告别参数竞赛：AI转向物理世界理解与具身智能

先抛一个反直觉的现象现在的AI在标准化考试、代码竞赛、图像描述这些任务上已经把绝大多数人甩在身后但让它走进厨房帮你打一颗鸡蛋、让它在仓库里从一堆杂乱的纸箱中准确抽出需要的那个依然会手忙脚乱。问题不在“知识量”而在“物理世界理解”——模型能说出关于世界的事实却不知道世界在真实空间里如何运转。这就是2026年AI技术走向的一个核心拐点从参数竞赛转向对物理世界的理解。我判断接下来两到三年行业关注点会明显从“谁的参数多、谁的榜单分高”迁移到另外三条路线上一是用交互数据替代静态数据二是用因果机制替代概率拟合三是用感知到行为的闭环替代单纯的感知判断。这篇就围绕这三个方向展开说说它们各自解决什么问题、底层逻辑是什么、实际落地有哪些该注意的坑。1. 为什么2026年必须告别参数竞赛——先看清算力的物理天花板1.1 涨参数不再是唯一有效杠杆过去几年“更大参数 更强智能”几乎成了行业信仰。模型规模从十亿级一路涨到千亿、万亿级每次发布都把评测分数往前推一点。但稍微算笔账就会发现这条路正在逼近物理极限。以某主流训练集群为例一次全量预训练的用电量已经是千万瓦时量级放在能源账单里是一笔真正的巨款。更要命的是散热和数据中心扩建周期参数扩张带来的算力需求并不是线性的——你翻一倍参数数据量、训练时长、通信开销往往要翻更多。到了2025年下半年几乎每家做模型的人都在算同一件事下一次参数翻倍换回来的评测分数提升还有多少结果是越来越不划算。大模型在某些榜单上从90分刷到91分可能需要消耗与过去相同甚至更多的算力而这点分数差距在实际业务里用户根本感知不到。参数竞赛的边际收益已经掉到一条非常平缓的曲线上继续沿着这个方向投入对绝大多数团队来说不是聪明决策。1.2 数据接近饱和时堆参数带来的是“背答案”比算力账单更隐性的问题是数据。整个互联网可用的高质量文本、图像、视频已经被头部模型反复清洗、筛选、训练过不知道多少轮。同样的数据翻来覆去地喂参数再多也只能把“表面规律”拟合得更平滑很难带来真正的智能跃迁。我见过不少团队沉迷于超大参数模型却忽略了一个事实模型在测试集上得分高不等于它对问题理解了。举个很简单的例子模型能写出流畅的物理现象描述但你把条件稍微改动一下——比如“小球质量变成原来的两倍同样的力推动它轨迹会怎样变化”——它就经常给出前后矛盾的回答。原因在于它训练时看到的大多是“表述的相似性”而不是“机制的一致性”。用大白话说它在背答案而不是在懂道理。当静态数据接近于被“榨干”继续堆参数就是在同一个平面上反复打磨很难产生质的突破。这也是我坚持认为2026年的竞争焦点会转移的根本原因——不是参数不重要了而是单靠参数已经无法解决“真正理解物理世界”这件事。1.3 算力与电力的真实账本再聊点更现实的工程预算。做模型的人都知道训练算力只是成本的一部分推理成本才是长期运营的大头。一个用户每次会话背后可能是几十亿参数的完整前向计算日活一高电费单直接起飞。这种情况下大家开始认真考虑一个问题花那么多算力让模型生成一段漂亮的文本和花同等算力让机器人学会一个稳定的抓取动作哪个对业务更有长期价值答案越来越倾向于后者。因为生成文本的边际差异已经很难让用户兴奋而能让机器人在物理世界里可靠地完成一件事——比如分拣、搬运、装配——是实打实能产生经济效益的能力。整个行业的天平正在从“会说话的模型”向“会做事的系统”倾斜。要理解这个转变就得先把视线从模型参数上移开看向下面三大进化方向。2. 方向一从静态数据集到物理世界交互——数据革命2.1 静态数据缺少了什么状态、动作与后果的闭环现在训练AI的主力数据是文字、图片、视频说白了都是“旁人视角的记录”。互联网上的视频教模型“看到一个苹果”但很少告诉它“伸手握住苹果”“苹果被拿起后重心变化”“桌面上被碰倒的水杯该怎样扶正”这三个连续步骤。这种数据天然缺少一个关键维度状态—动作—后果的完整闭环。什么是状态、动作、后果的闭环拿一个机器人学倒水举例状态杯子在桌面上水壶在架子上杯口朝上动作机器臂靠近水壶抓握手柄倾斜水壶倒水后果水位上升或水洒在桌面上。只有同时观察到这三点模型才能建立“我做了某件事世界因此发生了某种变化”的内部联系。而静态的互联网数据里只有“看到杯子”“看到水壶”“看到别人倒水”没有“我操作后世界如何反馈我”。这是目前大多数AI系统与物理世界之间最深的断层。2.2 交互数据从哪来仿真、遥操作与自监督要补上这个断层就必须去采集交互数据。目前主流的来源有三类仿真环境在物理引擎里让虚拟机器人做大量随机尝试记录每个动作和结果。优势是速度和成本可控缺点是仿真与真实之间存在“领域鸿沟”。遥操作数据人通过操控设备远程控制真实机器人把“人做出来的好动作”记录下来作为示范。这类数据质量很高但采集慢、成本高。自监督探索机器人自己在环境里乱动用“碰了才知道”的方式来生成数据配合奖励信号筛选出有效行为。我个人的判断是2026年交互数据会像前几年的互联网文本一样成为最抢手的资源。谁掌握大规模的“动作-结果”数据谁就有机会训练出真正理解物理规律的系统。有一家做仓储机器人的团队靠的就是让一批机器人在仓库里连续几个月自主搬运、自主碰撞、自主调整积累了几十万条“推箱子失败-改变力度-成功”的轨迹数据最后在分拣准确率上拉开了明显差距。2.3 数据管线里的隐形成本很多人低估了交互数据的处理成本。原始传感器数据进来之后需要做多模态对齐摄像头画面里的杯子要对应到机械臂坐标系里的位置触觉传感器反馈的力度要对应到电机电流的读数动作记录要和最终的任务成功与否关联起来。这一套标注流水线往往比采集本身更费时间、更费钱。我当时跟一个做灵巧手项目的朋友聊他说最耗精力的不是训练算法而是“数据的清洗和校准”。同一套收回动作传感器的延迟偏差会导致训练结果完全不一样。经验是与其一开始追求海量数据不如先建好一套可靠的数据采集与同步标注管线再把数据量加上去。这个顺序反了后面大概率要返工。3. 方向二从概率拟合到因果机制——世界模型的底层逻辑3.1 概率模型擅长“像”不擅长“因为所以”现在是Transformer架构主导的AI时代这类模型干的一件事本质上就是“基于大量历史数据预测下一个最可能的token”。它在统计意义上做得非常漂亮能生成流畅的文本、逼真的图片。但“最可能”不等于“最正确”。我给你一个自己常用来测试模型的脑筋急转弯桌面上放着一个空杯子你松开手杯子会怎样模型会说“会掉到地上”。再问如果在月球上呢模型可能还知道“会飘起来”。但如果你接着问如果杯子质量变成地球上的十倍从同一高度落下落地瞬间的冲击力会有多大变化很多模型就开始语无伦次了——它能背出自由落体的公式却不会把“质量-速度-冲击力”这条因果链连贯地推理出来。这正是“概率拟合”和“因果理解”的分水岭。概率模型能做插值能应付训练数据里出现过的组合但对没见过的物理条件组合就经常翻车。真实世界的物理场景几乎不会完全重复你让机器人面对一只没见过的异形杯子它不能靠“背过某条规则”来行动必须靠“理解这个物体的形状、重心、摩擦系数如何决定动作结果”来实时规划。3.2 世界模型到底是什么状态转换预测“世界模型”这个概念被讨论了很多年但一直缺乏一个清晰的工程定义。我理解的物理世界理解型世界模型至少包含三部分能力状态表征能把高维的视觉、触觉、听觉信号压缩成一个低维的“当前世界状态”状态转换能预测在当前状态下执行某个动作后世界会进入什么新状态结果预测能基于新状态判断任务目标达成的程度。举个例子一个抓取策略的“世界模型”要能回答我看到一个陶罐放在桌边状态表征我现在去夹它的瓶口并向上提起动作陶罐会不会挪动、会不会滑落、会不会碰倒旁边的玻璃杯状态转换如果结果预测显示“可能会碰倒玻璃杯”模型就要在动作序列里提前绕开。这和视频生成模型有本质区别。视频生成模型能在像素层面生成“一个人走向桌边拿起杯子”的画面看起来很像但它没有建立“杯子的重量是多少”“手指施加的力够不够”这些内部状态。视频预测是“外表模拟”世界模型是“机制推演”——这是我最想强调的一点。3.3 物理归纳偏置给神经网络装上“物理先验”要让神经网络具备因果机制除了等它自己从交互数据中学出来另一个有效手段是显式地加入物理归纳偏置。常见做法包括等变性约束让模型对物体的旋转、平移有天然的一致性理解而不是死记硬背每种角度下的样子守恒量建模在预测物理过程时把能量、动量等不变量作为约束条件减少荒谬的预测结果符号物理层用可微的物理引擎把“刚体运动学”“碰撞响应”这些传统物理规则嵌入神经网络让模型在前向传播时天然遵守物理定律。这类做法相当于给一个没有常识的孩子提前发了一本“物理定律手册”。缺点是会牺牲一些灵活性毕竟真实世界不全是刚体还有液体、布料、可变形物体等更复杂的情况。但工程上“先用物理先验约束住90%的常见情况再用数据学习剩下10%的例外”远比“全部交给数据瞎猜”要靠谱得多。4. 方向三从感知到行为闭环——多模态具身智能4.1 “看懂”和“做到”之间隔着一整条执行链过去大多数AI产品停在“感知智能”识别这张图里有什么、这段视频里发生了什么、这句提问该怎么回答。但物理世界理解必然要走向“行为智能”——不仅要知道是什么还要知道怎么动、动了之后怎么调整。拿“收拾餐桌”这个任务拆解你会发现模型需要的不只是一张会看图说话的大脑先看清桌上有哪些物品它们的位置关系是怎样的判断哪类物品该收进柜子、哪类该放回冰箱规划手臂运动轨迹避开桌上的汤碗执行抓取动作根据触觉反馈实时调整力度放置完成后检查桌面确认下一个目标。这五个环节任何一个出错整个任务就失败。传统AI把“看清”和“做对”分成两个独立模块但物理世界里的行为往往倒逼感知——你只有伸手去拿才会发现这个杯子比看起来重得多。感知和行为必须形成闭环互相校准。4.2 具身智能的训练范式不是在教室里考试而是在操场上练习为什么具身智能的训练方式和现在的语言模型很不一样因为它不能只靠“看大量资料”学会动作它必须有身体的探索反馈。一个常见的训练流程是这样的在仿真环境里让智能体从随机状态出发尝试各种动作通过强化学习的奖励信号抓稳了加分、摔碎了减分更新策略结合少量人类示范数据进行行为克隆让初始策略更合理策略成熟后迁移到真实机器人上用真实反馈继续微调。这个流程里世界模型扮演着“内部模拟器”的角色——策略在行动之前可以先在脑海中的世界模型里推演几遍挑一个成功率最高的方案再执行。比如抓取一个易碎品模型先在内部模拟里试了三种力度选了一种最稳的再控制机械臂出手。这套“先想后动”的机制是具身智能成熟度的重要标志。4.3 哪些场景能先跑通从落地难度看2026年最可能先跑通的是“有限环境里的重复性物理任务”生产线分拣、仓库理货、实验室样本搬运、厨房备菜。这些场景有几个共同特点环境变化范围有限任务目标明确失败代价可控。真正意义上的通用家庭机器人还需要解决太多长尾问题你的客厅里可能有充电线、地毯边角、猫尾巴等各种规则外的东西任何一个“没见过的组合”都会导致策略失效。所以我的建议是关注具身智能的读者不要一上来就盯着“人形机器人全屋整理”这种宏大叙事而是看它在某个垂直场景里能不能比人工更稳定、更省钱。把这个单点打穿比十个花架子Demo都有价值。5. 三大方向的交汇点与工程现实——现在动手做什么5.1 三个方向其实是一条主线把前面三点放在一起看它们不是三条互不相干的支线而是一条主线上的三个环节交互数据解决的是“模型拿什么学”的问题世界模型解决的是“模型学到的是表面还是机制”的问题具身智能解决的是“模型学到的机制如何产生行动价值”的问题。所以真正值得做的项目往往是三个方向有重叠的地方。我建议从业者优先选这样的项目使用交互数据、训练一个带有物理先验的小规模世界模型、并让它在某个实体或高逼真仿真环境中完成具体任务。哪怕任务很小这整条链路跑通积累的经验比单纯刷一个更大的语言模型有价值得多。5.2 适合个人和小团队的切入点普通人听到“具身智能”“世界模型”会觉得门槛很高但2026年的现实是开源仿真环境已经很成熟个人开发者完全可以从这些入手在开源仿真环境里做一个单臂抓取策略使用现成的数据集和预训练视觉模块用自己搭建的桌面机械臂采集几十小时的交互数据训练一个小型状态预测模型结合现成的视觉语言模型做任务规划把“看到目标”转成“规划动作序列”最后在真实机械臂上做迁移测试记录领域鸿沟的细节。这个路径不需要造人形机器人也不需要从零做大模型每一步都有现成工具可以借力。关键是动手把闭环跑起来而不是停留在“看论文、刷理念”的层面。5.3 别急着做人形先做单点能力经常有人问我“2026年做人形机器人是不是风口”我的回答通常很直接如果你没有强大的机械、控制和资金实力先别跳进人形这个大坑。人形机器人的难点不只在AI电机、减速器、关节散热、可靠性每一项都是“硬骨头”。个人团队更适合做“单点物理理解能力”的验证比如一个能把任意姿态的水杯稳定抓起的视觉-触觉融合算法一个能在桌面场景里准确预测物体运动轨迹的小模型。这些单点能力未来无论嵌入哪个机器人形态都会有用。聪明的方式是成为某个具体物理理解能力的供应商而不是试图同时搞定大脑和身体。6. 从项目里看到的坑与对策——几个实在的体会6.1 仿真与真实的“鸿沟”比想象中大很多人在仿真环境里跑到95%以上的成功率一上真机就掉到三成这种情况太常见了。仿真里的光照、摩擦力、传感器噪声都过于理想模型习惯了“完美条件”一到真实世界就失灵。对策主要有两个一是采用域随机化在仿真里刻意加入随机光照、随机纹理、随机物理参数逼着模型学到不变的本质特征二是渐进式迁移先在仿真里训练到七八成再上真机微调而不是追求仿真满分再过去。这个顺序非常关键。6.2 数据闭环的成本被严重低估我在前面提到过数据管线的隐性成本这里再具体一点。一个真实机器人遥操作采集动作示范假设每天有效采集3小时一个月下来可能只有几千条有效轨迹。而这几千条轨迹要经过清洗、对齐、标注、增强才能变成可训练的数据集。很多人把预算主要花在买机器人上结果发现数据加工的费用远超预期。对策是提前设计好“数据飞轮”机器人在真实使用中持续产生数据自动回流到训练管线定期更新模型。哪怕一开始模型很笨只要闭环能转起来数据和能力就会一起增长。反之如果每次优化都要人工去整理数据项目大概率会卡死在“数据整理”这个无底洞里。6.3 物理理解的评估标准还没统一最后一个坑是整个行业都还缺一套可靠的“物理理解能力”评估基准。现在评测模型大多还是看文本问答、看视觉问答、看任务成功率但这些指标都不能直接测出“模型是否真的理解了物理机制”。比如一个抓取任务成功率高的模型可能是因为它记住了很多常见抓取姿势而不是真正理解了重心和摩擦。我的建议是团队内部至少建立三类测试反事实测试改变某个物理属性看模型预测是否随之合理改变、干预测试人为改变环境状态看模型能否适应、泛化测试把同一套物理规律放到陌生场景看模型是否还能用。哪怕没有统一的行业标准先用自己的基准筛选出“真正懂物理”的模型也比被虚假的成功率指标忽悠强。最后再说一点个人判断2026年不会是某项单一技术突然“封神”的一年而是数据形态、模型目标、评估标准三者协同转换的一年。对做AI的人来说与其继续追逐下一个更大的参数规模不如花时间思考一个问题你正在做的事是否让机器离“理解并应对真实物理世界”更近了一步我的答案倾向是沿着这个方向走无论市场怎么波动长期价值都不会跑偏。