通信行业2026智源大会启示录：具身智能的瓶颈与突破

内容目录具智：届源会的心题 3论与旨讲身智与界型两主线 3合伙：身能国产力星耀 3现展：大现看机人做么？ 4初：操、糖芦 4中：主抓放酒店色圾袋 5高：机乓实对战 5力跨体自对打 5界仍赖光与外动捕 6瓶与破嘉眼的主瓶、应法进度 63.1燃数据 6颈带签遥作数贵难模化 6决案第人人类频用预练共识强 7大与官感知理解 7颈四路未达物规律 7决案世模与VLA73.3标评测 8做工出独的脑公司 8栈研派 8脑/模平派 9目与间：器发展去何、时达 9终与期程碑 9时表：1-2与2-5年两口径 9到年 9到年 10抵路径 10投视角 10风险示 11图表目录图表1：2026北智大会媒类作伴部分） 3图表2：2026北智大会场器在人地遥作助串葫芦 4图表3：2026北智大会场器自整黑色圾袋 5图表4：2026北智大会场器与人打乒球 6图表5：智研院的世模分体系 8具身智能：本届智源大会的核心主题论坛与主旨演讲：具身智能与世界模型是两大主线6128具身智能是贯穿本届智源大会的核心主题，最直接的证据是论坛、主旨演讲与现场展台的密集设置，其中大会专门设置了具身智能与人形机器人论坛、世界模型论坛与具身产业CEO论坛。智源提出，随着多模态模型的研究深入，人工智能正经历一场重大的范式变革，正在从“预测下一个词元”演进到“预测下一个物理状态”，这是世界模型的核心本质。合伙伙伴：具身智能与国产算力双星闪耀PNDboticsBeingBeyond展区结构本身就是一条产业信号：具身智能被视为继语言模型和多模态模型之后新的算力与数据需求引擎。语言模型消化的是文本，具身智能要消化的是真实世界的感知与动作数据，对算力、数据采集与零部件都会形成新一轮需求。图表1：2026北京智源大会时媒体类合作伙伴（部分）源官现场展示：从大会现场看机器人能做什么了？把大会现场展示的机器人场景排在一起，能看出一条清晰的能力梯度，也能看出真正的难点：（Mobile,PickandPlace现场“点状能力”已相当丰富，真正待解的是把这些能力在不受控环境里稳定、泛化地串起来。初级：遥操作、串糖葫芦Moz1WBC（Moz1让Moz1图表2：2026北京智源大会现场机器人在真人本地遥操作辅助下串糖葫芦寻智能官方公众中级：自主“抓拿放”酒店黑色垃圾袋非端侧模型跑在机器人本机算力上，对酒店这类网络不稳定、对时延敏感的场景尤为重要。图表3：2026北京智源大会现场机器人自主整理黑色垃圾袋广高级：人机乒乓球实时对战机器人已能与真人自主对打乒乓球，且同一套算法可驱动多种本体。乒乓球这类高速、连续、需预判的任务，对感知与控制的实时性要求很高。智源与北京大学联合推出的SpikePingPongA、宇树G1图表4：2026北京智源大会现场机器人与真人对打乒乓球源官现场细节说明，这种“泛化”仍依赖强先验与外部设备。笔者观察到，现场所用乒乓球为特殊材质、球台四周架设动作捕捉摄像头——系统是在被简化、可被精定追踪的环境里运行的，与任意光照、任意球桌下的“野外泛化”仍有距离。瓶颈与突破：嘉宾眼中的主要瓶颈、对应方法与进度针对上述瓶颈，产业已形成扩数据、补大脑与强感知、定标尺与上保险、做分工等几组方法，但多数仍处早期。华大学交叉信息研究院助理教授高阳给出千寻内部定量结论：Spirit系列预训练数据每102.510VLA（语言scalinglaw。BeingBeyond（）针对数据瓶颈，仿真合成、人类数据、真机数据集规模化等多路并进，目前并未收敛，各家尚在探索。人类第一人称视频在本届论坛被反复提到，已接近成为预训练的共识路径。UMIego-centric，dataego-centric物理理解与泛化是更深的瓶颈：现有技术路线学到的都不是真正的物理规律。智源研究院院长王仲远把现有世界模型分为四类，并称智源正在探索融合第一条与第四条路线：VLM、VLASoraSeedance3D重建以及李飞飞团队的WorldLabsMarble3DJEPA/VLA融合世界模型在本届论坛被讨论得很多，它指能学习环境如何演变、从非预测动作后果并据此规划的AI系统。产业界对“世界模型与CEOVLAVLAVLAD（（cornercase）来补足VLA。（TheOmniVLA图表5：智源研究院提出的世界模型分类体系皮NeoCognition联合创始人谷雨提出评价AI自我提升的能力要看“学习曲线”非时某一刻的分数，西湖大学人工智能系特聘研究员林涛把智能定义为“单位时间内的能力增长速度”。他提醒具身研究不应被VLA（system-level）问题与真实交互能力，并把体育任务视为全身智能的理想试金石——滑板、羽毛球、乒乓球、足球等兼具结构化规则、强交互与重力摩擦等物理变化，既需小脑稳定执行、又需大脑策略判断，是大小脑协同的天然测试场；他坦言扣杀等高动态动作“十次成功两三次”仍是领域现实，传感器、触觉、力控与全身系统工程往往比在噪声很大的榜单上多刷一点分更具长期价值。做分工：出现独立的大脑公司全栈自研派ChatGPT环掌握在自己手里。硬件中时平庸、别人做不好的部分，必须进入自己的数据和模型循环，否则会被速度拖垮。IBM大脑/模型平台派/Being-H0、H0.5H0.7Being-H0.7目标与时间表：机器人发展要去向何方、何时抵达终局与近期里程碑产业界对具JimFanAlphaGo在专精任务上的突破，再由GPTScaling走向通用，最终在ChatGPTAlphaGoretarget到人形机器人上，学习CVAEmotionpriorlatentspacesim-to-realChatGPTcapabilityzero-shot70%80%accessibility时间表：1-2年与2-5年两种口径一到两年把各位嘉宾的判断按时间轴排开，可以看到明显的“近端密集、远端发散”。最积极的一档落在一到两年内：千寻智能高阳预计未来一到两年具身基础模型会显著进步，边际部署成本下降，产业繁荣的开端会出现；它石智航丁文超则判断未来一年触觉硬件会快速演进、力／触觉将逐步成为高端操作任务的标配。121810001两到五年略稳健的一档落在两到五年。BeingBeyond23它石智航丁文超主张用三到-语言-VM智源王仲远持谨慎乐观，认为至少未来三到五年世界模型都将处于持续演进迭代之中，可能突然爆发、也可能久攻不下。抵达路径智元罗