科技AGI约8分钟阅读

昨天发的系列第一期被后台拿下了，估计是碰到了某些敏感的词汇。简单复一下昨天聊了什么。

第一期讲了两个要点：

1. AGI是什么。你手机里的AI是偏科生，擅长一件事，换件事就歇菜。AGI（通用人工智能）是另一种东西，全科选手，什么都能上手。行业里各家都在往这个方向冲，但路线分叉了。

2. 梁的AGI路线。语言模型，思维链，智能体，持续学习，自我迭代，最后是具身智能。前两步已经走完了，今年在攻关第三步。所有能快速变现的方向他都说不做，只留一条路，把AI的脑子弄聪明。

今天就来看这条路线的最上面那一级：具身智能。

2026年7月的世界人工智能大会，具身智能第一次被抬到跟AI算力同等重要的位置。200多家公司带着300多台机器人来了。展馆从「舞台」变成了「车间」和「门店」。往年那种机器人跳舞、翻跟头、写书法的场景不见了，一个个穿着不同工装的机器人在拧螺丝、搬箱子、缝衣服、抓药、递咖啡。

机器人开始干活了。这是本届大会最核心的信号。

但走完一圈，你会发现一个奇怪的事。

左边：传统编程机器人在拧螺丝，动作精准流畅。右边：VLA模型机器人端杯子、递东西，动作缓慢发抖。

操作最熟练的机器人，反而不太「智能」。那些穿肉串的、配航空餐的、在货架上理货的，动作精准流畅，吞吐量惊人。但你仔细看就明白了，它们的每个动作路径都是工程师提前写好参数的。环境固定，流程固定，传统方案完全够用。换个场景？一行代码都跑不动。

而那些用着最新VLA大模型的机器人呢？VLA翻译过来就是视觉语言动作模型。你告诉它「我渴了」，它能听懂，会去找杯子、接水、端过来。理论上它什么都能做，因为它在用一套通用的智能策略做决策，不是死板的程序。

可是它端起一个纸杯，手在发抖。递杯冰淇淋，比人类小孩还慢。旁边不断有人围观，等它一只手抖了十几秒，终于把杯子递出去的时候，你心里只有一个想法。

这玩意儿连杯子都端不稳，你跟我说这是通用人工智能的方向？

越聪明的机器人越笨拙。越笨拙的机器人越实用。

这就是2026年具身智能最真实的样子。

具身智能为什么重要？因为人最沉重的需求全在物理世界。翻身、喂饭、搀扶、搬运、清洁。数字AI再聪明，也帮不了一位老人从床上坐起来。

但「走出来」比想象中难一万倍。

先说好消息。硬件方面，中国人形机器人供应链已经基本成熟。2025年，国内发布了51款人形机器人产品，全球出货量接近1.8万台，同比增长超过5倍。核心零部件国产化率持续提高。这届展会上，擎天租部署了60台人形机器人在展馆里当工作人员，承担讲解、接待、导航。走路、平衡、上下楼梯，身体层面的运动能力已经不是最大问题了。

但软件完全是另一回事。

机器人「大脑」现在的主导架构叫VLA模型（视觉语言动作）。原理是用大模型把摄像头拍到的画面和人类的语言指令，直接翻译成机器人的关节动作。它确实比传统编程灵活得多。问题是，这些模型绝大多数在虚拟仿真环境里训练，搬到真实世界就会水土不服。

斯坦福大学2026年的AI指数报告给了一组数字，非常刺眼。机器人在仿真测试中的操控成功率是89.4%，切换到真实家庭场景，骤降到12.4%。

不是调几个参数就能追回来。77个百分点的蒸发，是一道物理鸿沟。

打个比方。一个人在驾校场地里练了一千次倒车入库，地上标线清晰，旁边没有干扰车，次次满分。然后他上了真实的早高峰道路。人挤人、车乱窜、电动车从路口钻出来。他慌了，因为他训练的时候没见过这些。

机器人也一样。仿真器里的玻璃碎了，是理想化参数。现实里的玻璃碎了，是真碎片。手指捏瓶盖的摩擦力、布料折叠时的形变、鸡蛋的受力分布。这些毫秒级的微观物理现象，仿真器至今算不准，可能永远算不准。

所以回到开头的矛盾。为什么展会上最笨拙的机器人反而用了最先进的AI？

答案就两个字，泛化。

传统编程的机器人是偏科生。把一条产线上的一个动作做到极致精准，没问题。拧螺丝、配餐、理货，任务越固定，它越强。但它永远不会做第二件事。

VLA模型的机器人是全科选手。它理论上什么都能做，因为它理解语言、理解视觉、能自己生成动作。但它什么都能做，自然什么都不精。它端起杯子会抖，不是模型不够大，是它在用一套通用策略应对无穷大的现实变量。每一次操作都是一次「第一次」。

2026年CVPR的一场挑战赛验证了这一点。主流VLA模型在非预设场景下，任务成功率平均跌了超过50%。桌面换个颜色，灯光换个角度，物体换个朝向，模型直接失效。

行业把那个尚未到来的转折点叫做机器人的「GPT时刻」。就像Transformer出来之前，所有语言模型各做各的应用题，直到一套通用架构重新定义了全局。机器人大模型现在也在等这个东西。所有人都觉得会来，但没人知道什么时候来。

光是泛化问题还不够。具身智能要真正落地，至少还卡在四件事上。

第一件，仿真到现实的鸿沟。前面说的77%蒸发，根源是一个数学难题，叫接触问题。一个物体撞上表面，力在毫秒内激增和反转，这种突变在数学上是不连续的，没有任何数值方法能完美模拟。这不是算力的问题。是物理定律本身给这道题设了上限。

第二件，数据困境。训练一个大语言模型，喂它整个互联网的文本就行。训练一个机器人模型，你得让它亲手操作。一个单一场景的训练数据采集成本，少说几百万。美国《科学美国人》2025年底的深度报道说了一句大实话。支撑ChatGPT的大语言模型根本走不了具身智能的「捷径」，因为它们缺少从真实交互中获得的那种知识。高盛2026年调研报告预测，行业要积累数千万小时的高质量真机数据，大规模商业化才可能落地。时间窗口在2027到2029年。

第三件，续航。当前人形机器人充一次电能用90到120分钟。工厂一个班8小时。差太远。固态电池在可预见的未来还到不了消费级。这不是AI问题，是化学问题。

第四件，跨场景迁移。工厂A跑通的模型，搬到工厂B，货架高度不一样了，地面材质不一样了，光照条件不一样了。成功率立马跳水。每次场景切换都要重新采集数据、重新微调。根本谈不上通用。

四道坎，外加泛化那道天花板，横在「会跳舞的机器人」和「能干活的机器人」之间。差距不是一两个百分点，是77个百分点。

理解了这些坎，回头看那个六步楼梯，梁把具身智能排在最后一步的逻辑就清楚了。

前面五步，全在数字世界里完成。语言模型、思维链、智能体、持续学习、自我迭代，每一步都在纯粹的信息空间里推进。到了第六步，才让已经足够聪明的AI走进物理世界。

他的逻辑很简单。数字世界的问题，错了可以重来，成本是一堆电费。物理世界的问题，错了可能砸东西、伤人，成本不可逆。一个在数字世界里连持续学习都做不到的系统，怎么可能在物理世界里通用？

这跟展会上的现象完全对得上。展会上真正干活利索的机器人，全是任务固定、环境固定的窄场景。场景稍微开放一点，VLA就露怯了。说明什么？说明AI的脑子还没到能驾驭身体的程度。

先脑后身。听起来很合理。在2026年的技术现实下，这确实像一条阻力最小的路。

但有一种学术观点，看法正好相反---具身认知理论。核心思想一句话。智能不是在大脑里凭空产生的，它是在身体与环境的互动中长出来的。

看人类婴儿。一个孩子从出生到学会精确抓取，大约要经历一万八千次失败。每一次伸手、抓空、掉落、重来，都在校准他的手眼协调和时空感知。他通过摔跤学会了平衡，通过碰烫的东西学会了因果，通过推门和拉门学会了力的方向。

这些经验不是附加在认知上的装饰品。它们就是认知本身。没有这些物理交互，大脑里空有语言能力，却建不起对世界的直觉理解。

从这套理论看，先在数字世界把脑子练聪明，再给脑子装身体，这条路有一个潜在的盲区。你可能在培养一个从未碰过任何东西的博学盲人。他背书满分，考试第一，但他从来没见过杯子放在桌上是什么感觉，没体验过硬币从指尖滑落，不理解推和拉在物理世界里那些微妙的力差。

第一期里聊过，现在的语言大模型就像一个博学的盲人，能背百科全书，但从未见过真实世界。具身认知理论追问的是更狠的一层。这个盲人永远不可能通过背更多书来获得视力。因为「看」不是一种知识，是一种需要身体参与才能长出来的能力。

《科学美国人》那篇报道说得更直接。大语言模型从文本中学习的一切，跟具身知识说到底就是两种东西。

到底哪种说法对？现在没人说得准。婴儿的学习方式不能直接套给AI，AI的学习方式也不等于人类的翻版。但具身认知理论逼着一个绕不开的问题。

如果有些智能，必须先有身体才能获得呢？

所以回到那个在展会上端杯子的机器人。

它笨手笨脚，不是因为它的AI不够好。恰恰相反，它用的是人类目前能造出来的最先进的智能模型。它笨，是因为它太新了。它的脑子刚学会理解语言和图像，还没来得及学会理解重力、摩擦力和碰撞。

行业正在努力跨越那个「GPT时刻」。VLA之后，已经开始有人试一种叫WAM（世界动作模型）的新架构，让机器人先在脑子里推演「如果我这么做，世界会变成什么样」，再输出动作。方向有了，但离落地还有距离。

梁把具身智能放在路线的尽头。具身认知理论说，也许它不该排在最后，而应该跟前面几步交织在一起。

谁对，现在没答案。但有一件事是确定的。那个在展台上颤抖的机器人手，和AGI之间的距离，大致等于人类对「智能到底是什么」的理解深度。

第一期我们聊了梁的路线图。这一期我们看了这条路最远的那一步。下一期，我们来看这场路线之争的核心战场。语言模型派和世界模型派，到底在吵什么。这事可能决定了接下来十年AI往哪走。

「AGI路线」系列共四期，本文为第二期。第三期预告：LLM vs 世界模型，AGI的路线之争