吐槽大会

六位具身智能大佬同台：机器人的ChatGPT时刻，还有几年？_我的网站

武林外传

A | 该图片使用了AI生成技术本文来自微信公众号：具身商业前哨，作者：何安这次去上海参加WAIC，让我印象最深的活动是“智启具身论坛2026——迎接物理AI智能涌现”。

B | 这场论坛的含金量，不只在于智元、PI、Dyna、Sunday、腾讯和高校研究者坐在同一张桌子上，更在于他们讨论的是数据从哪里来、模型往哪走、本体要不要自己做这些行业尚未回答的硬问题。论坛最后，主持人问了一个所有人都关心的问题：机器人的“ChatGPT时刻”，到底什么时候来？智元合伙人、觅蜂科技董事长兼CEO姚卯青说，两年； Sunday Robotics联合创始人兼CEO赵子豪说，三年以内；腾讯首席科学家、腾讯Robotics X实验室主任张正友说，三到五年； Dyna Robotics联合创始人兼首席科学家马也骋说，四年左右； Physical Intelligence研究科学家任至意说，四到五年；佐治亚理工学院徐丹飞教授给出的答案是五年。几位嘉宾所在团队的技术路线和产品落地方式并不相同，但他们给出的时间判断却出奇地接近：两到五年。

[ 专业评测] 新款智己L6(参数|询价)已经在5月初正式上市了，如果单看外观内饰造型的话，你可能觉得它并没有什么变化，但事实真的如此吗？其实，此次智己L6升级重点之一在于全新的电机，它也着实给了我们很多惊喜，为什么这么说呢？通过本期《之家实测》中的数据，来一起揭晓答案！

基础性能

本次实测的车型为2025款 Pro Max，厂商指导价为25.49万元，车辆采用后置单电机的驱动形式，电机最大功率为408马力，最大扭矩达到500牛·米。这个共识，比我想象中更激进。

C | 加速测试前智己L6的电池电量为99%，我们将驾驶模式调至“运动”，关闭电子稳定系统。

加速测试中，全力踩下加速踏板，智己L6在起步阶段会发生抖动，速度超过大概5km/h后才会爆发出全力，全程轮胎未出现打滑现象。

D | 读取实测数据：车辆0-100km/h加速时间为4.60s，与官方宣称的4.6s丝毫不差，平均加速度为0.60g。当速度超过75km/h左右后，车辆的动力开始有所衰减。

智己L6前轮采用四活塞制动卡钳，后轮为单活塞制动卡钳，均匹配通风盘式制动器。值得一提的是，车辆的制动系统来自于大陆，橙色大尺寸卡钳确实足够吸睛。不过，这些数字背后的口径未必相同。

智己L6不仅制动成绩较好，稳定性也非常出色。

E | 全力制动过程中，智己L6对车身俯仰姿态控制得较好。姚卯青给出的定义相对明确：机器人能够开箱即用，听懂开放式自然语言指令，并在常见任务上达到70%—80%左右的基础成功率。制动踏板软硬和行程适中，大力制动过程中不会有多余的振动和回弹。

F | 车辆在紧急刹停后，双闪会自动打开，车辆再次起步速度超过20km/h后自行熄灭，有效警示后车，降低被追尾风险。

驾控安全性

麋鹿测试前，我们将智己L6的相关设置调至工况所需，驾驶模式为舒适，动能回收为“关闭”状态，最终测得最高通过车速为80.9km/h。

麋鹿测试中智己L6的动态表现非常出色，从A区进入B区时车辆反应灵敏、准确，车手所做出的动作都能积极的体现在车辆行驶状态上，动态表现虽已足够出色，但在驾驶的厚重感、流畅度上与特斯拉Model 3仍有细微差距。但其他嘉宾并没有逐一定义自己的标准。

G | 所以，大家对时间看似形成了共识，但对“什么才算机器人的ChatGPT时刻”，其实还没有共识。电子辅助系统方面，在介入时机、力度、延续性方面都较为中性，可以有效帮助车辆修正行驶轨迹，并不打乱车手驾驶节奏，主观感受上对轮胎附着力的提升有很大帮助。

H | 整场讨论中，有三个问题最受关注：机器人的数据飞轮怎么形成？“VLA已死”是不是一句伪命题？具身智能公司是不是正在走向软硬件全栈？这三个问题，正好构成了理解当下机器人行业的三条主线：数据决定机器人如何进化，模型决定智能如何涌现，软硬件路线则决定谁能把能力真正变成产品和生意。

I |

驾乘舒适性

车辆舒适性配置比较丰富，实测车型还选配了主驾座垫软硬调节。舒适性配置方面，车辆两排座椅均支持加热，前排还支持通风和按摩功能，方向盘加热以及双温区的空调也没有缺席。一、机器人的数据飞轮，不是采出来的过去几年，大语言模型的成功，给了机器人行业一个直接的想象：只要不断扩大数据、算力和模型规模，机器人是不是也会迎来一次能力涌现？可问题是，大语言模型需要的数据本来就存在于互联网上。机器人需要的物理经验，却没有统一的数据来源。姚卯青在现场做了一个估算：头部语言模型的预训练已经达到100万亿Token量级。

空间表现

智己L6的车身长宽高分别为4937×1960×1474mm，轴距为2950mm，定位于中大型车。如果要让机器人真正开箱即用，可能需要一亿小时级别的数据。车内前排头部空间较为充裕，后排头部空间稍显局促，腿部空间较好。车辆并没有配备手套箱，整体车内储物空间表现中规中矩。这一亿小时从哪里来？真机数据质量高，但采集成本太贵；仿真容易扩大规模，却始终存在虚实差距；互联网视频和第一视角数据数量足够，却未必能看清最关键的手部动作和力觉信息。中央扶手箱容积并不算大，好在内部带有空调出风口。

能耗经济性

智己L6 2025款 Pro Max采用的是来自宁德时代的三元锂电池，容量为100kWh，实测车辆配备的是19英寸轮圈，官方CLTC续航里程为822km。讨论中，一个被反复提及的数据来源是UMI。你可以简单把它理解为一种低成本的人类操作数据采集方式：人拿着采集装置完成任务，系统记录视觉信息和动作轨迹，再把这些经验转成机器人可以学习的数据。

J | 赵子豪认为，短期来看，UMI可能是最高效的规模化数据来源。但他同时强调，长期真正重要的还是部署数据。两句话放在一起，恰好勾勒出一条可能的数据路径： UMI解决“机器人还没有大规模上岗之前，去哪里获得经验”；部署数据则解决“机器人上岗以后，如何越干越好”。任至意更看重真机数据，同时主张通过多源数据和跨本体训练，提高模型的泛化能力。在续航测试开始之前，我们先按之家实测标准完成车辆设置后满电出发。

智己L6在剩余电量3%时，表显剩余续航里程显示为“--”，实测综合续航里程为795.2km。马也骋则把这些数据总结成一个“数据金字塔”。底层是规模最大、成本最低的互联网视频和人类第一视角数据，中间是真机多任务数据，塔尖则是数量最少、价值最高的部署数据，尤其是机器人犯错、停顿、恢复并最终完成任务的过程数据。它不是在告诉机器人“理想情况下应该怎么做”，而是在教机器人“真实世界不按剧本走的时候怎么办”。 Dyna在酒店部署机器人完成折毛巾、折餐巾等任务时，会把前几次部署的数据重新放回预训练。结合官方CLTC 822km的续航里程以及102.795kWh的充入电量计算得出车辆实测综合续航达成率为96.74%，综合能耗为12.93kWh/100km，表现非常出色。随着数据积累，进入下一家酒店需要重新适配的时间就会缩短。表面看，嘉宾们都认同多种数据需要组合。

K | 但真正到了资源投入上，各家公司押注的重点并不一样：有人优先扩大人类操作数据，有人坚持真机数据，有人则直接进入真实场景，用部署换数据。

L | 这里有一个典型的鸡生蛋问题。没有足够好的模型，客户不敢让机器人上岗；没有真实部署，机器人又拿不到最有价值的数据。此外，经过实测，智己L6会在剩余续航里程70km、30km时，通过声音以及文字提示电量低，但并不明显，驾驶员还是要多加留意电池电量。

M |

全文总结：

总体来看，智己L6的实测成绩确实给足了惊喜。在续航表现上极为出色，实测综合续航里程接近800km，达成率更是高达96.74%，并且尽管只有单电机，0-100km/h的加速时间也不到5秒，可谓不仅能跑得快，也能“吃”得少。不过相对来说，空间表现中规中矩，自然是鱼和熊掌不可兼得。说白了，机器人的数据飞轮不是采出来的，是在真实场景里干活干出来的。截止到发稿时，新款智己L6上市已有一个月时间，依旧还提供上市福利，如果您感兴趣的话不如抓紧时间去了解一下吧！（图/文孙嵩韬摄实测团队）

。二、“VLA已死”，死的可能不是VLA 最近，具身智能行业很流行一句话：“VLA已死，世界模型当立。” 但在这场圆桌上，这场争论被进一步落到了VLA与WAM（World Action Model，世界动作模型）两条路线上。 VLA是根据视觉信息和语言指令生成动作的模型；WAM则更强调世界如何变化，以及不同动作可能带来什么结果。

N | Dyna确实从早期的VLA路线，逐渐把更多精力转向WAM。

o | 马也骋提到，在一些强调鲁棒性、少量数据和高成功率的任务里，WAM可能比VLA更高效。那么，VLA真的要被淘汰了吗？任至意并不认同。他认为，到目前为止，还没有看到哪家模型做出明显超过π0.7的演示效果。π0.7是PI推出的新一代通用机器人模型，也是PI对VLA路线的一次重要升级。更关键的是，任至意认为VLA与WAM并不冲突。VLA本身也可以吸收世界建模和未来预测能力。机器人最终既要理解语言和当前环境，也要预测未来结果。

p | PI的做法，就是先生成未来的子目标画面，再用这个画面引导底层模型执行动作。智元也没有简单押注其中一条路线，而是在推动VLA与WAM融合，探索世界建模、推理和动作能力进一步结合的模型体系。这场讨论的张力就在这里。任至意用π0.7说明VLA仍有很强的竞争力，马也骋则用真实任务中的效率和成功率说明WAM的价值。两个人没有直接否定对方，但公司的技术下注已经给出了不同答案。张正友又把问题往前推了一步。他认为，具身智能远没有形成类似大语言模型Transformer那样的统一架构。一个真正的机器人智能体，至少要包含认知系统、感知行动系统和底层反应系统。上层负责复杂推理和任务规划，中层负责感知与动作生成，底层则要以极高频率控制电机、处理碰撞和保持平衡。

q | 你不可能让一个数千亿参数的云端大模型直接控制每一个电机，也不能指望一个三四十亿参数的端侧模型解决所有问题。

r | 所以，“VLA已死”很可能从一开始就是个伪命题。未来形成主流的，大概率不是纯粹的VLA，也不是单独的WAM，而是一套融合语言理解、世界建模、未来预测、推理规划和实时控制的系统。 VLA没有死。真正可能死掉的，是“靠一个模型解决机器人所有问题”的想象。三、全栈能力会成为趋势，但全栈生意未必会第三个问题，是机器人公司究竟应该只做“大脑”，还是连身体一起做。 PI现阶段主要做通用基础模型，没有选择自己研发和销售本体。任至意坦率地说，没有自研硬件，确实可能导致部分任务无法完成。但PI目前更看重模型快速迭代，因此优先使用结构简单、维护成本低的机器人搭建研发基础设施。这是一条典型的“大脑路线”：先把通用模型能力做出来，把本体作为研发基础设施，而不是现阶段的商业重点。

s | 腾讯的选择也很明确。张正友说，腾讯只做大脑，不会卖本体。他甚至开玩笑说，腾讯过去做硬件基本没有成功过，所以要有自知之明。

t | 但腾讯的Robotics X实验室从2018年成立以来，却一直保留着硬件研发。因为如果没有真正做过硬件，就很难理解触觉、力觉、关节控制和端侧算力，究竟会给模型带来什么限制。这是一条很微妙的边界：商业模式上可以不卖本体，研发上却不能不懂本体。智元走的是另一条路。姚卯青认为，一旦机器人进入客户现场，面对的就不再是论文指标和Demo效果，而是可靠性、成本、成功率和一致性。这些问题没办法只靠模型解决。端侧芯片能运行多大的模型，电池能工作多长时间，关节如何控制，整机能不能稳定量产，都会反过来决定机器人的智能上限。 Sunday Robotics选择三指夹爪，也是同样的逻辑。赵子豪认为，机器人的手要在成本与能力之间做平衡。三指夹爪追求的是用20%的成本获得80%的能力。今天，通用机器人迟迟没能大规模进入家庭和更多真实生产场景，未必是因为少了两根手指，更可能是因为智能不够、成本太高、稳定性不足。这正是全栈路线的价值：不是为了什么都做，而是在模型、算力、本体、控制、成本和场景之间更好地做取舍。那么，软硬件全栈会不会成为新趋势？我的判断是：全栈能力会成为趋势，但全栈商业模式未必会成为唯一答案。未来，机器人行业很可能会出现类似苹果的公司，模型、本体、系统和产品都自己完成；也会出现类似安卓和Windows的平台，只做通用大脑，适配不同本体。

u | 但在今天，本体、传感器、灵巧手、芯片和控制系统都没有标准化。即使一家公司的最终目标只是卖“大脑”，也很难完全绕开身体。没有一家公司还能假装硬件不存在。四、两年还是五年，其实没那么重要这场论坛听下来，我最大的感受，是机器人行业远远没有收敛。

v | 哪种产品形态最适合家庭和工厂，没有答案；VLA、WAM、端到端模型和分层系统，谁会成为主流架构，也没有答案。数据配方仍在变化，商业模式同样分散。有人卖整机，有人做模型，有人做数据平台；有人押注工厂，也有人瞄准家庭。表面看，这是一种混乱。换个角度看，这也是机会。在一个尚未收敛的行业里，大厂和创业公司、中国团队和美国团队，都没有提前拿到标准答案。所以，听完整场论坛，我反而不太在意答案究竟是两年还是五年。机器人的“ChatGPT时刻”，不会只由某一次模型发布宣布到来。它真正出现的标志，是数据、模型、本体与真实部署第一次形成自我加速：机器人部署得越多，积累的数据越多，能力提升越快，进入新场景的成本也越来越低。在这之前，所有时间表都只是预测，所有路线都还在验证。本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。