作（VLA）模型，严重依赖遥操作采集的数据，成本高、规模化难。其次是物理理解。智源的王仲远直言，目前世界模型的几条主流路线——语言、像素、三维结构、视觉表征——都没有真正触达物理规律。你不能指望一个只会看画面、念文本的模型，真正理解一个杯子摔在地上会碎。再次是多模态感知。多位嘉宾反复强调，光靠视觉和语言远远不够，触觉、力觉才是让机器人“手上有准”的关键。最后是评测体系。一位嘉宾直接吐槽：现在的机器人榜单，很多都不靠谱。更应该关注的是系统整体的成熟度，和模型真正的学习能力。

突破方向是相通的。产业界已经形成了几套组合拳。

扩数据。仿真合成数据、人类第一人称视角视频（Ego-centric）、真实机器人操作数据，三条路并行。像UMI、可穿戴数据采集设备等新方案，正在大幅降低数据的获取门槛。

补大脑、强感知。引入多模态融合、触觉力控，并且要求模型在部署过程中能“自我进化”——不再是出厂即定型。

定标尺、上保险。建立更真实的评测标准，同时确保控制安全。

做分工。产业链不再指望一家通吃，而是开始明确各环节的分工与协同。

路线分歧也在加速收敛。

目前有两组核心分歧。

第一组：“VLA还是世界模型”？这场争论正在走向融合。智平方的郭彦东打了个比方，世界模型其实是VLA体系的核心组成部分。这意味着，未来很可能不会只有一条绝对正确的路线。

第二组：“一体化”与否？一方认为“本体-大脑一体化”迭代更快，跨本体迁移更一致；另一方则认为“大脑/模型平台与本体脱钩”才是正解，因为用人类数据预训练出的模型，天然能向下兼容多种不同的本体形态和末端执行器——这正是分工的底层逻辑。

目标与节奏方面。核心目标已经从“可执行”进化到了“可学习、可泛化、可进化”，世界模型被寄望成为物理世界的下一代基础底座。银河通用的王鹤用网球等运动定义了具身智能的“AlphaGo时刻”，并把“ChatGPT时刻”量化为：预训练后，在人类无需专门学习的技能上，zero-shot达到70%—80%的成功率。

时间表上，各家口径呈现出“近端密集、远端发散”的特征。千寻智能的高阳预计12-24个月内基础模型会有显著进步；智元的罗剑岚把跑通真实部署数据闭环的窗口设在12-18个月；智在无界的卢宗青则表示2-3年内会有重大进展，但真正的通用性不一定能在两年内到来。这个节奏，值得持续跟踪。

对投资者而言，结论很明确：“目标确定、节奏未定”。

更聪明的做法是押注路径，而不是押注时点。克服前面提到的那几组瓶颈，对应着几个相对确定的受益环节：扩数据（动作捕捉、仿真引擎与合成数据、第一视角采集与标注）、补大脑（训练与端侧模型、算力）、做分工与放量（RV减速器、丝杠、力/六维力与触觉传感器、灵巧手等执行与零部件）、评测与安全（标注与验证服务）。这些公共底座环节的确定性最强。

配置思路上，优先关注那些能在窄场景率先形成数据闭环、并产生现金流的环节。同时必须警惕：不要把“真机数据量”当成唯一的护城河——一旦人类视频和合成数据范式成熟，这条护城河的稀缺性可能会被快速削弱。

建议关注方向：

AI大模型：智谱、Minimax等；AI算力基础设施：中际旭创、新易盛、天孚通信、东田微、三环集团、寒武纪、沐曦科技等；具身智能本体与配件：三花智控、拓普集团等。

风险提示：技术路线尚未收敛；数据范式快速变化；商业化与规模化落地不及预期。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：人工智能正从预测词元转向预测物理状态要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题