我最近跟幾個(gè)做機(jī)器人和自動(dòng)駕駛的朋友聊了聊大家的共識(shí)出奇一致2026年初開工以后已經(jīng)沒多少人再拿“多少億參數(shù)”“多少T算力”說事了。朋友圈里曬的不再是某某實(shí)驗(yàn)室發(fā)布了多大參數(shù)的大模型而是哪臺(tái)機(jī)器人在真實(shí)倉(cāng)庫(kù)里連續(xù)干了八小時(shí)沒讓人干預(yù)哪個(gè)車隊(duì)在沒有安全員的情況下穩(wěn)穩(wěn)通過了復(fù)雜路口。這個(gè)轉(zhuǎn)變其實(shí)醞釀了一兩年但2026年感觸尤其強(qiáng)烈?！皡?shù)競(jìng)賽”的敘事正在快速退潮接棒的是一個(gè)更硬核的詞——“物理世界理解”。我把最近跟一線團(tuán)隊(duì)交流得到的碎片信息整理了一下結(jié)合自己這些年在AI和機(jī)器人交叉領(lǐng)域踩過的坑把2026年AI技術(shù)最明顯的三個(gè)進(jìn)化方向拆開聊聊從拼參數(shù)到拼理解到底發(fā)生了什么、三條主線分別是什么、作為從業(yè)者我們?cè)撛趺凑{(diào)整自己的姿勢(shì)。這篇文章不堆概念重點(diǎn)是你讀完之后既有對(duì)趨勢(shì)的判斷也能帶走幾個(gè)對(duì)工作有實(shí)際參考價(jià)值的行動(dòng)點(diǎn)。1. 別急著聊趨勢(shì)先看懂“參數(shù)競(jìng)賽”為什么退潮1.1 風(fēng)向變化的三個(gè)直接信號(hào)先說三個(gè)我觀察到的信號(hào)它們比任何趨勢(shì)報(bào)告都更直接。第一個(gè)信號(hào)是公開測(cè)試集的分?jǐn)?shù)已經(jīng)刷“麻”了。前幾年大家還樂于看到某個(gè)模型在通用基準(zhǔn)上提升三五個(gè)點(diǎn)但2025年下半年之后這類消息的傳播力肉眼可見地下降。原因很簡(jiǎn)單評(píng)測(cè)分?jǐn)?shù)和真實(shí)使用體驗(yàn)之間的落差越來越大——榜單上非常高分的模型放到一個(gè)真實(shí)的自動(dòng)化流程里仍然會(huì)在極其普通的環(huán)境變化中卡殼。用戶對(duì)“分?jǐn)?shù)”脫敏了。第二個(gè)信號(hào)是API價(jià)格曲線變得非?？鋸?。主流大模型的API調(diào)用價(jià)格在最近一年里降了一到兩個(gè)數(shù)量級(jí)這說明供給端已經(jīng)意識(shí)到參數(shù)規(guī)模本身不再具備定價(jià)權(quán)。當(dāng)所有人都在堆參數(shù)時(shí)參數(shù)就成了最不稀缺的東西。資本和甲方真正愿意掏錢的是“能穩(wěn)定完成某一類物理任務(wù)”的系統(tǒng)而不是一個(gè)更大的概率語(yǔ)言模型。第三個(gè)信號(hào)最明顯做純算法的人開始往硬件和物理系統(tǒng)方向流動(dòng)。我認(rèn)識(shí)的幾個(gè)原本專注于語(yǔ)言大模型訓(xùn)練的朋友2025年下半年陸續(xù)轉(zhuǎn)去做機(jī)器人數(shù)據(jù)閉環(huán)、自動(dòng)駕駛世界模型、工業(yè)仿真。他們的理由很一致——純軟件層的模型競(jìng)爭(zhēng)格局已經(jīng)固化增量空間在于讓AI走出聊天框、走進(jìn)物理世界。人才流向從來都是技術(shù)趨勢(shì)最誠(chéng)實(shí)的指針。1.2 參數(shù)競(jìng)賽撞上的三堵墻為什么參數(shù)競(jìng)賽會(huì)在2026年前后撞墻說白了是三堵墻疊在一起。數(shù)據(jù)墻。人類高質(zhì)量文本語(yǔ)料是有限資源。業(yè)界比較公認(rèn)的說法是高質(zhì)量公開文本已經(jīng)被大模型們反復(fù)“清掃”過好幾輪再繼續(xù)增大參數(shù)量模型看到的新信號(hào)越來越少更多是在重復(fù)已有分布。語(yǔ)言數(shù)據(jù)不像物理世界的數(shù)據(jù)——物理世界的數(shù)據(jù)幾乎是無限的只要你愿意架傳感器、跑仿真器就能不斷產(chǎn)出新的樣本。數(shù)據(jù)從“存量競(jìng)爭(zhēng)”轉(zhuǎn)向“增量生產(chǎn)”這個(gè)變化決定了誰掌握了新的數(shù)據(jù)引擎誰才有下一輪話語(yǔ)權(quán)。能耗墻。訓(xùn)練一個(gè)大號(hào)模型的電費(fèi)已經(jīng)高到讓普通研究機(jī)構(gòu)無法獨(dú)立承擔(dān)這還不算推理階段的成本。物理世界里的設(shè)備是毫瓦級(jí)、瓦級(jí)功耗的一個(gè)夾爪、一臺(tái)AGV、一輛車它們的計(jì)算預(yù)算和云端GPU機(jī)房完全不在一個(gè)量級(jí)。想把AI塞進(jìn)物理系統(tǒng)就必須讓模型在一個(gè)“摳門”的算力預(yù)算下工作。這種約束反過來倒逼架構(gòu)創(chuàng)新而不是繼續(xù)堆規(guī)模。收益遞減墻。從千億參數(shù)往萬億參數(shù)走通用基準(zhǔn)提升可能只剩幾個(gè)點(diǎn)但在具體任務(wù)上的閉環(huán)能力提升更小。因?yàn)檎Z(yǔ)言模型本質(zhì)上是在做“符號(hào)序列的概率預(yù)測(cè)”它并不直接關(guān)心“門能不能推開”“杯子拿穩(wěn)了沒有”。參數(shù)再多不產(chǎn)生新能力維度只是在舊維度上緩慢爬坡。1.3 真正的轉(zhuǎn)折從“答對(duì)題”到“辦成事”所以退潮的不是AI熱度而是“參數(shù)即能力”這種簡(jiǎn)單化敘事。2026年大家評(píng)價(jià)一個(gè)AI系統(tǒng)時(shí)問法完全變了不再是“你知識(shí)面多廣”而是“你能不能在這個(gè)環(huán)境里把一件事辦成”。這個(gè)“辦成”包含一系列硬約束能不能實(shí)時(shí)響應(yīng)、能不能理解物體物理屬性、能不能在超出訓(xùn)練分布的情況下安全處理、能不能把不確定性明確表達(dá)出來。語(yǔ)言模型擅長(zhǎng)回答“是什么”但物理世界理解要求系統(tǒng)回答“接下來會(huì)怎樣”“現(xiàn)在該怎么做”。前者是回顧式的后者是前瞻式和交互式的這是兩種不同性質(zhì)的能力。2. 物理世界理解到底理解的是什么2.1 語(yǔ)言是符號(hào)的物理世界是連續(xù)的先澄清一個(gè)容易混淆的概念。我們常說的“多模態(tài)感知”不等于物理世界理解。能識(shí)別圖片里有一輛車或者能描述一段視頻里的動(dòng)作只是在“符號(hào)層面”對(duì)視覺內(nèi)容做了分類和描述。物理世界理解更進(jìn)一步AI需要在內(nèi)部建立對(duì)空間、物體屬性、運(yùn)動(dòng)規(guī)律和因果機(jī)制的動(dòng)態(tài)表征。打個(gè)比方語(yǔ)言理解更像是下象棋——棋盤是離散的規(guī)則是明確的你只需要在符號(hào)空間里做推理。物理世界理解更像是踢一場(chǎng)球賽——場(chǎng)地是連續(xù)的對(duì)手是動(dòng)態(tài)的規(guī)則里有大量隱性約束你需要實(shí)時(shí)感知、預(yù)判并做出身體動(dòng)作。象棋高手未必能踢好球這個(gè)道理放到AI上同樣成立。2.2 物理世界理解的四項(xiàng)基本能力如果要拆解“物理世界理解”到底包含哪些能力我自己的歸納是四項(xiàng)空間感知。知道物體在哪里、自身在哪里、相對(duì)姿態(tài)是什么。這涉及深度估計(jì)、三維重建、坐標(biāo)系變換。很多人覺得這是老問題但在復(fù)雜光照、遮擋、動(dòng)態(tài)環(huán)境下把空間感知做得穩(wěn)準(zhǔn)狠依然是一線系統(tǒng)的核心難點(diǎn)。物體屬性識(shí)別。不僅僅是識(shí)別“這是個(gè)杯子”還要知道它大概多重、是剛性還是柔性、表面摩擦大不大、會(huì)不會(huì)碎。語(yǔ)言模型里“杯子”只是一個(gè)詞物理系統(tǒng)里“杯子”是一組連續(xù)物理參數(shù)。同一張圖片里的兩個(gè)杯子一個(gè)塑料一個(gè)玻璃抓取策略完全不同。因果機(jī)制建模。知道按下開關(guān)燈會(huì)亮、手松開杯子會(huì)掉、推倒積木塔會(huì)散。因果不等同于相關(guān)比如“看到紅燈就停車”是關(guān)聯(lián)規(guī)則“剎車踏板踩下去車會(huì)減速”才是因果——因?yàn)楦深A(yù)某個(gè)變量后結(jié)果必然改變。世界模型的一大使命就是讓AI學(xué)會(huì)在內(nèi)部模擬這種干預(yù)。行動(dòng)規(guī)劃與不確定性處理。感知和預(yù)測(cè)最終要轉(zhuǎn)成動(dòng)作指令而且在真實(shí)環(huán)境里每個(gè)信號(hào)都有噪聲、每個(gè)動(dòng)作都有誤差。一個(gè)能理解物理世界的系統(tǒng)必須知道自己“有多不確定”并在關(guān)鍵時(shí)刻降低速度、切換策略或請(qǐng)求人類介入。2.3 為什么說是“2026年的進(jìn)化方向”把物理世界理解稱作2026年的進(jìn)化方向是因?yàn)樗呀?jīng)走出了論文階段正在成為工程系統(tǒng)的驗(yàn)收標(biāo)準(zhǔn)。我看到的幾個(gè)趨勢(shì)都指向這一點(diǎn)車端的無圖方案開始大規(guī)模擺脫高精地圖依賴靠實(shí)時(shí)感知和預(yù)測(cè)自主決策物流行業(yè)的智能分揀與上架系統(tǒng)開始引入“理解物體”的環(huán)節(jié)而不是依賴固定的工裝夾具家庭服務(wù)機(jī)器人重新被提起因?yàn)槿藗円庾R(shí)到“能干活”比“能聊天”復(fù)雜得多。這一節(jié)里我說的能力拆解不是學(xué)術(shù)定義更多是一個(gè)工程框架。不管你在哪個(gè)具體行業(yè)做AI拿這四項(xiàng)去對(duì)照你當(dāng)前系統(tǒng)的短板基本都能找到未來半年到一年的發(fā)力點(diǎn)。3. 進(jìn)化方向一世界模型給AI裝一個(gè)“內(nèi)隱模擬器”3.1 世界模型不是“視頻預(yù)測(cè)”而是一種決策底座第一個(gè)大方向是我認(rèn)為2026年最值得關(guān)注的技術(shù)主線——世界模型。先解釋清楚我理解的“世界模型”它是在智能體內(nèi)部建立的一個(gè)關(guān)于外部環(huán)境動(dòng)態(tài)變化的預(yù)測(cè)模型。當(dāng)智能體感知到當(dāng)前狀態(tài)后模型能在“腦內(nèi)”推演多個(gè)未來的可能走向再根據(jù)這些推演結(jié)果倒推當(dāng)前應(yīng)該采取什么動(dòng)作。一個(gè)很俗但很準(zhǔn)確的類比是老司機(jī)開車時(shí)大腦其實(shí)在同步模擬身旁車輛的意圖、前車急剎后自己該打多少方向。這種“預(yù)判感”就是世界模型。傳統(tǒng)大模型預(yù)測(cè)的是“下一個(gè)詞”世界模型預(yù)測(cè)的是“下一幀狀態(tài)”“下一個(gè)物理量”。一個(gè)是符號(hào)時(shí)間的延續(xù)一個(gè)是物理時(shí)間的延續(xù)。有人把世界模型簡(jiǎn)單理解成“AI生成視頻”。生成視頻確實(shí)是一項(xiàng)重要能力但世界模型的價(jià)值不在于生成一段好看的畫面而在于壓縮出來的內(nèi)部表征必須符合物理規(guī)律。當(dāng)模型預(yù)測(cè)一個(gè)杯子從桌面掉落它應(yīng)該知道杯子會(huì)往下掉、接觸地面后可能反彈或破碎。如果內(nèi)部表征沒有這些因果結(jié)構(gòu)生成的視頻再清晰也沒有決策價(jià)值。所以在我看來世界模型更像是一個(gè)“可交互思維試驗(yàn)場(chǎng)”它讓AI在行動(dòng)之前先“想幾遍”。3.2 當(dāng)前技術(shù)拼圖聯(lián)合嵌入、動(dòng)態(tài)預(yù)測(cè)與因果訓(xùn)練從技術(shù)實(shí)現(xiàn)上看世界模型的搭建思路有幾個(gè)關(guān)鍵模塊我這幾年跟相關(guān)方向的團(tuán)隊(duì)交流后認(rèn)為下面幾條是共識(shí)度比較高的。聯(lián)合嵌入是底座。把圖像、點(diǎn)云、力矩、文本指令、動(dòng)作序列全部映射到同一個(gè)向量空間里。這個(gè)空間里“用戶說把紅色杯子拿過來”和“視覺系統(tǒng)捕捉到的紅色杯子像素”“機(jī)械臂末端應(yīng)到達(dá)的抓取位姿”都指向同一個(gè)語(yǔ)義點(diǎn)。沒有聯(lián)合嵌入各模態(tài)就是各說各話預(yù)測(cè)模塊根本無從對(duì)齊。動(dòng)態(tài)預(yù)測(cè)是核心模塊。模型的訓(xùn)練目標(biāo)不再只是對(duì)比學(xué)習(xí)或者分類而是盡量準(zhǔn)確地預(yù)測(cè)狀態(tài)空間里的下一步變化。常見的做法是預(yù)測(cè)下一幀的嵌入表示或預(yù)測(cè)當(dāng)前狀態(tài)與未來狀態(tài)之間的差分。這個(gè)設(shè)計(jì)跟語(yǔ)言模型的next-token prediction在邏輯上是相通的只不過預(yù)測(cè)對(duì)象從離散符號(hào)換成了連續(xù)物理狀態(tài)。因果訓(xùn)練是天花板。用真實(shí)數(shù)據(jù)做預(yù)測(cè)只能學(xué)到相關(guān)性要學(xué)到因果最有效的方式是配合仿真器做干預(yù)式數(shù)據(jù)生成。比如在仿真環(huán)境里隨機(jī)改變物體的質(zhì)量、摩擦系數(shù)、環(huán)境光照然后讓模型預(yù)測(cè)結(jié)果變化。這樣模型才能理解“假如我把重力調(diào)大這個(gè)箱子會(huì)滑得更遠(yuǎn)”這類反事實(shí)問題。從我了解到的情況看已經(jīng)有團(tuán)隊(duì)在把這三塊拼起來運(yùn)用于實(shí)際系統(tǒng)而且效果初步顯現(xiàn)。3.3 世界模型能落地的三個(gè)典型場(chǎng)景先說自動(dòng)駕駛。世界模型可以對(duì)周圍車輛、行人、騎行者做未來幾秒的軌跡預(yù)測(cè)。傳統(tǒng)方法會(huì)用一堆規(guī)則和獨(dú)立的預(yù)測(cè)頭而世界模型是讓整個(gè)場(chǎng)景在隱空間里共同演化行人突然橫穿、旁邊車輛強(qiáng)行加塞這類corner case因?yàn)槟Ｐ鸵娺^足夠多樣的場(chǎng)景演化能提前輸出偏保守的應(yīng)對(duì)策略。再說機(jī)器人操作。抓取易碎品、軟物體、透明物體時(shí)傳統(tǒng)視覺抓取往往力不從心。世界模型先在內(nèi)部模擬不同抓取姿態(tài)下物體的形變和滑移再選擇成功率最高的動(dòng)作方案。某機(jī)器人團(tuán)隊(duì)分享過他們的隨機(jī)裝箱場(chǎng)景仿真中訓(xùn)練好的抓取策略真機(jī)成功率只有六成左右后來增加了一個(gè)“先預(yù)判物體在夾爪中的滑動(dòng)趨勢(shì)再調(diào)整抓取姿態(tài)”的模塊成功率才真正到了可商用的水平。最后是工業(yè)和物流仿真。倉(cāng)儲(chǔ)調(diào)度、生產(chǎn)排產(chǎn)這類問題本質(zhì)上是大量物理實(shí)體在空間和時(shí)間上做優(yōu)化決策。傳統(tǒng)數(shù)字孿生是“照鏡子”世界模型則可以在數(shù)字孿生的基礎(chǔ)上做“預(yù)演”——在排產(chǎn)方案實(shí)施之前先把未來幾小時(shí)的生產(chǎn)狀態(tài)跑一遍把瓶頸和沖突提前暴露出來。這個(gè)價(jià)值對(duì)制造業(yè)用戶非常直接。4. 進(jìn)化方向二具身智能從“會(huì)說話”到“會(huì)干活”4.1 為什么具身智能在2026年被推到臺(tái)前如果說世界模型解決的是“AI如何理解物理世界”那具身智能解決的就是“AI如何把理解變成物理動(dòng)作”。這兩個(gè)方向天然綁定成為2026年AI進(jìn)化的第二條主線。具身智能熱度高有幾個(gè)現(xiàn)實(shí)推動(dòng)力。第一大模型解決了機(jī)器人長(zhǎng)期缺少的“任務(wù)拆解和溝通能力”機(jī)器人開始能聽懂人話并能把復(fù)雜指令分解成子任務(wù)第二數(shù)據(jù)采集和仿真成本顯著下降遙操作設(shè)備、低成本機(jī)械臂和靈巧手讓團(tuán)隊(duì)可以快速積累操作數(shù)據(jù)第三資本開始從純軟件AI轉(zhuǎn)向“交付物理結(jié)果”的創(chuàng)業(yè)項(xiàng)目。聽?zhēng)讉€(gè)做早期投資的朋友說2026年開年看具身智能項(xiàng)目的投資人多了一倍不止但要求也更具體了別講demo直接告訴我深度場(chǎng)景里的閉環(huán)成功率。還有一個(gè)容易被忽視的原因具身智能是物理世界理解的最佳驗(yàn)證場(chǎng)。一個(gè)模型能不能真正理解物理規(guī)律最好的檢驗(yàn)方式是讓它動(dòng)一動(dòng)。語(yǔ)言模型可以“假裝”對(duì)物理世界有知識(shí)但一個(gè)抓取機(jī)器人沒法假裝——物體掉地上就是掉地上任務(wù)沒完成就是沒完成。4.2 一套典型具身系統(tǒng)的技術(shù)閉環(huán)從技術(shù)棧上看一套典型的具身智能系統(tǒng)已經(jīng)形成了比較清晰的閉環(huán)我拆成四個(gè)層面來說明。感知層。多種傳感器同步采集多路相機(jī)負(fù)責(zé)視覺、IMU負(fù)責(zé)自身姿態(tài)、力矩傳感器負(fù)責(zé)接觸信息、觸覺傳感器負(fù)責(zé)微小滑移。這些數(shù)據(jù)經(jīng)過標(biāo)定和融合后輸出對(duì)場(chǎng)景的三維理解比如物體位姿、抓取點(diǎn)、障礙物分布。決策層。這是過去兩年變化最大的部分。業(yè)界開始普遍采用“視覺-語(yǔ)言-動(dòng)作模型”這種范式的演進(jìn)路線把自然語(yǔ)言指令、當(dāng)前視覺觀察和機(jī)器人自身狀態(tài)一起輸入模型直接輸出下一步動(dòng)作。動(dòng)作在模型里可以做token化處理相當(dāng)于把連續(xù)動(dòng)作序列壓縮成類似語(yǔ)言里的“詞”。但和語(yǔ)言模型不同動(dòng)作不能只做離散分類還要考慮軌跡平滑、力控約束所以不少團(tuán)隊(duì)會(huì)結(jié)合擴(kuò)散策略這類生成式方法來輸出動(dòng)作分布。執(zhí)行層。模型輸出的粗粒度動(dòng)作要通過底層的運(yùn)動(dòng)規(guī)劃和力控接口轉(zhuǎn)成真實(shí)的關(guān)節(jié)指令。執(zhí)行層同時(shí)承擔(dān)安全保護(hù)功能位置超差、力矩超限、突發(fā)碰撞都要在毫秒級(jí)別觸發(fā)急停。很多搞AI的人低估這部分的工程量實(shí)際上物理系統(tǒng)的穩(wěn)定性往往比模型精度更磨人。數(shù)據(jù)層。數(shù)據(jù)來源主要有三條路人類遙操作示范數(shù)據(jù)質(zhì)量高但采集慢仿真環(huán)境自動(dòng)生成的數(shù)據(jù)規(guī)模化效率高但存在物理偏差互聯(lián)網(wǎng)視頻預(yù)訓(xùn)練數(shù)據(jù)用來學(xué)習(xí)常識(shí)但稀疏。2026年做得好的團(tuán)隊(duì)基本都在設(shè)計(jì)自己的數(shù)據(jù)飛輪從真實(shí)任務(wù)中不斷采集失敗案例再回到仿真和數(shù)據(jù)空間里做針對(duì)性補(bǔ)充。4.3 實(shí)戰(zhàn)視角仿真到真機(jī)的距離到底有多遠(yuǎn)很多朋友上手的第一個(gè)疑問是我在仿真里訓(xùn)練得好好的搬到真機(jī)上為什么就不行了這類問題我每次交流都要強(qiáng)調(diào)仿真和真機(jī)之間的鴻溝比大多數(shù)人想象的大。仿真環(huán)境里物體的摩擦系數(shù)、關(guān)節(jié)阻尼、接觸響應(yīng)都是參數(shù)化設(shè)定的仿真器永遠(yuǎn)無法完全復(fù)現(xiàn)真實(shí)物理世界的噪聲和不確定性。Sim-to-Real遷移不是一次性的工作而是一個(gè)需要反復(fù)迭代的過程。我見過比較務(wù)實(shí)的團(tuán)隊(duì)做法是并不追求“純仿真訓(xùn)完直接上真機(jī)”而是采用混合數(shù)據(jù)策略——用仿真數(shù)據(jù)做預(yù)訓(xùn)練用真機(jī)數(shù)據(jù)做微調(diào)并且持續(xù)從真機(jī)運(yùn)行中收集邊界案例回灌訓(xùn)練集。這種物理閉環(huán)越早跑起來模型在真實(shí)環(huán)境里的適應(yīng)越快。還有一點(diǎn)要潑盆冷水具身智能系統(tǒng)不是把模型做好就完事。相機(jī)標(biāo)定、硬件觸發(fā)同步、機(jī)械結(jié)構(gòu)公差、網(wǎng)絡(luò)延遲任何一環(huán)出問題模型都很難正常工作。這也是為什么具身智能更適合有系統(tǒng)集成經(jīng)驗(yàn)的團(tuán)隊(duì)去做純算法團(tuán)隊(duì)直接跳到硬件大概率會(huì)先被工程細(xì)節(jié)淹掉。5. 進(jìn)化方向三多模態(tài)融合與端側(cè)實(shí)時(shí)協(xié)同理解“最后一米”5.1 物理世界理解的第一個(gè)約束叫作“實(shí)時(shí)”為什么要把多模態(tài)和端側(cè)單獨(dú)列為一個(gè)進(jìn)化方向因?yàn)槲锢硎澜缋斫飧鷥?nèi)容生成有一個(gè)本質(zhì)區(qū)別它必須在一個(gè)非常緊的時(shí)間窗口內(nèi)完成。你問一個(gè)大語(yǔ)言模型一個(gè)問題等兩秒鐘回答沒問題。但一個(gè)機(jī)械臂在抓取中遇到物體滑動(dòng)它必須在一兩百毫秒內(nèi)做出調(diào)整否則物體就掉了一輛車在高速行駛時(shí)遇到障礙決策延遲更是要控制在幾十毫秒量級(jí)。物理系統(tǒng)最不能容忍的就是“腦子里很聰明手腳反應(yīng)很遲鈍”。云端推理的延遲通常在百毫秒到秒級(jí)加上網(wǎng)絡(luò)抖動(dòng)很難直接作為物理系統(tǒng)的主決策鏈路。所以2026年一個(gè)明顯的趨勢(shì)就是AI模型開始大規(guī)模向端側(cè)遷移與端側(cè)實(shí)時(shí)系統(tǒng)協(xié)同工作。輕量化感知、實(shí)時(shí)目標(biāo)檢測(cè)、姿態(tài)估計(jì)、安全預(yù)警這類模型已經(jīng)能跑在我們?nèi)粘？梢姷亩藗?cè)芯片上功耗可控、延遲極低。5.2 多模態(tài)融合的工程細(xì)節(jié)時(shí)間對(duì)齊、空間對(duì)齊、置信度融合物理系統(tǒng)里的多模態(tài)跟多模態(tài)大模型里“圖文混合輸入”不是一回事。工程上最大的三個(gè)難點(diǎn)每個(gè)都是坑。時(shí)間對(duì)齊。不同傳感器的采樣頻率、觸發(fā)時(shí)刻、處理延遲都不一樣。相機(jī)可能是30幀每秒激光雷達(dá)可能是10幀每秒IMU可以到500赫茲。真實(shí)系統(tǒng)必須用統(tǒng)一時(shí)間戳對(duì)多路數(shù)據(jù)做同步否則你“看”到的位置和“摸”到的力根本不是同一時(shí)刻融合出來的狀態(tài)就是錯(cuò)的?？臻g對(duì)齊。相機(jī)拍的圖像在相機(jī)坐標(biāo)系機(jī)械臂末端在機(jī)械臂基座坐標(biāo)系地圖在全局坐標(biāo)系。坐標(biāo)系之間要靠標(biāo)定來?yè)Q算標(biāo)定精度不夠感知結(jié)果和實(shí)際行動(dòng)就會(huì)差幾毫米甚至幾厘米。對(duì)抓取任務(wù)來說這幾厘米就是失敗和成功的分界線。置信度融合。不同傳感器在不同的環(huán)境條件下可靠度不一樣。強(qiáng)光下相機(jī)可能過曝暗光下視覺噪聲增加觸覺信號(hào)在接觸瞬間最可靠。好的多模態(tài)系統(tǒng)不會(huì)簡(jiǎn)單把所有輸入拼在一起而是根據(jù)當(dāng)前環(huán)境動(dòng)態(tài)調(diào)整對(duì)不同模態(tài)的信任權(quán)重。這些工程細(xì)節(jié)雖然不性感但恰恰決定了系統(tǒng)能不能真正穩(wěn)定運(yùn)行。5.3 混合推理架構(gòu)把“快”和“聰明”分開在工程架構(gòu)上我看到越來越多團(tuán)隊(duì)采用“端側(cè)快處理云端/邊緣深思考”的混合推理方案。端側(cè)負(fù)責(zé)快輕量感知模型在十到三十毫秒內(nèi)完成目標(biāo)檢測(cè)、距離估計(jì)、安全區(qū)域判斷發(fā)現(xiàn)異常立即執(zhí)行降速、停車或避讓不依賴網(wǎng)絡(luò)。云端或邊緣負(fù)責(zé)聰明理解復(fù)雜語(yǔ)義、做長(zhǎng)時(shí)程規(guī)劃、調(diào)用世界模型做推演。兩端之間需要設(shè)計(jì)一個(gè)“狀態(tài)同步協(xié)議”只傳語(yǔ)義級(jí)的變化信息比如“場(chǎng)景里新增了一個(gè)障礙物”“任務(wù)切換到了下一階段”而不是把原始視頻流往云端傳。這樣既控制了延遲也大幅縮減帶寬與計(jì)算成本。我去年看過一個(gè)很典型的案例某個(gè)倉(cāng)儲(chǔ)AGV團(tuán)隊(duì)端側(cè)搭載了一個(gè)輕量語(yǔ)義分割模型專門檢測(cè)“人形輪廓進(jìn)入安全區(qū)域”一旦觸發(fā)就在幾十毫秒內(nèi)讓車輛減速云端則負(fù)責(zé)調(diào)度和路徑重規(guī)劃。這套方案讓他們的安全員干預(yù)率降了一個(gè)數(shù)量級(jí)而且端側(cè)模型只占很小的計(jì)算資源。做物理場(chǎng)景的團(tuán)隊(duì)建議可以直接復(fù)制這種架構(gòu)思路先求“別出事”再求“干得好”。6. 作為從業(yè)者我建議你重點(diǎn)做三件事6.1 技能棧從“純模型思維”補(bǔ)上“系統(tǒng)思維”如果你現(xiàn)在還只是盯著訓(xùn)練腳本和模型權(quán)重2026年會(huì)覺得越來越吃力。物理世界理解這個(gè)方向需要開發(fā)者同時(shí)理解傳感器、機(jī)器人中間件、實(shí)時(shí)控制系統(tǒng)和模型訓(xùn)練。不需要你每個(gè)方向都成為專家但至少要聽得懂坐標(biāo)系變換、控制頻率、閉環(huán)延遲這幾個(gè)基本概念。我的具體建議是花兩周時(shí)間手動(dòng)搭一個(gè)最小的感知-控制閉環(huán)。哪怕只是用深度相機(jī)識(shí)別桌面上的積木然后控制一個(gè)帶力反饋的機(jī)械臂去推倒它。這個(gè)過程中你會(huì)發(fā)現(xiàn)真實(shí)世界里所有教程沒寫的問題都會(huì)冒出來——時(shí)間戳錯(cuò)位、坐標(biāo)系反了、控制頻率不夠。這些經(jīng)驗(yàn)和大模型訓(xùn)練的經(jīng)驗(yàn)完全不同但早晚都要補(bǔ)。6.2 評(píng)估觀從“刷榜單”轉(zhuǎn)向“物理閉環(huán)三件套”對(duì)AI系統(tǒng)的評(píng)估方式也要跟著變?，F(xiàn)在算法工程師習(xí)慣用準(zhǔn)確率、召回率、F1這類指標(biāo)但在物理世界理解里我更推薦三個(gè)樸素的指標(biāo)閉環(huán)任務(wù)成功率、平均干預(yù)次數(shù)、單位任務(wù)能耗。成功率不用多說一次物理任務(wù)從頭到尾沒有人為干預(yù)地完成才算成功。干預(yù)次數(shù)反映系統(tǒng)對(duì)異常情況的處理能力干預(yù)越少說明系統(tǒng)越穩(wěn)。能耗則是物理世界不可回避的約束同樣任務(wù)少耗一度電就是實(shí)打?qū)嵉母?jìng)爭(zhēng)力。如果你正在選型或者立項(xiàng)建議用這三個(gè)指標(biāo)建立一個(gè)內(nèi)部評(píng)測(cè)集比任何基準(zhǔn)測(cè)試都要貼近落地。6.3 選項(xiàng)目從一個(gè)足夠窄的物理場(chǎng)景切入最后如果你想入局這個(gè)方向我特別不建議一上來就做“通用家用人形機(jī)器人”這種大而全的題目。先找一個(gè)數(shù)據(jù)容易獲取、安全風(fēng)險(xiǎn)可控、付費(fèi)方明確的垂直場(chǎng)景。倉(cāng)儲(chǔ)分揀、果園采摘、工業(yè)質(zhì)檢、擺架理貨都是不錯(cuò)的切入點(diǎn)。把一兩個(gè)場(chǎng)景的物理閉環(huán)真正跑通再考慮泛化。物理世界理解是慢功夫一個(gè)系統(tǒng)連續(xù)穩(wěn)定運(yùn)行幾千小時(shí)比模型在測(cè)試集上又漲了兩個(gè)點(diǎn)更有說服力。我這兩年最大的感受是AI正在從一個(gè)“內(nèi)容生成工具”變成一個(gè)“物理系統(tǒng)的大腦”。以前我們面試算法工程師問的是熟悉哪種模型結(jié)構(gòu)、刷過多少分現(xiàn)在我更想問的是如果機(jī)械臂突然被卡住你的模型能不能意識(shí)到異常并及時(shí)切換策略這個(gè)問題沒法靠背題回答只能靠把模型丟進(jìn)真實(shí)系統(tǒng)里一遍遍撞出來。2026年這波從參數(shù)競(jìng)賽到物理世界理解的轉(zhuǎn)向本質(zhì)上是讓AI從“紙上談兵”進(jìn)入“實(shí)戰(zhàn)演練”。對(duì)從業(yè)者來說這既是挑戰(zhàn)也是少有的窗口期——窗口里沒有標(biāo)準(zhǔn)答案窗口外全是做出實(shí)物的人。未來幾年屬于那些愿意把手弄臟的人。