黄青虬 WIC 具身论坛演讲：大模型时代，具身智能要走自己的路

大模型越强，越绕不开一个问题：机器人要在真实世界里稳定干活，哪些能力必须长在自己身上？黄青虬的答案落在三处——用原生的具身执行系统守住实时与闭环，用数据基础设施补上物理世界的认知，再把真机放进自进化闭环。

这两场讨论，一场是 11 月 4 日乌镇 2026 世界互联网大会（WIC）机器人与具身智能论坛，黄青虬作主旨演讲《大模型时代的机器人大脑：从通用推理到具身行动》；另一场是 10 月 23 日上海 GDPS 2026 全球开发者先锋大会，墨奇智能主办《从数据到能力，具身智能还缺什么》主题圆桌。

01 判断：大模型时代，具身智能的不可替代之处

墨奇把 GPT-6 接入真机做过测试：在部分任务上，它确实能实现零样本泛化，成功率也还不错；速度偏慢，但在泛化能力、特别是对物理世界的逻辑推理上，展现出较强的泛化与物理推理能力。那么，给大语言模型灌入更多异构数据、等它继续成熟，就能直接控制机器人吗？黄青虬的答案是否定的。

效率低、成本高、推理耗时长，在他看来只是阶段性问题。物理 AI 与数字 AI 之间还有两个更根本的差别：实时性与闭环交互。

实时性。物理世界连续、动态变化，机器人不能像对话系统那样「接到任务、过很久再给结果」。把衣服放进脏衣篮，篮子中途被挪动，动作就得实时调整——环境不会等机器人准备好。这要求把关键执行模型部署在端侧，因为云端时延与稳定性难以满足实时控制；而端侧算力受限，又意味着不能主要靠堆参数提升智能，必须找到更高效的方法。

闭环。机器人的动作与环境互相影响，往往要碰一碰、摸一摸才知道下一步怎么做。「熟能生巧」「肌肉记忆」「手感」，都来自这种交互反馈，需要触觉、力觉实时调整动作。物流分拣里外观相似的包裹，里面可能是砖块也可能是衣服，重量差别很大，只有真正接触之后，机器人才知道该双手搬起还是单手推动。

WIC 论坛现场：从通用推理走向原生、实时的动作闭环

02 基建：具身智能得自己「修路」

十几年前没人预料到，互联网会成为今天大模型的基础设施：人们在使用过程中自然留下海量数据，反过来孕育了大模型技术。具身智能没有这份运气——机器人不够好用，大家就不愿用；没有足够使用，就没有数据；缺少数据，又难训出更好的模型，形成循环困境。

破局从冷启动开始：采集方式正从机器人遥操作转向更轻便的 UMI 与第一人称视角（Ego）数据，黄青虬判断这类路径至少在未来一两年仍是主流。更理想的方向，是把采集能力逐步融入眼镜、手表等日常可穿戴设备，让人们在正常使用中以更少干扰的方式积累数据。

即使通用大模型跑得越来越快，具身领域仍有大量工作要做。技术的发展不是谁吞噬谁，而是不同方向相互推进、逐步融合。

03 实践：让真实数据进入模型迭代

采集只是起点。要让数据持续推动模型进步，还需要经过质量筛选与处理、模型训练和真机验证，再根据任务表现与失败反馈，确定下一轮需要补充的数据和改进的能力。这样，真实工作中的经验才能不断进入模型迭代。

墨奇推崇真实场景中的数据，概括为「三真」：真实作业人员，在真实场景里，完成真实工作——这类数据能够保留真实作业中的动作习惯、环境变化与任务约束，是训练机器人实际作业能力的重要基础。因此采集设备尽量做轻便、提升佩戴体验与轨迹定位精度，让工作人员戴上后仍能正常工作，不必刻意放慢动作，也不做表演式动作。目前已在多个场景开展采集，并与合作伙伴共同建设数据集。

04 能力：现阶段与模型的下一步

用原生的具身执行系统守住实时与闭环，用真实场景数据补上物理世界的认知，把模型稳稳落在操作上——先让机器人在相对固定的环境里，把一件活可靠地做完。

下一步，墨奇将继续探索移动与操作的协同，让机器人在移动过程中协调全身动作，完成操作任务。人走上讲台顺手拿起话筒，不必先停稳再伸手，把「走」和「做」统一到一套模型里，才真正用得上这些数据。与此并行的另一条线，是用世界模型搭具身模拟器，让虚拟场景随操作变化，补上真实数据难以覆盖的交互场景；再往前一步，则是让模型跨本体泛化，同一套能力不绑死在特定硬件上。

05 圆桌：通往具身 RSI，还缺什么

WIC 回答的是「路怎么搭」。如果具身智能要做到持续自我改进、循环迭代，也就是具身 RSI，除了数据还缺什么？10 月 23 日 GDPS 2026 全球开发者先锋大会（上海·张江科学会堂），墨奇智能主办《从数据到能力，具身智能还缺什么》主题圆桌，五位嘉宾参与对话：墨奇智能联合创始人兼 CTO 黄青虬，上海交大 AP、ScaleLab 负责人 & SeeAct AI 创始人穆尧，Simate 创始人兼 CEO 张颖，源策未来联合创始人兼 AI 负责人陈立，穹彻智能预训练模型负责人吕峻。

GDPS 2026 圆桌现场

Q1｜除了数据，最缺的那块拼图是什么？

黄青虬：最关键的一环是把真机纳入自进化闭环。现阶段多数 RSI 还停留在「模型自己迭代」——以开环或仿真 benchmark 作为评测，再据此迭代模型。一方面 Sim-to-Real gap 始终存在，仿真指标再好未必能迁移到真机，脱离真机反馈的闭环本身就是残缺的；另一方面，打通部署侧的 RSI 价值巨大：物体的物理属性无法仅凭视觉观测得到，需要机器人主动交互、触碰、抓取，才能感知重量、摩擦等信息。

吕峻：RSI 可分两个方向：Agentic RSI 本质上是一套 Harness（约束框架）与 Context（上下文）组装；我们畅想的具身原生 RSI，核心是模型自我优化与持续进化——基模必须先具备可靠的零样本泛化与强鲁棒性，陌生场景的稳定性验证到位，才能在基座之上推进迭代。规模化上，仿真能创造海量并行环境，但真机验证同样不可或缺，核心难题是如何构建充足真机环境支撑大规模迭代。两个破局方向：一是服务、交互等高容错非刚性场景，适合机器人批量落地、承载真机探索；二是被不少人唱衰的数采场，本质是「真机实训场」，基模能力成熟后，存量场地与固定部署机器人反而会成为 RSI 的绝佳跳板，持续产出自主进化所需的数据、反哺模型迭代。

陈立：RSI 有两层。第一层是单机、单场景、单任务，接近传统强化学习，在仿真或真机里自主探索、冲高成功率；难点在 reward 定义与结果评估——真实交互中仅靠视觉，不一定能准确判断动作有没有效果、任务有没有完成，未来靠多模态补足还是让智能体试错自主发现物理特性，本质取决于 value model 的能力。第二层是更长远的命题：追求的不是单点任务达标，而是模型在各类场景里都稳定完成、换了任务还能继续学习，这需要汇聚分散在不同本体上的交互经验，依赖行业共建数据与基础设施；只靠相对限定场景、有限规模的部署，很难抵达 AGI 级别的 RSI。

张颖：R 代表递归（Recursive），核心是持续自我改进、循环迭代。从这个定义出发，纯粹的 RSI 更适合由大模型公司实现；我们做的 Physical RSI 是另一回事——一套具备自调整、自迭代能力的物理系统，有两个核心抓手：借助大模型辅助设计灵巧操作这类专用模型；打造能沉淀历史经验、持续自我生长的自动化 Infra。

Q2｜不同具身数据各教给模型什么，配方怎么搭？

黄青虬：具体形式有不确定性，但两大主线清晰。真实数据越来越非侵入式：早期遥操负担最重、上手门槛高；UMI 贴合手部，操作手感更接近真实干活；Ego 仅需头环；肌电手环更进一步，做到无感采集。仿真数据则在合理成本下无限逼近真实物理世界——GPT-6 展示 3D 能力后，把仿真资产成本下压一个数量级以上，打开了新空间。终极目标是零成本、高多样性、海量的纯真实数据；抵达之前，配比本质上是各家在资源约束下，于遥操、UMI、Ego、仿真之间做 trade-off。当下真机路线普遍优先 Ego，就是在预算约束下优先换取数据量级与 diversity，后续配比也会动态迭代。

吕峻：重金采买撑不起具身海量的数据需求，非侵入式采集是关键，伴随式采集还能自然产出高价值的真实错误样本；我们也在探索 Ego 数据，但现阶段纯视觉方案存在定位、遮挡等短板。结合硬件成本、耐用性与商业化接受度，二指夹爪依然有很大落地空间——若最终产品形态是二指机器人，在采集、标注阶段就对齐二指范式是务实的阶段性选择，这也是穹彻坚持 UMI 路线的原因；当然 UMI 也有局限：并非真正的伴随采集，成本偏高、真实度也打折扣。相比路线之争，更重要的是对选定路径保持足够耐心，不必短时间内频繁切换采集范式或盲目堆砌数据规模；扎实搭建数据 Infra、打磨数据质量这些笨功夫，才是企业真正的护城河。先在各自路线拿到阶段性成果，才有条件进一步探讨哪条路通向具身 AGI。

陈立：数据量可参考智驾经验：百万 clips 未必每轮训练都全部用上，仍要按数据质量、场景分布、训练预算筛选；具身赛道未来会形成分层格局——基模厂商用千万小时级海量数据训练强泛化基础模型，具体垂类落地在预训练基模上靠精选的高质量小数据集适配，部署时再考虑端侧算力、通信限制。质量上，从真机采集、UMI 到 Ego，动作测量精度有差异，但覆盖的场景与行为持续拓宽；高精度 UMI 与人类数据可有效预训练或后训练机器人策略，我们自研的 Ego pipeline 能做到精确动作打标，也能将人类数据直接迁移到人形机器人应用。不同数据形态没有绝对优劣，只要质量达标都可接入训练，也可按「人类数据低精度预训练 → 中训练对齐本体信号 → 高精度真机数据后训练」的阶梯方案组织；现阶段大部分范式仍依托 behavior cloning，标签准确性就很关键。总结：数据质量是第一优先级，在此基础上高效拓宽数据分布。

Q3｜哪一项技术突破会最先改写通用具身大脑的路线？

张颖：关于大模型对具身的影响，业内大致分两派，其中一派认为是冲击。在我看来，具身是难度极高、周期漫长但价值重大的方向，单靠 Physical AI 企业独自走完全链路并不现实；具身公司更适合作为中间层，上游大模型厂商向下渗透、下游硬件与触觉力控团队向上融合，是良性的产业趋势。我很期待大模型公司和具身团队真正联合落地一套完整系统，把快慢系统从概念变成可跑通的 Zero-Shot 长程任务——机器人放到陌生环境里，自主完成约 10 分钟连续任务，哪怕成功率只有 30%–50%。这将是具身智能的 GPT-3 时刻，我预判有望在近一两年出现，并重塑整个行业。

陈立：Physical AI 与数字世界一个很大的差异，就是必须与真实世界做物理交互：反馈直观，但代价是迭代速度被严重拖累。一个很重要的突破口，就是把交互与学习的迭代速度大幅提上来，缩小与数字世界的差距。提速路径有三类——高保真仿真、能力足够强的世界模型，或让大模型结合多模态信息更可靠地评估任务进展与执行结果；但这些能力本身也很难，未必比训练基础模型更容易。未来无论哪条路径实现，只要能大幅加快 physical interaction 的闭环迭代，行业拐点就会加速到来。

黄青虬：就算未来基模的泛化能力做到很强，还有一关要攻克：机器人放到陌生环境、拿到新任务，开局或许就能做到 50% 成功率，这已是很好的泛化起点，但从 50% 推到 99% 乃至近乎 100%，是另一道难题。这个精进过程不会随基模泛化能力提升自动发生，需要专门的技术方案。类比于人，哪怕是博士生，理解力再好，上手一项具体实操任务也需要练习，才能从懂原理变成熟练工。真机强化式 RSI 是一条可行路线，但未必是唯一答案，我很期待这个方向的技术突破。