当大语言模型的竞赛演变为一场“超级资本密集型”的军备赛，越来越多的从业者开始追问同一个问题：AI的下一个范式在哪里？

答案，正从“屏幕之内”走向“屏幕之外”。

7月17日晚，在2026世界人工智能大会（WAIC）举办期间，由腾讯新闻、腾讯科技主办，腾讯华东总部、腾讯云智能特别支持的“腾讯WAIC之夜”在上海举行。

活动上，云启资本管理合伙人陈昱、群核科技联合创始人兼董事长黄晓煌、生数科技联合创始人兼CEO骆怡航、北京银河通用机器人联合创始人兼大模型负责人张直政，共同围绕《Agentic AI之后，下一个范式是什么？》发起了一场关于空间智能、世界模型与Physical AI的圆桌讨论。

左起依次为云启资本陈昱、群核科技黄晓煌、生数科技骆怡航、银河通用张直政

黄晓煌在开场抛出一个观点，他认为纯软件、无行业沉淀的简单Agent很难守住优势，因为大模型基本能把它们直接复制出来。未来，工具、硬件、数据和大模型需要协同，AI产品的价值才能不断放大。而群核的落点是“让大模型生成一个可以交互的世界”，一个处在“大语言模型射程之外”的方向——物理AI。

今年1月份在CES上，英伟达创始人黄仁勋反复强调，AI将从感知、生成、代理，最终走向能理解物理世界的“物理AI”，并断言“物理AI的ChatGPT时刻”即将到来。

顺着“物理世界”这条线，骆怡航将其概括为“物理世界的通用模型”：正如语言模型的Scaling Law验证了泛化性，物理世界也终将迎来自己的“ChatGPT时刻”，他判断具身通用化或在3到5年内到来。

张直政的表述最为凝练——从Digital AI到Physical AI，学习范式将从离线学习（offline learning）转向在线学习（online learning），“先学会交互，再从交互中持续学习”，交互不再是目的、而是驱动能力增长的数据飞轮。

Agentic AI到Physical AI的转向正在被资本与政策重新定价。

世界经济论坛在2026年初判断，AI正“开始作为物理系统在实体经济中运行”；德勤《2026技术趋势》直言物理AI已准备好主流部署。数据也在背书：全球具身智能市场规模2025年约44.4亿美元、预计2030年将达230亿美元，中国产业规模更有望在2035年突破万亿元。

尽管各方在方向上有认知共识，但路径却分歧明显——焦点正是“世界模型”。

黄晓煌相信世界由重力、摩擦力等不可见规律驱动，视觉只是表象，因此更看好回归物理仿真，目前群核科技关于世界模型的探索，逐步收敛到空间智能上。而空间智能的另一极，李飞飞用World Labs首款商用世界模型Marble给出了不同的想象，其估值在一年多内从10亿美元飙升至50亿美元。骆怡航则主张融合，认为每条单一路线终有瓶颈；张直政把“世界模型”拆解为建模动作对状态的改变、以建模促进策略学习、具备通用评价能力这三项缺一不可的能力。

落地节奏上三人也各有侧重：黄晓煌视“低成本、规模化地把物理世界信息数字化”为首要挑战；骆怡航坦承当前模型与数据“都还不行”，但已看到类似GPT-2到GPT-3.5的“前兆”；张直政的判断最为激进——物理AI的逻辑是“在有限范围里追求全面通用”，因此物理AI的Agent到来，反而可能比数字AI大大缩短周期。

范式更替的答案，或许不会来自某条被提前锁定的技术路线，而会在这场持续争论中逐渐浮现。

以下为本场Panel的文字实录，在不改变原意的情况下有调整删减。

01

AI的下一个范式

陈昱：感谢腾讯的邀请。过去一年，整个AI的发展可以用“一日千里”来形容——无论是AI能力本身的跃迁，还是几家大模型公司在资本市场上的表现。但AI早已不再局限于语言模型，还延展到了具身智能、视频生成、空间智能。

今天我们很荣幸邀请到在空间智能、视频生成和具身智能三个方向上、已经准上市或上市的公司的CEO与董事长，一起探讨——Agentic AI之后，下一个AI范式是什么？先请三位从左到右做个简短自我介绍，并用一句话回答：你认为AI的下一个范式是什么？

黄晓煌：大家好，我是群核科技联合创始人兼董事长黄晓煌。我们公司的定位是空间智能。最早创业时，我用GPU集群做空间渲染，后来随着时代发展开始做“逆运算”——从渲染结果或真实结果反推结构化数据，就这样“误打误撞”进入了这个赛道。

这几年我一直在思考一件事：大语言模型已经进入一个超级资本密集型的比赛，所以我常常在想，哪些模型不在大语言模型的射程范围之内？

观察了一年多的大模型发展，我的感受是：只做纯软件、没有行业沉淀的纯Agent，护城河会越来越薄弱。因为大模型基本能把软件或Agent直接复制出来，单靠工具很难建立长期竞争优势。我的初步判断是，未来需要工具、硬件、数据和大模型这几个板块需要深度融合。

那在这个时代里我们该何去何从？

我花了两三年琢磨与探索，结论是大模型一定要做，但必须做在大语言模型的射程之外。所以我们一开始训练了四五个不同的模型，最后收敛到空间智能——如何生成一个可以交互、又很难用语言精确描述出来的世界。这有点像李飞飞的Marble，但我们觉得纯静态场景还不够，还需要能进行一定的互动。

总结起来，就是让大模型生成一个“可以交互的世界”，这是我们选择的方向，至少它不在大语言模型的射程之内。

骆怡航：大家好，我是生数科技联合创始人兼CEO骆怡航。生数做的是多模态生成和世界模型。下一代范式是什么？我觉得它一定是现在大家还想不到、还没有收敛、没有共识的一个点。我给出的结论是：物理世界的通用模型。

为什么？第一，这一代模型最核心的范式是Scaling Law，语言模型已经验证了它的通用性和泛化性，我相信物理世界里也一定会出现一个类似语言模型范式的模型，去解决物理世界的交互与通用问题。它需要做到泛化与逻辑：一是架构上一定会有创新，就像Transformer之于语言模型，我们也在探索Diffusion Transformer，或者MoE等混合架构，去做世界模型的架构；二是数据上一定还会有创新，只基于当前的具身本体数据，我觉得还不是一条好路径。

未来我们可以想象，物理世界里各种本体、各种架构的机器人，其实就像我们现在数字世界里的 Agent、WorkBuddy 一样——它可以自主规划、协同，去自主完成一些长程任务，是 Agent 在物理世界的延展。这些机器人的本体一定是多样的，但它的智能一定是相对通用的。

我们坚信世界模型会有自己的“ChatGPT时刻”，诞生出这种通用性与泛化性；当具身世界模型达到一定智能化程度，再结合本体、小脑的发展，我认为在3到5年内，具身通用化的时刻或许就会出现。

张直政： 大家好，我是银河通用的张直政，是银河通用的联创，也是大模型负责人。如果谈到AI的下一个变化，我觉得非常明确：从Digital AI往Physical AI转——从构建一个数字世界的AI模型，到构建一个能跟物理世界交互的模型。这也是今天具身智能在学界、商界都非常受关注的一个原因。

在这个过程中，学习的范式会发生一个根本改变。过去我们构建GPT、构建数字世界大模型时，很多采用的是离线学习（offline learning）；但如果想构建一个能跟物理世界可靠交互的模型，首先要把离线学习变成在线学习（online learning）——先学会交互，再从交互中持续学习。

在这种范式下，交互并不是learning的最终目的，而是一个手段，它把我们的AI变成一个能力与数据的飞轮，不断往前推动。

在这个数据飞轮的带动下，我相信我们会从今天已经广为使用的数字智能体，走向也能在物理世界中帮我们处理各种任务的物理世界智能体。这会对整个行业——无论研发还是使用，以及我们的生活和工作方式，带来更大的变革。

02

“世界模型”：三维仿真与纯视频之争

陈昱：刚才几位其实都提到，物理AI可能是下一代的AI发展范式，也都提到了世界模型。我干脆把后面世界模型的议题稍微提前一下。

现在世界模型众说纷纭，我一天可能会收到五份世界模型的BP，但每个人对世界模型的理解和定义都不太一样。大家是怎么理解世界模型的？它到底是什么？

黄晓煌：我先说。我们内部实际上也一直在研究世界模型，总结起来基本有两条路线：一条是走传统的三维仿真，通过结构化数据走仿真路线；另一条是走纯视频训练的路线。

前者相信，这个世界的运作是在视觉之外的——物体的运动是由重力、摩擦力等各种力相互作用，或某种“因”的相互作用下形成的，所以世界是由不可见的因素组成的，用纯视觉的方式他们认为不靠谱，视觉只是“欺骗人类”而已。

后者则认为，只要数据量够、训练算法升级，就像人类认知世界也主要靠视觉一样，用纯视频模型的方式就应该能行。

我们过去的积累都在参数化模型和结构化数据上。

我现在没法证明哪个方向一定对、哪个一定错，两种我们都认为有可能，但我们自己更看好前者——我们认为世界是由无数物理规律和约束组成的，最终这个世界怎么运作，还是要回到物理仿真上，把整个世界的物理特性、三维特性都“猜”出来之后，才能准确预测这个世界。

所以我们走的是偏物理仿真的路线，但并不否认纯视频模型的可行性。这是我们在研究过程中的观点。

陈昱：但大家用视频模型很重要的一点是视频数据相对好获取。你觉得前者路线从技术上会不会更难实现？

黄晓煌：我们底层也有很多数据来自视频。但最终计算时，是以视频模型为基础，还是以物理数字为基础，这是本质区别，并不是说不能从视频数据里获取信息。我觉得这两个方法做起来，可能80%的工作是类似的，最后20%才分道扬镳。

目前即便在我们公司内部，两种思路也一直存在争议：因为大家看到大语言模型，只要Scaling上去、假如数据量无限，为什么不能模拟出重力是9.8？一拨人认为，重力9.8就是一个物理参数能解决的事，你却可能要拿几百万个视频才能训练出来。

所以这里有不同观点。另外，我个人还有一个判断——纯视频模型可能是大厂的“菜”，我们也不太敢做。

陈昱：那骆总你怎么看？你们和字节某种意义上也算竞争对手。

骆怡航：我们的思路是：先想清楚终点是什么，再反推需要什么样的路线。重点第一是，这个模型需要形成从感知、理解、预测到行动的闭环。第二，我不认为单一路线能走通——就像语言模型里除了LLM，视频里除了DiT，现在也有自回归的路线，它们其实都在融合。

所以我觉得世界模型也会是一条融合的路线，因为每条单一路线都会有瓶颈。

我们自己的Motubrain走的就是一个大一统的融合路线，其中既包括视频数据，也包括一些物理强化的数据，还有本体的数据、Ego的数据等等。

我们认为它需要满足两个条件：第一，它要像人一样，不是纯手把手地教，而是需要“看”，看完之后再去“想”——比如我们去拿一个物体，看完之后脑子里其实已经有一个世界模型，它需要去预测、去想象，然后才去行动。这是我们认为会是本质的逻辑；反过来，架构我觉得会持续演进，不会说现在就已经收敛了。

陈昱：但这里有个问题：很多东西是看不出来的。比如我用手去拿个杯子，中间到底需要施加多少力，看视频是很难得到的。

骆怡航：在预训练、中训练或微调的数据里，那些物理数据、触觉数据本身也是一种数据；包括后面RL要对齐的部分，也会有这些数据在里边，它本身就是输入信号的一部分。

陈昱：好，张总，你怎么看？

张直政：世界模型可以说是我今年被问到最多的话题了。

现在各行各业都在讲世界模型，研究不同方向的人对它的定义和理解也不一样：之前做内容生成、做视频生成的人说，video generation model是世界模型；但做具身的人会说，能预测未来、并且也能生成动作的模型才是世界模型。

其实我觉得，现在大家公开讲的对世界模型的理解，都是不完整的。如果回归本质，什么样的模型才真正算得上世界模型呢？我把它归结为三个能力，缺一不可。

第一个能力，是它得能建模：给定当前状态、给定你做出的一个action，这个action会对状态带来什么改变？不管你是在像素空间，还是在latent space里预测未来，你都得能建模你的动作对环境带来了什么变化。

第二个能力，是你建模了这个变化以后，要能够给定一个任务，利用对状态的建模来促进策略的学习——更快地学会一个技能、更可信地输出一个动作。

第三个能力，也是目前行业里很多人忽略的：要有通用的评价能力。环境发生的改变好不好？我当前动作执行的结果是不是我想要的？它内在还隐含着一个通用的评价体系，这也是我们人所具备的。

带着这三种能力，我们才能构建一个完整的Physical AI系统。这三种能力缺一不可，缺任何一个，都无法可持续地完成技能学习，也不是一个功能完备的系统。所以我们在做具身智能大模型的时候，是从这三个点一体化去考虑的。

03

世界模型的三种能力

陈昱：就像大语言模型一样，模型本身的能力当然非常重要，但我们也看到，今天讲得比较多的是Agent Harness——在模型之外，其实有一套系统去引导、监督模型的执行和任务规划。你有没有看到，在物理AI里，模型之外也同样存在一套类似Harness的系统？

张直政：我们团队把Harness系统和模型的关系想得非常清楚。因为模型决定了你的Harness系统最本质能达到什么水平。

比如Harness系统感知正确、规划合理，但模型跟不上，它依然不能表现出可靠的对外交互能力；反过来，如果我只做模型、不构建Harness系统，就没法采集更多数据，数据飞轮就转不起来。所以Harness系统和模型的关系是——Harness系统可以作为模型可持续收集数据、迭代能力的一个数据飞轮，模型则支撑这个Harness系统，让它的功能更完备、更可靠。

作为具身智能和Physical AI的模型，我们对它比对大语言模型、比对多模态大模型有更高的要求：输出要尽可能低的不确定性，尽可能跟物理世界的规律相吻合，并且这种能力要能被无缝地集成到一个Harness系统里，不断跟环境进行交互。

陈昱：那大家觉得，如果以后模型功能越来越强大，Harness最终会不会全部被内化进模型里？

张直政：我觉得这是一个必然趋势。

Harness系统目前是围绕模型去构建的，但它的本质，如果作为一个数据飞轮，是通过Harness这个渠道，把其他模型、或它跟环境交互的结果作为learning的feedback，再注入到我们的基模里去，帮助基模能力的成长。

所以到最终，我对Physical AI和Digital AI的判断就是“One Model One System”——一个模型就是一个功能完备的系统，可以构建一个功能完备的产品，甚至是一个组织。

陈昱：那你觉得未来Digital AI和Physical AI这两个模型会大一统吗？

张直政：我觉得是趋势。因为我们讲空间智能、讲Digital AI的智能，它其实是Physical AI所需要具备能力的一个子集——比如它作为感知、作为planning，都是Physical AI中的一部分。我们人也是这样：既可以在互联网上看一些数字化的信息，也可以跟物理世界交互。

所以最终，模型也会跟人一样，把数字AI的能力作为物理AI的一部分，集成到一个功能完备的物理AI系统里去。

04

物理AI的数据难题和一个激进的判断

陈昱：很感谢张总的详细回答。我们进入下一个和Physical AI相关的问题。

Physical AI要进一步发展和落地，必然会面临很多问题，其中一些也是大语言模型面临过的，比如如何采集足够多的数据、端侧与云端的算力等。想分别请教三位：怎么看Physical AI的落地，以及它进一步发展可能面临的挑战？

黄晓煌：还是我先来。我们本身不做机器人，而是更多和机器人企业合作。在合作过程中我们发现，未来整个产业应该由数据、模型和硬件这三个体系组成。

我们的精力主要围绕在数据和模型上，做模型也主要是为了生成数据，同时也做通过三维重建的方式采集物理世界的数据。

有意思的是，实际训练起来，和DeepSeek这类相比，我们所需的算力远远小于大语言模型——因为现在还处在“数据远远不够”的阶段。

所以我们想得更多的，还是怎样把物理世界的各种信息采集到数字世界里来。

我们观察到，大模型落地得比较好的几个产业，都是数字化程度越高、AI落地效果越好，数字化越差、落地效果就越差。比如Coding现在落地效果特别好，就是因为Coding一定是数字化的；自动驾驶发展得比较好，是因为它在行驶过程中就会自动采集数据。

所以我们觉得，要解决物理AI，最首要的是让物理世界的信息尽可能进入数字世界——这里不光是视觉信息，还有很多尺寸、质量、摩擦力等一系列信息，怎样能够规模化、低成本、批量地把整个“宇宙”的所有信息采集起来。数据是模型训练最大的卡点，我们目前把它作为首要挑战在处理。当然，不同公司的定位可能不一样。

陈昱：骆总。

骆怡航：从现在的效果看，挑战还是挺大的。比如一个包含几十个原子能力的长程任务，要自主完成、且完成度高，还是很难；如果中间还有失败节点，它也很难自主地动态决策并完成。这是从效果层面看。

反过来，从系统层面，我觉得挑战有几方面：第一，模型还是不行——具身模型还达不到感知、想象、决策一体，任务完成度、自主理解都比较有限；第二，还是和数据有关——数据量、大家的数据体系与模型算法的搭配，都有很多问题，也就是大家常说的“不收敛”、各种路线不统一的问题。

另外，在物理系统里真正落地，还会面临更复杂的问题：准确性、复杂性、与硬件结合，以及商业场景落地，这些都加剧了物理AI落地的难度。

但反过来，从我们的角度，我们也看到一丝解决的可能性：我们Motubrain走的世界动作模型路线，从数据的利用效率、以及架构的差异化程度看，已经逐渐显现出类似语言模型从GPT-2到GPT-3、再到GPT-3.5的“前兆”——它对长程任务的规划和通用性，开始具备一定的可能性。这是我们现在看到的一个早期阶段，但里边挑战还非常大。

陈昱：好，张总。

张直政：我的看法可能有点不一样，也更加激进。我觉得物理AI的落地，范围会比数字AI更大，速度也会更快，影响也会更深远。

为什么这么说？

这乍一听可能反直觉，因为大家都知道做一个物理AI模型，难度更大。但这个前提，是我们真的要追求全面的通用和泛化——让它像人一样什么都能干、什么都能理解。可物理AI落地的逻辑不是这样的，我把它总结成一句话：在有限的范围里追求全面的通用。

举个例子，自动驾驶只要在驾驶场景里追求达到一定的通用性，它就可以落地。

所以今天我们讲世界模型、多模态大模型、具身模型也好，物理AI的模型，我们可以把这个“world”小型化：比如把它放在我们今天吃饭的船舱里，实现全面的通用性就没那么遥远；也可以把它局限在一个有限的空间里，像银河通用做的“太空舱”、我们落地的某些工厂里特定的产线、生活中一些特殊的空间技能——它是有限的，不需要你走出屋子、什么都能干。

所以从这个要求来讲，物理AI落地的门槛，在“全面通用性”上并没有那么高：我们可以在一个limited space里去追求它的通用和泛化，一旦达成，就能在这个维度快速形成一个成熟的产品。所以我今天大胆判断：物理AI的Agent到来，会比数字AI大大缩短周期。

陈昱：好，感谢三位的分享。刚好我们的船也停了，可以上岸了。谢谢大家。

本文来自微信公众号“腾讯科技”，作者：苏扬，编辑：徐青阳