当大模型已经在语言、数学、代码等数字世界完成能力跃迁，下一阶段人工智能的核心命题正在转向真实世界：机器人如何感知环境、理解任务、执行动作，并在持续反馈中自我进化？物理AI何时会迎来ChatGPT 时刻？近日，围绕行业最热议题，7月19日，智元、觅蜂科技联合主办2026世界人工智能大会核心分论坛“智启具身论坛2026——迎接物理AI智能涌现”。本次论坛汇聚清华大学、佐治亚理工学院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics、腾讯Robotics X 等海内外顶尖高校、机器人实验室与头部科技企业技术领军者代表，共同拆解物理 AI翻越 Scaling Law “物理墙”、实现通用物理智能涌现的可行路径。

模型决定起点，数据定义终局，打造可泛化、可优化、可进化的通用具身智能系统。本次论坛上，智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青带来主旨演讲《模型与数据飞轮：冲破物理墙，驱动物理 AI 智能涌现》。

姚卯青认为，理解物理 AI，首先要回到智能的两条主线：表征与闭环。表征，是对世界的抽象压缩；闭环，是智能体与环境之间持续发生的“感知、理解、决策、行动、反馈”循环。数字 AI 的成功，本质上是知识表征在数字环境中的成功；而物理 AI 的难点在于，它必须同时打通经验表征与真实世界闭环。

在姚卯青看来，物理智能要实现规模化，必须突破三道墙：一是数据墙，真实交互数据极其稀缺且获取成本高；二是表征墙，跨任务、跨场景、跨本体的统一物理表征尚未形成；三是闭环墙，真实试错代价昂贵、反馈缓慢，难以规模化。他表示，物理 AI 从“能演示”走向“能干活”，关键不在于单点模型能力，而在于能否形成可泛化、可优化、可进化的通用具身智能系统。

围绕这一目标，智元构建了“预训练—后训练—持续学习”的三阶段训练架构，沿着 VLA 与 WAM 两条路线持续演进，并推动二者走向统一的世界推理动作大模型（WRAM，World Reasoning Action Model），以此推出自研 GO-2 基座模型、Act2Goal 世界模型、GE-Sim 2.0 ，搭配 SOP、Genie Evolver 百台级分布式真机强化学习体系，从算法、仿真、真机训练层面打通规模化迭代闭环。

在数据层面，姚卯青介绍觅蜂科技打造了全链路物理 AI 数据基础设施，依托 MEgo 系列采集终端、MEgo Engine 治理平台与真机数据集 AGIBOT WORLD，构建分层数据供给金字塔与部署回流数据飞轮，从源头解决行业数据稀缺难题。姚卯青强调，当执行、回流、挖掘、更新形成自动化闭环，模型能力才能在真实世界中持续迭代。

这一技术飞轮已经在真实场景中获得验证。在江西南昌，传统3C平板量产产线完成规模化落地验证，产线作业成功率达99.99%。“模型决定起点，数据定义终局。当飞轮转动，智能涌现只是时间问题。”姚卯青表示，智元、觅蜂希望与全球学术界、产业界和开发者社区共同推动物理 AI 在真实世界中加速演进。