ARTICLE · 人工智能
王潜想要的具身大脑，数字世界根本给不了
一语总结自变量王潜在 2026 世界机器人大会演讲中系统阐述：具身智能需构建平行于数字世界的「物理世界基础模型」，主张端到端架构、动作模态特殊性、数据即工业品，并实测工厂产线 ROI 超人类验证路线正确性。
文章记录自变量创始人王潜在 2026 年世界机器人大会（WRC）上的核心演讲实录。王潜指出具身智能不应将语言/多模态模型简单迁移至物理世界，而需构建独立的「物理世界基础模型」。核心论据包括：1) 人脑操作脑区规模媲美语言脑区，操作复杂度不亚于语言；2) 大自然以端到端「跨层直连」控制精细操作，验证端到端架构合理性；3) 动作模态与视觉/语言存在巨大鸿沟（如漏水瓶子案例），需大量真实物理接触数据预训练；4) 数据非标准化「石油」而是极度复杂的「工业品」，处理难度超模型本身；5) 开源加速产业演进，中国具身智能模型层面已齐头并进；6) 基建层面开源 Muon 分布式实现，消除通信开销并提升 30%收敛速度。关键里程碑：自变量在真实工业产线部署通用基座模型，仅用 3 个月实现 ROI 达人类水平，远快于同行 2.5 年，验证基础模型路线的泛化性与商业化可行性，预判「物理世界 ChatGPT 时刻」将在 5 年内到来。
- 物理世界需要独立的基础模型，而非迁移数字世界模型。
人脑操作脑区规模与语言脑区相当，证明操作任务复杂度不亚于语言；数字世界方法难以获得物理世界洞察，必须依赖真实物理接触数据训练专用基础模型。
- 端到端架构是大自然验证的最优解，而非工程权宜之计。
仅有负责精细操作的顶级皮层拥有直达脊髓的「跨层直连」，其他脑区均为分层控制；这种生物学结构证明端到端是解决高维发散动作空间的本质路径。
- 动作模态与视觉/语言存在本质鸿沟，需特殊处理与大规模预训练。
视觉上仅差几像素的两瓶水（一瓶扎孔），动作层面却截然不同（翻转漏水与否）；互联网视频对物理接触描述极差，必须构建统一大模型融合动作、视频、语言、三维重建等任务建立跨模态桥梁。
- 数据是极度复杂的工业品而非标准化石油，处理链路长于模型训练。
从定义、采集、判别、处理到反向优化的全链路复杂度堪比从原材料造机器人集群；盲目堆砌异构数据低效，需市场化分工与开源生态共建高质量数据集。
- 通用基座模型已在真实产线验证商业价值：3 个月部署达 ROI 超人类。
对比同行 2.5 年单点调试，自变量依托基座模型泛化性，在三个月内完成数据采集、训练、部署全链路打通，证明「沿途下蛋」模式下基础模型具备更低成本、更快速度、更强泛化的工程优势。
王潜想要的具身大脑，数字世界根本给不了
文章记录自变量创始人王潜在 2026 年世界机器人大会（WRC）上的核心演讲实录。王潜指出具身智能不应将语言/多模态模型简单迁移至物理世界，而需构建独立的「物理世界基础模型」。核心论据包括：1) 人脑操作脑区规模媲美语言脑区，操作复杂度不亚于语言；2) 大自然以端到端「跨层直连」控制精细操作，验证端到端架构合理性；3) 动作模态与视觉/语言存在巨大鸿沟（如漏水瓶子案例），需大量真实物理接触数据预训练；4) 数据非标准化「石油」而是极度复杂的「工业品」，处理难度超模型本身；5) 开源加速产业演进，中国具身智能模型层面已齐头并进；6) 基建层面开源 Muon 分布式实现，消除通信开销并提升 30%收敛速度。关键里程碑：自变量在真实工业产线部署通用基座模型，仅用 3 个月实现 ROI 达人类水平，远快于同行 2.5 年，验证基础模型路线的泛化性与商业化可行性，预判「物理世界 ChatGPT 时刻」将在 5 年内到来。
文章金句
"端到端不光是人类的'最佳实践'，同时也是大自然设计的一个结果。
"数据不应该是一个资源性质的东西，它应该是某种意义上的工业品，极度的复杂。
"我们确实是在走语言模型可能 5 年前走过的路上。
"在'沿途下蛋'的场景里，基础模型能做到比专用模型、比专家工程、比只做单点场景更好的效果、更低的成本、更快的速度。