蓝鲸新闻 7 月 17 日讯（记者 李卓玲）作为全球人工智能领域的顶级盛会，2026 世界人工智能大会（WAIC）正式揭开帷幕。
在本届 WAIC 上，大晓机器人带来了具身智能领域的最新突破与商业落地成果，包括开悟世界模型最新进展，具备强大空间理解、自主反思与跨本体泛化能力的一体化具身基模型 ACE-BRAIN 0.5，以及环境式数据采集方案 2.0、开放环境具身自主智能解决方案等。
其中，大晓机器人正式发布开悟世界模型 3.1。作为开悟 3.0 的最新演化版本，其延续了 " 理解—生成—预测 " 一体化架构，将世界认知、场景生成与动作决策深度融合于单一内生骨干网络。官方称，可实现从 " 认识世界 " 到 " 预测世界 " 再到 " 与世界交互 " 的全链路智能闭环。
大晓机器人董事长王晓刚在 WAIC 媒体沟通会上表示，世界模型最核心的目标，是提升机器人的泛化能力，尤其是面对新场景、新任务时的应对能力，并进一步实现智能涌现。
其并认为，在一定阶段内，世界模型与 VLA 会协同存在。世界模型尚未完全成熟时，VLA 对于确定性较高的任务学习速度更快、执行确定性更强，是世界模型的有效补充。" 随着世界模型能力不断完善，特别是以人为中心的数据从当前几十万量级提升到千万小时量级后，世界模型将逐步吸收 VLA 的能力。我们最终期待的是一个大一统、足够强大的基座模型。"
对于本届 WAIC，王晓刚指出，具身智能的发展包含硬件本体、模型、数据和场景四个核心要素，希望在本届大会上看到产业链各环节更充分的联动与协同，"只有把四个要素贯穿起来，形成正向反馈，才能推动持续迭代。"
公开资料显示，大晓机器人成立于 2025 年，是一家商汤系的生态企业。去年 12 月，大晓机器人正式提出 " 以人为中心 " 的 ACE 具身研发范式，以环境式数据采集为引擎，并同步发布开悟世界模型 3.0。今年 6 月，大晓机器人宣布完成天使 + 轮融资，至此，其上半年已累计融资数亿美元。
在商业化落地探索方面，王晓刚称，整体路径应当是先 To B、后 To C。目前，大晓机器人已在安防巡检、即时零售、闪购仓等 ToB 场景布局。" 以零售为例，未来一年我们希望拓展 1000 家门店，包括无人零售、闪购仓和店仓一体等方案。"
" 硬件本体、模型、数据和场景联动形成正反馈，才能推动持续迭代 "
提问：今年 WAIC 受到高度关注，有什么期待？
王晓刚：具身智能的发展包含四个核心要素：硬件本体、模型、数据和场景。我们希望在本届大会上看到产业链各环节更充分的联动与协同，只有把四个要素贯穿起来，形成正向反馈，才能推动持续迭代。
相比去年，今年行业对可复制、可规模化的场景更加重视。一旦抓住这些场景，就能够持续采集数据，带动硬件本体规模增长；规模上来以后，成本会下降，质量会提升，产业资源也会更加集中。
世界人工智能大会已经走到第九年，为人工智能领域的技术、人才、场景和投资提供了重要平台。我更关注这些要素如何在大会上实现真正的联动。
提问：具身智能已成为全球科技竞争的重要方向，如何看待大厂与头部创业公司之间的竞争合作？
王晓刚：人工智能发生跳跃式发展时，往往需要通过创业推动创新。现有大厂体系中的人才机制、激励机制和资源倾斜，未必足以完全支撑具身智能这一新领域的发展。
具身智能与大语言模型时代的差异，核心之一在于数据。语言模型的数据主要存在于互联网，大型互联网公司天然具有优势；具身智能所需的以人为中心数据目前并不存在，需要从真实场景中重新获得，而这些场景分布在零售、酒店、文旅等不同垂直行业。
因此，创业公司的机会不只是与大厂或头部具身企业竞争通用能力，而是与垂直行业头部企业深度合作，挖掘场景价值，规模化复制数据采集和机器人落地方案。
产业生态仍要回到硬件本体、模型、数据、场景四个要素。核心是抓住可规模化的场景应用，用场景带动数据积累和硬件发展，形成四要素联动的正向循环。
世界模型核心目标是提升机器人泛化能力，短期会与 VLA 协同存在
提问：本届 WAIC 上，大晓机器人重点展示了世界模型，请问未来两三年世界模型将优先改变机器人的哪一方面能力？
王晓刚：世界模型最核心的目标，是提升机器人的泛化能力，尤其是面对新场景、新任务时的应对能力，并进一步实现智能涌现。
提问：开悟 3.1 采用多模态理解、生成、预测一体化架构，与英伟达 Cosmos 3.0 的架构逻辑一致，能否科普这一技术架构，并说明它相较 VLA 有哪些优势？
王晓刚：理解、生成和预测是世界模型的核心能力。过去的部分世界模型只具备其中某一种能力，也有方案采用外挂或级联方式，例如先经过视频生成模型，再外挂理解或预测模块。由于各模块不共享特征，这种方式不可避免地造成信息衰减和损失。经过第一个生成模型后，很多物理信息和空间信息可能已经丢失。
理解、生成、预测一体化架构让三种能力共享特征，实现更高效的信息压缩，并在统一架构中保持相对均衡、协同演进。我们在去年 12 月提出这一架构，今年 3 月英伟达 Cosmos 3.0 也采用了类似架构逻辑。
VLA 不需要真正理解世界，也不具备生成能力，主要是根据观察到的视觉信息直接映射机器人动作参数，因此更擅长完成预先规定好的特定任务。这类似人工智能 1.0 时代的小模型：针对 A、B、C、D 不同任务分别训练，可以完成既定任务，但难以形成智能涌现，也难以应对新的环境和新的任务。
提问：开悟 3.1 与 AceEgo 未来分别承担怎样的定位？二者是否会形成类似具身智能 " 大小脑 " 的协同关系？
王晓刚：在一定阶段内，世界模型与 VLA 会协同存在。世界模型尚未完全成熟时，VLA 对于确定性较高的任务学习速度更快、执行确定性更强，是世界模型的有效补充；世界模型则更擅长长程复杂任务的理解与分解。
随着世界模型能力不断完善，特别是以人为中心的数据从当前几十万量级提升到千万小时量级后，世界模型将逐步吸收 VLA 的能力。我们最终期待的是一个大一统、足够强大的基座模型。现阶段产业落地和技术摸高仍会并行推进。
提问：今年世界模型赛道出现了很多新玩家，当前创业门槛究竟如何？
王晓刚：世界模型需要理解、生成、预测等多方面能力。目前很多玩家展示的只是其中一部分，例如只做视频生成，但这类模型无法真正与物理世界交互；也有一些模型无法完成长程复杂任务。
真正的世界模型需要具备从头预训练的能力，以及理解、生成、预测一体化的综合能力，门槛其实非常高。当前由于行业认知尚未拉齐、评测体系尚不完善，部分能力有限的方案也有展示空间，但这种状态不会持续太久。
单纯做模型并不足以构成完整商业模式，尤其在具身智能领域，必须与场景落地和规模化部署结合，才能带动产业链发展。未来的竞争不会简单归结为大厂垄断，创业公司的机会在于绑定垂直行业头部企业，深挖真实场景价值。
具身智能迎 ChatGPT 时刻重要前提：数据
提问：您此前判断 2027 年可能成为具身智能的拐点、迎来 ChatGPT 时刻，行业应如何把握机遇、克服挑战？
王晓刚：要在 2027 年前后迎来具身智能的 ChatGPT 时刻，一个重要前提是未来两年积累千万小时量级的、以人为中心的环境式素材数据。为此，需要与各垂直行业的头部企业合作，通过 POC 验证快速复制，把数据管线铺设到各行各业，让数据在未来一年多时间里快速积累，并与真实场景深度结合。
但迎来 ChatGPT 时刻，并不意味着产业落地问题已经全部解决。回顾大语言模型，从 2022 年底 ChatGPT 出现，到今天成为代码编程、流程改造和组织协同中的生产力工具，也经历了持续演进。具身智能同样如此：在出现泛化能力和智能涌现之后，还需要继续与具体行业结合，充分释放具身大脑的生产力价值。
提问：当前具身智能数据训练包括真机遥操采集、仿真生成、UMI 等路线。您如何看待这三种方案各自的优势与局限？
王晓刚：真机遥操数据受限于具体机器人本体，从某一种本体采集的数据，很难直接推广到其他本体。同时，这类数据通常并非来自真实生产生活环境，积累速度也比较慢。如果主要依靠真机遥操数据，很难支撑具身智能迎来 ChatGPT 时刻。
仿真合成数据具有一定作用，但与真实数据之间仍存在较大的 Sim2Real 差距，因此更适合作为有效补充。UMI 主要依赖末端操作，随着灵巧手等技术发展，我认为它更像是一种中间过渡形态。
提问：大晓机器人未来将构建怎样的数据体系？
王晓刚：未来我们重点关注三层数据体系。第一层是互联网公开的视频数据，目标达到千万小时量级，用于学习物理世界的客观状态和规律。第二层是以人为中心的环境式素材数据，通过第一视角、第三视角以及力触觉手套等穿戴设备，记录人在真实生产生活中与环境交互的过程。本届 WAIC 上，我们发布了第二代环境式素材硬件方案，并推出 A-State Engine 数据处理引擎。第三层是少量真机遥操数据，用于将人类行为映射到不同类型机器人本体的参数上，这一层对数据量的要求相对较低。
对于以人为中心的数据，我们还将提出从 L1 到 L5 的信息密度和质量分级。L1 可能仅包含第一视角原始视频，标注较少；L5 则包括头戴相机、360 度全景相机、胸前和手腕多视角相机，并实现毫秒级同步，同时采集力触觉信息，精确恢复手部运动、关节 3D Mesh、人体关节点和相关物理属性。高质量数据不仅要包含成功案例，也要包含失败样本，帮助机器人从失败中学习和反思。
提问：行业中已有企业推出面向兼职人员的众包数据采集硬件方案。大晓机器人未来是否会采用兼职众包模式，采集更多真实数据用于模型训练？
王晓刚：我们更倾向于与垂直行业的头部企业合作。例如酒店、零售和仓储等行业本身拥有成千上万名工作人员，场景可复制性也较强，可以依托现有产业工人在真实工作过程中实现规模化数据采集。
面向社会兼职人员的众包模式存在一系列问题，包括大量人员的运营管理难度，以及采集能力、场景条件、数据传输和数据质量参差不齐。具身数据不仅要追求规模，还要控制场景分布，并尽可能完整地采集多模态信息。因此，众包模式在数据质量和场景控制方面挑战较大。
自动驾驶行业早期也讨论过众包，但最终形成规模化数据回流，仍然依赖网约车平台、大型车企等有组织的运营主体。具身智能的数据采集也会遵循类似逻辑。
谈商业化落地：整体路径应当是先 To B、后 To C
提问：目前大晓机器人已在安防巡检、即时零售、闪购仓等 ToB 场景布局。从试点走向规模化盈利，大概还需要多久？
王晓刚：整体进展会比较快。以零售为例，未来一年我们希望拓展 1000 家门店，包括无人零售、闪购仓和店仓一体等方案。本届世界模型论坛上，我们也会与相关战略合作伙伴签约。
这些场景的实际需求明确，方案可复制性较强。如果未来一年铺设 1000 家、两年达到 1 万家量级，就能够带动产业链规模增长，大幅降低硬件本体成本，使其达到行业可接受、可盈利的水平。我们相对乐观地判断，部分垂直场景有望在未来 1 至 2 年进入规模化盈利阶段。
提问：当前具身机器人行业面临哪些行业痛点？
王晓刚：目前很多惊艳的 Demo，仍是在预先设置好的特定任务中完成的。一旦进入家庭或真实生产生活场景，机器人就会遇到大量从未见过的情况，也会接收到新的任务。
当前行业真正欠缺的，是机器人在未知场景中的泛化能力，以及解决新任务的能力。这也是现阶段具身智能行业尚未充分解决的关键问题。
提问：机器人进入家庭前，需要完成哪些验证？
王晓刚：家庭是一个空间广阔、潜力巨大的赛道，但也是最难的场景。机器人一旦进入家庭，就处于高度不可控的环境中，对任务综合能力和安全性都有很高要求。
当机器人具备一定体量和操作能力后，必须确保不会伤害人。即便是递水、拿药等看似简单的任务，也可能出现水温过高、拿错药物等安全问题。家庭环境中，方案提供方很难对空间和人员活动施加控制。
因此，机器人应先进入 To B 场景。零售、洗衣等场景可以限定工作区域、隔离人员，使机器人处于相对受控状态。通过在 To B 场景中的规模化部署，持续验证软硬件能力、安全性和可靠性，建立足够信心后，再逐步进入家庭。同时，家庭机器人还涉及责任认定等法律法规问题。整体路径应当是先 To B、后 To C。
