谷歌的Astra亮相，李飞飞团队的Atlas和Voyager接连发布，Voyager很快又被收购；Sora、可灵、MiniMax H3把视频生成一路卷到新高度，世界模型和动作模型的发布一茬接一茬。市场把这一串信号读成了同一个判断：物理AI的基模时刻近了。但热闹背后，一个更基本的争论没有打完–VLA和世界模型谁代表未来，行业里的分歧依然很大。
极佳视界是国内领先的通用世界模型公司，也是这轮路径之争里站在世界模型一侧的代表性参与者。近期《商业分析家》与极佳视界核心团队进行了一次深度对话，聊路径之争，聊数据与算力两道坎，也聊这个行业该怎么衡量所谓的「GPT时刻」。
专家的主要观点包括：
●物理AI的范式切换已经发生了
2026年初产业从数字AI过渡到物理AI；内容创作和模拟器领域从2023年起逐步应用，预计未来三年具身基模在工业、商业和家庭场景持续成熟落地。
●VLA路线撞上了两面墙
「3D到一维再到3D」损失空间表征，「力大砖飞」在具身智能走不通；遥操作数据约500元一小时，攒够100万小时就是数亿元。
●世界模型「3D到3D」成为主流共识
空间表征保留在隐空间里，视频与动作的关系比文本与动作更直接；2025年底到2026年三四月，一批纯VLA公司已转向融合路线。
●行业进入祛魅期，评测就看zero-shot
demo展示和榜单刷新已经让人脱敏；真标准是把模型放到本地、用同一批数据训完比成功率和吞吐量，最终看单一场景90%任务成功率。
●数据瓶颈比预想更难解
一个10万小时数据集里遥操作数据占70%以上，混合数据约占20%；私有化场景资源掌控力成了数据供应商的核心竞争力。
●算力这笔账更扎心
国内算力成本约为国外10倍；字节跳动1000万美元的数据预算背后，要配套约8000万美元的算力支出。
●商业化是悬在头上的剑
公开数据采集市场规模只有约10亿至15亿元；未来两三年产品若不能在真实场景落地，整个行业可能面临困境。
从规则派到世界模型
商业分析家：请先给物理AI的产业现状把把脉。现在业界走到哪一步了，模型层面有哪些值得注意的技术路径？
专家：产业的范式从2026年初已经发生了转变，正从数字AI向物理AI过渡。数字AI主要涌现语言能力，解决聊天、编程和Agent的问题；物理AI更强调对视觉、3D、物理规律以及动作真实性的世界理解与预测。应用层面，物理AI在内容创作和模拟器领域（比如影视游戏）已经相对成熟，从2023年起就在逐步应用，到26年开始探索世界模型或生成模型。
预计未来三年，具身智能的基础模型会持续在工业、商业和家庭场景中成熟并落地。从技术路径的演变看，具身智能领域先是24年流行的规则派，复用自动驾驶领域的技术、通过编写具体规则执行任务，在自动驾驶等场景能解决部分问题，但到了具身智能领域泛化性不高、限制较大。
银河通用是这条路径的代表，早期专注「抓、拿、取、放」这类基础动作，后期技术栈有所扩展，底层逻辑仍是基于规则。
商业分析家：规则派之后，VLA和世界模型是怎么走到今天这个格局的？
专家：第二条路径是2025年随着RT-0.5等模型开源而兴起的VLA。VLA的本质是克隆学习，技术流程是把3D视觉信息转化成一维文本，利用大语言模型进行推理，最后通过动作专家模型生成动作。
这个「3D到一维再到3D」的过程会导致空间表征的丧失。2025年上半年，业界曾普遍认为通过足够多的数据可以实现智能涌现，也就是「力大砖飞」，但实践证明这一理念在具身智能领域难以走通：具身智能的数据采集量远不及语言模型，不同机器人本体之间的动作数据迁移能力有限，而且数据采集成本高昂–以遥操作为例，成本约为每小时500元。若要达到类似ChatGPT的100万小时训练数据量，仅数据成本就将高达数亿元。
专家：当前世界模型路径的认可度更高。世界模型是一个「3D到3D」的过程，底层是视频模型，通过生成包含环境、机器人动作及物体交互的完整视频，所有空间表征都保留在隐空间中，只需提取到显空间，机器人便可学习并完成相应动作。
视频与动作之间的关系，比文本与动作之间的关系更为直接，所以世界模型被认为更贴近物理世界的本质。产业界也出现了路径融合的趋势：许多最初坚持纯VLA路线的公司，在2025年底至2026年三四月份之后，已经转向VLA与世界模型相融合的技术路径，这从侧面印证了纯VLA路线的局限。
主要参与方上，VLA路径的代表企业包括自变量、千寻、银河通用以及上海的速度科技；世界模型路径的代表企业则包括极佳视界、流行智能，以及其他从不同技术方向转型而来的公司。
新模型发布，先看价值边界
商业分析家：谷歌的Astra和李飞飞团队的Atlas近期受到很多关注，这类新模型该怎么解读？
专家：Astra证明了语言模型在具身智能和3D方向的能力，可以通过加入机器人相关数据进行优化和构建。但能力边界也要明确：Astra这类语言模型遵循的是传统的VLA技术路径，可以理解为通过代码进行调用，但无法像世界模型那样进行「无中生有」的预测，也缺乏对未来进行评测的能力。
这类大语言模型适合执行理解和规划等功能，但在直接生成精细化动作方面存在不足。这又回到了VLA路径的根本瓶颈–大语言模型天然带来的延迟和控制精度问题，使其难以胜任具身智能中对动作生成的严苛要求。当然，优势在于对环境的理解能力以及更强大的逻辑推理能力。
商业分析家：李飞飞团队的Voyager前段时间被收购了，这单交易应该怎么读？行业里世界模型的技术路径主要分成几派？
专家：Voyager在动态信息生成方面表现尚可，但目前缺乏明确的落地应用方向，效果不如Sora、可灵，甚至MiniMax H3这类通用的视频生成模型，因此更偏向前沿探索。近期被收购，更多是基于生态层面的考量，而非技术本身。
专家：行业内世界模型主要有四条技术路径：第一条是以Sora为代表的纯视频生成路径；第二条是DeepMind主导的互动生成路径；第三条是李飞飞团队所专注的3D高速重建路径；第四条是LeCun提出的隐空间学习路径，该路径目前尚不成熟，仍处于探索阶段。目前前三条路径均有公司在进行研发和实践。
模型评测与三重瓶颈
商业分析家：物理AI领域有没有类似大语言模型领域的基准测试？评估模型能力高低主要看什么？
专家：评估主要集中在两个层面。从模型本身来看，关键在于zero-shot的泛化能力。具体评估时，可以将不同模型部署至本地，使用相同的数据集（例如100条特定动作数据）进行训练，然后比较其成功率和吞吐速度。以Astribot为例，实际测试中推理出一个完整动作耗时约1分钟，显示出在成功率和吞吐量方面仍有提升空间，并未达到外界预期的流畅度。
商业分析家：从产业应用的角度看，现在真正的难点集中在哪？
专家：核心难点主要集中在数据、算力以及本体硬件成熟度这三个方面。因此产业界高度关注企业是否具备高效的数据构建与采集管线。这不是简单地拥有本体、场景和数据采集能力就能解决的，而是一项系统性的能力。https://wxa.wxs.qq.com/tmpl/qe/base_tmpl.html
数据账与算力账
商业分析家：先算数据这笔账。现在行业里数据是什么结构，稀缺到什么程度？
专家：技术上数据主要分为几类：海量的互联网视频数据、本体操作数据、第一视角（ego-centric）或umi-centric数据、human data，以及仿真或合成数据。从质量看，遥操作数据是金字塔尖，质量最高，但采集成本昂贵，且跨本体泛化效果不佳。
为降低成本，业界引入第一视角采集或umi手套等方式作为补充，以增加数据多样性。然而在当前的数据结构中，例如一个10万小时的数据集里，遥操作数据占比仍高达70%以上，混合数据的占比约为20%。随着数据规模向30万、50万小时迈进，最优的数据结构仍在探索中。海量互联网视频数据的价值密度较低，主要用于模型的预训练。
专家：数据行业的现状还有几个特点：一是数据采集存在壁垒，各本体厂商倾向于使用自有本体采集数据，导致数据虽多但质量参差不齐，有效数据依然稀缺，无本体的数据采集技术尚未完全成熟。
二是特定类型数据极度缺乏，具备力、触觉等物理属性的数据受到高度重视，这增加了对电子皮肤等柔性材料的需求，但相关采集设备（如灵巧手）成本高昂且属于消耗品，尚未完善。用于模型纠错的「错误数据」也十分关键，但这需要大规模的真实场景部署和采集，目前难以实现。
三是高质量私有化数据难以获取，国内许多应用场景的数据是私有化的，价值极高，这促使一级市场的具身智能公司积极寻求与产业方合作，获取高质量的后训练数据。
四是数据市场的需求尚未完全打开，尽管数据稀缺，需求方却有限–以字节跳动为例，robotics团队一个季度的采购预算约1000万美元，全年约4000万美元，海外如谷歌，年度预算约7亿美元，整个数据市场规模并未如预期中庞大。一级市场创业团队背景强大，竞争激烈，已经是「神仙打架」的红海局面。
商业分析家：算力这头的差距有多大？国内公司现在是什么处境？
专家：国内的算力成本至少是国外的10倍。例如字节跳动1000万美元的数据预算，可能需要配套高达8000万美元的算力支出。国内算力总池受到高端显卡供应的限制，无法与Figure或1X Technologies等国外公司匹敌。
国内具身智能公司大多无法自建算力中心，主要依赖租用火山引擎、腾讯云等服务，算力调度会受到一定的管制和节流。此外，本体硬件的成本和鲁棒性，也是制约产业发展的第三个难点！
数据采集是怎么一门生意
商业分析家：从设备供应商和需求方两头看，数据采集这门生意现在是什么玩法？
专家：行业里存在一种「一脑一芯」的合作模式，即本体制造商将本体设备销售给数据采集公司，同时又作为客户向其回购采集到的数据。这种模式下，双方通常会签订保密协议，导致数据采集方在一段时间内（例如半年）无法将该批数据出售给其他客户，从而影响利润的释放速度。
目前本体设备的销售量有限，且许多数据采集项目是与地方政府合作的数据采集工厂，较少与上市公司直接合作运营。本体或数据采集设备制造商对上游供应链的需求量不大，且出于成本控制考虑，倾向于压低价格，合作的供应商多为一、二级市场的厂商。因此，上市公司在数据采集中主要扮演零部件供应商的角色，其价值在国内市场尚未得到充分释放。
商业分析家：站在需求方角度，你们挑数据合作方时看什么？
专家：我们需要的数据主要有三类：无本体数据、含有物理属性的数据以及错误数据。这些需求都建立在一个前提之上，即「以脑带采」–数据采集方必须使用我们提供的本体进行数据采集。选择合作供应商主要考量几个方面：首先，供应商是否能使用我们的本体，并能对我们提出的需求进行良好适配。至关重要的是，数据公司需要对模型有深入的理解，而不仅仅是纯粹的数据采集方，否则我们通常不予考虑，合作关系更偏向一种乙方服务。
其次，当前数据公司最重要的能力在于其对私有场景资源的掌控力。模型到了当前这个阶段，需要进行充分的落地泛化，比如在家庭场景中，我们需要供应商能提供真实的家庭环境，找到100个具有特定条件的家庭，让机器人在其中完成放置盘子、整理衣物、摆放鞋子等实际任务；在商业场景中，供应商也需要能提供真实的酒店、物业或小区环境供机器人进行测试。再次，供应商的账期以及数据成本也是考量因素。
此外，数据采集完成后，供应商需要派人到我们公司进行驻场，确保数据顺利适配，这一点也非常重要。由于能提供真实可用数据的领域尚处于早期阶段，合作关系的选择也会受到多方面因素的影响。
数据反哺与两派数据要求
商业分析家：产品在真实场景里交付跑出来的数据，会不会回流训练模型，形成一个正向循环？
专家：这种正向反馈的循环是确定存在的，这也是我们强调数据公司必须具备私有化场景能力的原因。具体流程是：将模型在真实场景中运行，收集数据后进行后训练，然后再部署运行。这个过程中模型会接收到反馈，从而形成对物理世界的先验知识。
这类似于人的学习过程：先观察，然后模仿尝试，在实际操作中会犯错也会做对，最终形成一个我们称之为「reward model」的机制。通过这个机制，模型能够学习在何种环境下采取何种动作才能成功完成任务，从而使奖励值越来越高。
商业分析家：VLA和世界模型在数据要求上的差异大吗？
专家：两者在数据要求上确实存在明显不同。VLA模型的推理层依赖于大语言模型，其能力在具身智能领域已相对够用，因此VLA更集中地需要高质量、真实的遥操作数据，强调数据在操作层面的高精准度。世界模型则更为复杂，需要区分预训练和后训练阶段。
预训练阶段，世界模型的基模训练会大量使用互联网视频等数据，目的是让模型对世界建立初步的建模能力和理解，例如掌握物理规律，这个阶段也会加入机器人的动作数据，但要求不像VLA那样高。世界模型并非单一模型，而是一个包含可微分物理引擎等组件的大型系统。
专家：后训练阶段，也就是世界模型在具身智能领域的实际应用，即所谓的「World Action Model」，则对数据有更高的要求：需要大量高质量的遥操作数据，包括无本体、异构数据等，与VLA所需的数据类型相似。
经过后训练最终得到的，才是应用于具身智能的基模。而且世界模型在不同领域的应用，数据要求也不同：内容生成领域主要解决一致性和长视频生成问题；自动驾驶领域则侧重于环境渲染的真实性，毕竟自动驾驶不像具身智能那样需要进行大量的博弈性交互和物体操作。因此，世界模型在具身智能领域的应用，是目前难度最高的。https://wxa.wxs.qq.com/tmpl/qe/base_tmpl.html
世界模型落地难在哪
商业分析家：世界模型这几条技术路径，现在各自卡在哪？
专家：这几条路径在实际应用中并非完全分割，而是相互融合的。第一条是基于视频生成的路径，以Sora为代表，核心挑战始终是两个问题：一是生成长视频时如何保持一致性，即如何抑制错误在迭代过程中的累积和放大；二是如何提升长时间生成的能力。
从商业应用来看，这条技术路线已相对成熟，国内外相关公司都取得了不错的进展。第二条是实时生成的路径，以Google DeepMind的技术为代表，这项技术本身出现较早，目前已更多地融入视频生成路径中，其关键在于提升对物理世界的先验能力，这主要依赖于预训练阶段。
如果视频生成和实时生成都能做好，将是整个世界基模实现真正突破的关键。当前具身基模在掌握基础物理和几何规律方面仍有欠缺，导致渲染能力和对自然规律的理解不足，这需要时间积累。
专家：第三条是3D高斯重建路径，主要在虚拟空间中学习和生成物体的形状、几何属性以及物理交互（如形变），例如可以将一张图片迅速转换为一个3D空间。然而在真实应用中，生成效果和能力有限，技术偏前沿且落地效果尚不理想。
商业分析家：听说你们在实际应用里把视频生成和3D高斯重建当前后道工序用，具体是怎么组合的？
专家：实际应用中，我们会将视频生成与3D高斯重建视为前后道工序：先用3D高斯重建赋予资产极高的物理和几何属性，然后将这些生成的资产作为锚点，放入视频生成模型中进行渲染，这样能在一定程度上解决资产在长时间生成过程中发生形态扭曲的问题。
总而言之，要真正在下游应用世界模型，需要掌握这三条技术路径，并能像插件或模块一样灵活运用：例如在内容创作场景，3D高斯的比重可能较小；而在自动驾驶场景，则需要更多地依赖3D高斯来构建车辆的几何属性。如何根据不同应用场景对模型进行微调和组合，是其中的know-how，也是困难所在。
祛魅期，看什么指标
商业分析家：最近世界模型和动作模型的发布特别多，怎么看这些进展？哪些更新真正值得关注？
专家：无论是demo展示还是榜单刷新，业界已经表现出一定程度的「脱敏」或者说「祛魅」。真正值得关注的几个方面：首先，模型是否开源，开源之后其zero-shot能力、操作成功率和吞吐量是否得到真实检验并实现质的提升。
其次，是否实现了真实的商业化落地，这是悬在每一家物理AI公司头上的关键问题。如果未来两三年内，产品无法在真实场景中得到商业应用，让用户切实感受到其价值，行业可能会面临困境。
商业分析家：行业里已经有人在喊「GPT时刻」了，你认可这个判断吗？物理AI的「GPT时刻」该怎么衡量？
专家：目前行业的核心在于谁能率先解决具身基模的问题。尽管有公司在宣传其「GPT时刻」，但从目前来看，基模能力仍有待提升。一个模型是否真正达到「GPT时刻」，可以从几个维度衡量：第一步是基础的demo展示，即将大脑（模型）置于本体（机器人）上并拍摄视频；第二步则要深入考察基模的参数规模、泛化能力以及技术栈的自主性；最终的衡量标准，是该模型能否在单一场景（如家庭环境）中解决90%的任务。
当行业能够达到这个水平时，具身智能和物理AI领域才会迎来真正的质变。目前看到的各种宣传，噱头成分居多，实质性意义有限。
专家：数据采集作为基模的上游产业，其发展也受制于基模的突破。如果基模的技术路径选择错误，会对公司造成巨大伤害，因此各家公司在扩大数据需求方面都非常谨慎。这也是当前国内公开数据采集市场规模较小的原因之一，大约在10亿至15亿元人民币（不含各公司自采数据），其中还包含了大量非真实的具身智能数据，以及在不同供应商之间转售的数据。
商业分析家：感谢专家接受本次专访。最后还有什么想补充的吗？
专家：市场的繁荣，最终仍需依赖模型技术的迭代更新，以及对优质数据供应商的有效甄别。
世界模型接棒VLA，你认为是终局还是过渡？评论区聊聊吧！
