具身智能仍在“前GPT时代”：WAIC 2026揭示路线未收敛、工程落地尚早

事件概述

WAIC 2026展台上机器人演示叠衣服、冲咖啡、切菜等任务，但多位核心从业者指出，行业实际进度远不及展台画面所展现的。面壁智能姚远将当前阶段比作2018年的大模型（BERT、GPT、T5路线并存），认为统一框架尚未收敛；腾讯张正友形容最智能的AI仍是“缸中之脑”，无法在持续变化的环境中一边行动一边接收反馈并调整。

核心障碍：物理世界Scaling Law难以复制

智元机器人联合创始人姚卯青归纳了三道墙：

• 数据墙：真实交互数据稀缺且昂贵
• 表征墙：跨任务、跨场景、跨本体的统一表征尚未形成
• 闭环墙：真实试错代价高、反馈慢

面壁智能姚远则从模块成熟度划分：语言模型最成熟，多模态感知约70-80%，行动模块仅约40%。两人结论一致：Scaling Law在物理世界不能简单复制，因为互联网文本可累积，而机器人物理交互数据不会天然存在，统一表征比文本tokenization复杂得多，试错不可回滚且成本高。

路线之争：尚未收敛

目前至少有三条路线并行：

• VLA（视觉-语言-动作端到端）：姚卯青指出VLA缺少语言能力，无法做长程任务规划和判断。
• 世界模型：通过预测物理状态变化来指导决策。
• 智元提出的WRAM（世界推理动作模型）：整合世界模型与语言推理能力。

张正友主张认知系统、感知行动系统、底层反应系统分层协同，不同模块在不同频率运行（底层反应需100赫兹以上，感知行动10-15赫兹），而VLA将前后模块放在同一频率下，与物理世界交互时反馈跟不上。

姚卯青还指出，当前底层组件（Tokenizer、Encoder）均来自VQA和对话模型，并非为具身任务原生设计，行业仍在使用“改装发动机”，预计需百万小时级数据才能发展出原生架构。

从演示到工业落地：工程量巨大

展台演示与工厂现实之间存在显著差距：

• 博世智能科技刘敏：工厂要求99.8%准确率、节拍6秒为门槛。
• 智元在南昌3C工厂：首批项目需数月进行硬件软件集成、MES系统对接、通宵压测，一个月连续测试后才上主产线；从零到一需三四个月，产品化后才会缩短至一两周复制一个点。
• 越疆科技刘培超：机器人至少20个关节，行业通用要求5万小时MTBF，但大部分机器人目前可能连10小时MTBF都达不到。
• 灵巧手可靠性更差：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”，核心零部件未达到汽车行业16949标准。

艾欧智能丁哲章观察到，今年讨论“落地”的需求明显增加，但实际落地案例并未同步增长，场景方预期与模型和本体的实际能力之间存在断层。他提出“渐进式落地”：机器人做一部分，人监管一部分，接受中间状态。腾讯云黄阳认为长尾效应明显，技术快速推进至60-80%，但最后20%需要大量时间填补。

多位从业者给出了接近但不算近的时间线：

• 姚卯青：2027年底到2028年初可能出现较强的涌现时刻。
• 面壁智能刘知远：端侧模型还需1-3年。
• 丁哲章：类比自动驾驶——十年前宣称2025年L5，十年后仅为“差不多可用”，具身智能也会经历预期修正。
• 张正友：具身智能需要类似ChatGPT的节点，即真正能依赖、稳定做事的系统。
• 光轮智能杨海波：今年是“跑通”年，明年才能“算账”；预测明年本体价格降至今年十分之一，稳定性提高百倍，但软件、数据、评测等基础设施缺口不会随硬件改善自动消失。

综合判断：短期（今明两年）为特定场景工程跑通，中期（2027-2028）可能出现能力涌现，通用具身智能从工厂进入家庭将远慢于多数人预期。