当前具身智能的发展仍然处于前GPT时代WAIC观察

今年是跑通年。

WAIC 2026的展台上，机器人叠衣服、冲咖啡、切菜、分拣，从工业产线到厨房灶台，都在演示“干活”这件事。

不过，走出展台，跟那些真正在一线的人聊下来——不管是造机器人的、训模型的，还是铺产线的——听到的判断要保守得多。这个行业的实际进度，远没有展台画面看上去那么近。

面壁智能的姚远打了个比方，现在的具身智能像2018年的大模型，BERT、GPT、T5三条路线并存，谁也不知道哪条最终成立。“当前最火的不一定能笑到最后。”腾讯张正友则说得更直接：最聪明的人工智能“还是一个缸中之脑，它可以编程、通过考试，但从来没有真正地活过”。大模型善于推理和知识问答，也能读懂图像和视频，但一旦进入真实世界，“很难在一个持续变化的环境里面，一边行动一边接受反馈，再及时做出调整”。具身智能还没有像Transformer那样收敛的统一框架。

不管是路线、能力还是可靠性，几位核心从业者的判断指向同一个结论：具身智能还在“前GPT时代”。

Scaling Law在物理世界，碰上了什么软钉子？

大模型在数字世界靠堆数据实现涌现，但物理世界可没这么顺畅。

智元机器人联合创始人姚卯青在WAIC期间把障碍归纳为三道墙：数据墙、表征墙、闭环墙。数据墙指的是真实交互数据稀缺且昂贵；表征墙说的是跨任务、跨场景、跨本体的统一表征尚未形成；闭环墙则意味着真实试错代价高、反馈慢。

面壁智能的角度稍有不同。姚远把具身智能分成三个模块，各自成熟度差异很大：语言模型最成熟，多模态感知大约在70%到80%，而行动（action）可能只有40%。

两种说法落到同一个结论：Scaling Law在物理世界不能简单复制。

互联网文本可以持续累积，但机器人面对的物理交互数据不会天然存在；跨场景的统一表征，远比文本tokenization复杂；真实世界里试错要付出代价，而且不可回滚，反馈慢，无法像数字世界那样低成本地反复重跑。

更关键的是，这三道墙之间是相互锁死的。数据不够，表征就训不好；表征上不去，闭环效率随之下降；闭环慢了，反过来又拖累数据积累。姚卯青点出了VLA（视觉-语言-动作）模型的一个短板：“VLA没有L（语言），无法做长程任务规划和判断。”当前最主流的端到端范式，在需要理解指令、拆解步骤、做中间判断的长程任务上，缺的正是这一块。

路线还没收敛，真功夫还在后头

问题很明确，但往哪走，还没有答案。

目前至少有三条路线在并行：VLA（视觉-语言-动作端到端）、世界模型（预测物理状态变化来指导决策），以及智元提出的WRAM（世界推理动作模型，把世界模型和语言推理能力整合进一个框架）。姚卯青认为VLA缺语言能力，无法完成长程规划。面壁智能和Physical Intelligence则倾向另一条路：把VLA与世界模型融合。

张正友的判断又不一样。他主张认知系统、感知行动系统、底层反应系统分层协同。不同模块要在不同频率上运行：底层反应要100赫兹甚至更高，感知行动在10到15赫兹，大脑可以慢一些。他用人的肢体反应打比方：“绊了一脚，肢体反应假如用VLM是达不到的，那个是10赫兹，100毫秒，这个时间来决策是来不及的。”VLA的问题在于，前面的VLM和后面的动作模块在同一个频率上运行，跟物理世界直接交互时反馈跟不上。单一模型很难解决一切。

现在的阶段，很像2018年大模型的BERT/GPT/T5时期。收敛还需要两到三年。“2018年最被看好的并非GPT，最后胜出的却是GPT。”姚远说。具身智能可能也会如此，今天展台上最吸引眼球的路线，未必是终局。

姚卯青还有一个更底层的判断。现在用的底层组件——Tokenizer、Encoder——都是从VQA（视觉问答）和对话模型借来的，并非为具身任务原生设计。他把这称为“具身原生”问题，认为要到百万小时级数据才能做真正的原生架构。行业目前还在用“改装发动机”，没有造出“原生引擎”。这个判断如果成立，当前的路线之争可能还在浅层，真正的分歧要等数据规模上来、原生架构成为可能之后才会展开。

能演示和能干活之间，隔着实打实的工程量

展台上叠一件衣服要3分钟，观众拍手叫好。但工厂要的是6秒节拍、99.8%的准确率。

博世智能科技的刘敏在WAIC论坛上给出了制造业的标准：“工厂要99.8%准确率，节拍6秒是门槛。从能用到可用，是两个指标。”这两个指标之间，要求具身智能跨过展台，真正走向产线。

智元在南昌一家3C工厂的产线上做到了99.99%成功率，是目前公开案例里最高的数字之一。姚卯青详述了背后的工程量：首批项目需要数月做硬件软件集成、对接MES系统（制造执行系统），然后是通宵压测，每晚测试，连续一个月才上主产线。从零到一需要三四个月，产品化之后才能一两周复制一个点。

越疆科技的刘培超谈的是硬件层面。机器人至少20个关节起步，比汽车更复杂，行业通用要求是5万小时MTBF（平均无故障时间）。他接着说：“今天大部分机器人可能10小时的MTBF都没有。”灵巧手的情况更严峻，姚卯青提到，灵巧手“采集数据一两周就出问题，每工作半小时要散热”。零部件“还没有到汽车16949标准”——这是汽车行业零部件供应链的质量管理标准。机器人核心零部件的可靠性工程，离工业级还远。

艾欧智能联合创始人丁哲章看到的是另一面。今年聊“落地”的需求明显变多了，“但落地案例有没有变多，要打个问号”。他说的核心问题是：“场景方对具身的预期，和本体、模型现在真正能做到的程度之间，有一个断层。”他的思路是“渐进式落地”：机器人做一部分，人监管一部分，先接受这种“中间状态”。他把具身的发展阶段梳理成一条时间线：2022年是“PPT阶段”，2023年是“把本体做出来但放那儿不能动”，2024年“将将能动起来”，去年“进入部分场景、具备部分自主能力”。至于今年能到什么程度，他持保留态度。

腾讯云的黄阳则认为，这类技术都有长尾效应：“会非常快速地推进到60%、70%、80%，但最后那20%要花非常非常多的时间去填。”

今年跑通，但路还长

几位具身行业的资深人士给出的时间线开始接近，但都不算近。

姚卯青判断，“2027年底到2028年初看到比较强的涌现时刻”。面壁智能的刘知远说端侧模型“还需要1到2年、2到3年”。丁哲章更谨慎，他以自动驾驶作类比：十年前从业者宣称2025年做到L5全自动驾驶，十年过去，自动驾驶达到的是“差不多可用”——好用、可用，但并非当初想象的全自主。他认为具身也会经历同样的预期修正：“先有高预期，然后预期调整，再逐渐贴近现实，这个过程可能非常漫长。”

张正友的参照系是ChatGPT。他在微软做过20多年人机交互，语音对话在特定场景里效果不错，“但是问的问题稍微变一变很不稳定，所以一直没有发展起来”，直到ChatGPT出现才“真的感觉是有进步”。具身智能也需要这样的节点：“他真的帮你做事情，你可以依赖于它。假如说失败概率太大，不稳定，要人照顾机器人，还不如让这个人完成这个任务，效率更高。”

光轮智能联合创始人杨海波给出了更具体的时间判断。今年是“跑通”年，明年才能“算账”。他预测明年本体价格会降到今年的十分之一，稳定性提高一百倍。如果这个判断成立，硬件可靠性这道坎有可能在明年迈过去一大步。但软件、数据、评测这些基础设施的缺口，不会随硬件改善自动消失。

把这些判断放在一起，大致能勾勒出一张时间表。短期内（今明两年）是特定场景的工程跑通；中期（2027到2028）可能出现能力涌现的节点。而通用具身智能要从工厂走进家庭，从结构化的工业场景走到非结构化的生活场景，这条路可能比大多数人预期的要慢得多。

展台上的画面和这些判断之间，显然还存在一些落差。展位都在展示机器人“干活”，但真正做过产线的人清楚，从演示到能上产线，再到大规模普及，中间隔着的不止一两个技术突破，还有一整套未建成的基础设施：数据标准、评测体系都缺，零部件可靠性不够，持续学习能力也尚未成形。

姚远说“当前最火的不一定能笑到最后”。这句话置于2026年的WAIC，不只是路线之争，也是整个行业此刻所要面对的真实处境。