WAIC 2026 圆桌:Physical AI 是 Agentic AI 之后的下一个范式吗?

微信公众号「腾讯科技」2026-07 推送 原文链接:https://mp.weixin.qq.com/s/R13v1uVIIL9HfW4r4ezDkg 一手来源:2026-07-17 上海「腾讯WAIC之夜」圆桌实录 主持:陈昱(云启资本);嘉宾:黄晓煌(群核科技)/骆怡航(生数科技)/张直政(北京银河通用机器人)

核心命题

Agentic AI 之后,Physical AI 正在被资本 + 政策 + 巨头同步重新定价;3 位 CEO 在”方向”上达成共识(Digital AI → Physical AI),在”路径”上明显分歧(物理仿真 vs 视频 vs 融合),在”落地速度”上分歧最剧烈——张直政给出”激进判断”:物理 AI Agent 到来会比数字 AI 大大缩短周期。

5 句核心金句:

8 个核心节点

节点 1:范式共识 — Digital AI → Physical AI

张直政凝练:”过去用 offline learning 构建 GPT;如果想构建能跟物理世界可靠交互的模型,要先把 offline learning 变成 online learning。”Digital AI Agent 是起点,Physical AI Agent 是其在物理世界的延伸,不是替代。

节点 2:纯软件 Agent 护城河薄弱

黄晓煌观察一年多后下注:”只做纯软件、没有行业沉淀的纯 Agent,护城河会越来越薄弱。大模型基本能把软件或 Agent 直接复制出来。”结论是大模型要做,但要做在大语言模型”射程之外”——可交互的世界生成。

节点 3:物理仿真路线(黄晓煌 · 群核)

“世界由不可见的因素组成,用纯视觉的方式不靠谱,视觉只是欺骗人类。”群核走结构化数据 + 参数化模型的偏物理仿真路径。关键判断:视频路线与物理仿真 80% 工作相似,最后 20% 才在收敛点分叉。

节点 4:融合路线(骆怡航 · 生数 Motubrain)

“单一路线必撞瓶颈。”Motubrain 走多模态融合:视频 + 物理强化 + 本体 + Ego。架构持续演进(Diffusion Transformer / MoE 混合)。已有”类似 GPT-2 → GPT-3 → GPT-3.5 的前兆”——长程任务规划与通用性开始具备可能性。

节点 5:世界模型三项能力(张直政 · 银河通用)

行业里很多定义不完整。三项能力缺一不可:(1) 建模动作对状态的改变(无论像素空间还是 latent space);(2) 以建模促进策略学习(更快学会技能 + 更可信输出动作);(3) 通用评价能力(行业盲区:环境改变好不好?动作结果是不是想要的?)。

节点 6:Harness-Model 共生与 One Model One System

“Harness 是数据飞轮,Model 是能力支撑,二者不可分。”与 [[Lilian-Weng-Harness-Engineering-自我改进]] “5 段优化路径 prompt→上下文→工作流→harness 代码→optimizer 代码”在终局判断上同主线。激进结论:”One Model One System”——Harness 最终被内化进模型,Digital AI 与 Physical AI 会大一统(”空间智能是 Physical AI 的一个子集”)。

节点 7:数据难题 = 物理世界数字化

“Coding 落地好 = 数字化高;自动驾驶落地好 = 在行驶中自动采集数据。”要解决物理 AI,最首要的是让物理世界信息尽可能进入数字世界——怎样规模化、低成本、批量把整个”宇宙”采集起来。类比反向适用于 Seetong(设备现场报警/录像的数字化程度 = 物理 AI 落地效果的卡点)。

节点 8:激进判断 — limited space + 全面通用

张直政的”激进乐观”:物理 AI 落地逻辑 ≠ “像人什么都能干”,而是”在有限范围里追求全面通用”——自动驾驶(驾驶场景里的通用)/ 银河通用”太空舱”(特定工厂产线)/ 特殊空间技能(落地的通用)。结论:物理 AI 落地门槛没那么高,Agent 到来会比数字 AI 大大缩短周期。

关联图谱

上游:黄仁勋 CES 2026-01(”物理 AI 的 ChatGPT 时刻即将到来”是引子);WEF 2026 初 + 德勤《2026 技术趋势》(物理 AI 已准备好主流部署的外部印证);李飞飞 World Labs Marble 估值 10 亿→50 亿(圆桌对照案例);市场规模(全球具身智能 2025 ~44.4 亿 → 2030 230 亿美元;中国 2035 突破万亿元)。

下游:机器人企业落地节奏;Three capability world model 工程化;One Model One System 终局进度。

同级:方法论对偶 [[Lilian-Weng-Harness-Engineering-自我改进]];战略对偶 [[Nikesh-Arora-模型过剩与记忆护城河]];样本对偶 [[Multica-AI-Native-组织-人是最慢的节点]];数据洞察对偶 [[深思圈-消费护城河不是注意力是环境]];组织战略对偶 [[麦肯锡-AI提效只是第一波红利]] / [[OpenAI-AI原生组织-4条工作原则]];机制补充 [[傅盛-李飞飞-机器人世界模型与人的自主性]](物理数据、世界模拟、行动规划与反馈闭环)。

6 个对 Seetong 团队可借鉴动作

  1. 设备协同 4 维体检:iOS/Android/Harmony/云端 + Seetong AI 助手 + SDK 六维是否真协同?每月 4 人共识检视
  2. 数据难题:神策 AlarmMessage 是否覆盖”现场物理状态”?不补永远卡在屏幕里看图
  3. Harness-Model 检查:Seetong AI 助手每个 Skill 是否配 Harness(批准/分流/协调/限定动作 4 种最小 Agent 模式)?
  4. Three capability 体检:最缺”通用评价能力”(多数 Skill 是生成类而非评价类)
  5. limited space 借鉴:挑 1 个场景(4G IPC 多分屏/报警消息列表/配网失败处理)半年内 AI 化
  6. 季度复盘 Physical AI 在监控/对讲/报警小场景的渗透

备注与限制