过去两年，AI产业的竞争重心正在从模型能力延伸至物理世界。

2026年3月，英伟达创始人兼CEO黄仁勋在GTC 2026上表示，“物理AI已经到来”。沿着这一趋势，未来十年，AI也将逐步完成从“数字智力”向“物理智能”的跨越：从能够理解和生成内容，走向能够感知环境、作出决策并影响现实世界。

到7月的2026世界人工智能大会（简称“WAIC”），物理AI已经成为贯穿展馆的一条鲜明主线。

在大会现场，各类机器人集中展示“十八般武艺”：有的负责交通指挥和展馆导览，有的完成工业装配、药品分拣和应急救援，还有的能够识别环境、听懂指令，自主完成抓取、搬运和巡检。

我们逐渐看到，AI被装进机器人、无人机和各类智能设备，开始看见周围的环境，理解人的意图，并尝试完成具体任务。

这种变化背后，是多模态模型、端侧算力和空间理解能力的共同提升。模型与传感器、控制系统之间的连接也越来越紧密，AI开始从处理数字信息，进一步介入真实世界的运行。

当AI进入物理世界，问题也变得更具体。机器能否在复杂环境中稳定运行？能否理解不同用户的需求？面对突发变化时，能否及时作出正确反应？产业还面临哪些难题需要解决？

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。

在“AI进入物理世界：从智能终端到具身应用”的圆桌对话中，同创伟业智能终端投资负责人王晶，与傅利叶创始人兼CEO顾捷，大漠大智控创始人、董事长刘汉斌，以及hohem浩瀚创始人兼CEO陈敏进行了对话交流。

几位分别深耕不同的细分赛道，作为具身机器人、低空集群智能、智能影像领域的行业实践者，结合一线落地经验，拆解了这一轮AI物理化变革的行业现状、现存困境与未来发展机遇。

这场对话呈现出的，是AI进入物理世界后一幅并不同步的产业图景。离用户更近、任务边界更清晰的场景率先兑现价值，涉及复杂环境和真实操作的场景，还需继续解决稳定性、安全性和实际操作中的难题。

刘汉斌所在的低空领域，正在尝试把无人机从表演设备做成“可运营、可管理的低空基础设施”。但要真正走向更多场景，多机协同、复杂环境抗干扰，以及GPS拒止条件下的自主飞行，仍是绕不开的难题。

在智能影像领域，AI的用户价值已经更快显现。陈敏表示，影像设备已经开始从“半自动化”走向主动理解拍摄场景，普通用户也能获得类似“随身摄影师”的体验。当前最大的限制，仍是端侧低功耗算力，模型能不能装得下、跑得动，直接影响设备对场景的理解深度。

具身机器人面临的挑战更多。具身智能的发展衡量标准也从“能动”转向“能否真正完成任务”。

顾捷说：“现在的具身机器人会动不代表会干活。机器人一旦拿水杯、扶老人或协助患者训练，就需要真实触碰并改变物理世界，也必须为每一次动作‘承担后果’”。在他看来，大模型和机器人本体都在进步，但二者之间的结合还需要一段时间磨合。

但无论落地节奏快慢，AI进入物理世界最终都要经受同一场检验：能否走出展台，在真实场景中长期、稳定地创造用户价值。

左起依次为：大漠大智控创始人兼董事长刘汉斌，傅利叶创始人兼CEO顾捷，同创伟业智能终端投资负责人王晶，hohem浩瀚创始人兼CEO陈敏

以下为编辑整理的对话实录：

01、AI开始在物理世界“干活”

王晶：大家好，今天，我们邀请了三位行业资深实践者，一起聊聊 AI 的下一站：AI 除了在屏幕里为大家工作，怎样进入物理世界，从“说话好听”走向“干活好用”。

首先请每位嘉宾简单介绍自己，并分享一个在各自深耕领域中的具体案例，最好也谈谈自己的洞察。我们先从顾总开始。

顾捷：很荣幸参加今天的活动。傅利叶在十年前成立时，就希望成为一家机器人公司。当时选择从康复、养老领域切入。到目前为止，已经服务了40多个国家的2000余家机构和医院。

早期开始做机器人时，行业里还没有“具身智能”这个说法。后来相关概念不断变化，包括物理 AI、具身智能等。回顾这些年，我认为有两个非常重要的时刻。

第一个时刻来自运动能力的突破。最早我们做外骨骼机器人，让患者穿在身上行走，帮助患者进行交互和训练。它与工业机器人不同，需要与人直接接触，感知人的动作意图，并辅助患者完成行走、训练等康复任务。

大约四年前，我们开始把强化学习等AI技术应用在机器人的运动控制中，让机器人逐步获得更强的自主运动能力和环境适应能力。那一刻，我们意识到这个行业会发生巨大变化。现在大家也已经看到，模型对机器人的影响非常大。

第二个重要时刻来自“大脑”的发展。我们看到了大模型的能力。虽然目前大模型还无法与具身本体完整结合，但已经能够在很多场景中有阶段性的应用突破。傅利叶一直是一家将场景与机器人技术结合在一起的公司，我们的技术开发由场景需求驱动。我们认为未来真正重要的，不只是让机器人“会动”，也不只是让机器人“会思考”，而是让它能够理解人的需求，在真实环境中稳定、安全、高效地完成任务，为用户创造真正的价值。

王晶：我看到傅利叶最近发布了新的人形机器人产品。公司的战略现在有调整吗？未来仍然专注医疗场景，还是会走向其他场景？

顾捷：我认为这是一条殊途同归的道路：与人打交道的机器人，从康复走向养老，到最终成为人类的智能伙伴——这条技术主线一直没有改变，只是随着机器人能力的不断提升，它能够服务的场景在不断拓展。

王晶：好的，感谢顾总。下面请大漠大智控的刘总。

刘汉斌：过去十年，我们一直在推动无人机灯光秀表演走向高度安全、高度自动化，并把它做成可运营、可管理的自动化装置。现在，我们已经能够面向 To B 和 To C 客户，提供低空视觉艺术装置和低空融媒体装置。这是我们十年来集中完成的一件事。

在这个过程中，我们使用 AI，能够及时面向 To C 客户交付由用户自己创作的内容，让无人机系统从可观赏的表演系统，进一步变成可交互、可玩、可娱乐的 To C 系统。这是我们目前已经做到的事情。

面向未来，我们正在进入低空具身智能领域。行业过去很少在空中场景中讨论“具身”，但我们已经开始把相关技术拓展到更多场景。因此，我们现在的定位是：低空集群具身智能行业级解决方案提供商。

王晶：我补充说明一下。大家可能是通过万架无人机表演、深圳45周年庆等出圈项目认识“大漠大”的。但超大型表演只是大漠大打磨集群智能的第一个场景，背后更大的商业价值在于万架集群验证过的高可靠性软硬件一体的智能系统。

陈敏：大家好，我是来自hohem浩瀚的陈敏。hohem浩瀚是一家聚焦智能影像拍摄系统的公司，成立也已经超过十年。

公司创立初期，我们主要围绕各种极限运动场景，为用户提供基于机电一体化的空间载具，帮助用户更好地完成拍摄。在具备硬件基础之后，过去四五年，我们逐步引入端侧算力，更好地理解用户所处的拍摄场景，并推动这个品类从面向小众专业用户，逐步走向大众用户的日常场景。

我们提出了一个口号：每个人都可以成为自己的摄影师。与用户接触的过程中，我们发现，很多用户当前可能都还处在照片的构图都没有完全掌握的状态，在面对视频内容拍摄中更好的运镜和转场、更完整的叙事，并能够快速出片的需求，普遍觉得能力要求门槛太高。

基于这一背景，我们持续加强对用户场景的端侧识别和理解，也借助大模型在文生视频、图生视频等方面的能力，通过拍摄设备的AI能力，帮助用户在更多场景中自动抓取高光和运镜，记录每一个重要时刻。目前，这是hohem浩瀚聚焦C端用户在重点推进的一个方向。

王晶：陈敏总谈到了AI创作。我日常还有另一个身份，也是一名AI领域的创作者。今天在展会现场，让我印象很深的是一些围绕创作展开的互动体验。它们正在把创作工具和创作场景进一步向普通用户开放，让更多人能够在很短的时间内学会创作、尝试创作，并借助带有AI能力的设备完成内容表达。

我感觉，AI 时代的创作差异会更多体现在审美上，技术门槛正在降低。想追问陈敏总：这一轮AI浪潮改变了什么？在你们的场景中，它塑造了怎样的用户价值？目前的产品是否已经真正与物理世界产生交互和融合？

陈敏：最近两年，我们最深的感受来自用户侧AI体验的变化。三五年前，我们给用户提供的产品属于“半自动化”：用户需要对着设备做一个“OK”手势来启动，设备再识别目标；或者由用户框选特定的宠物、人物等拍摄对象，设备按照指定内容进行拍摄。

现在，基于端侧算力以及大模型能力，设备已经能够更好地理解用户所处的场景，甚至能够捕捉用户的表情和情绪。用户最直接的感受是：自己不需要学习复杂技能，只要带上智能设备，就像随身带着一位专属摄影师。

这种体验具有很强的情绪价值，也为整个行业带来了更大的人群渗透空间。

王晶：目前还有哪些问题没有解决？

陈敏：过去将近一年，我们的工作更多集中在手持、电池供电的端侧设备。现在遇到的一个比较大的挑战，就是先进制程、低功耗算力的发展：怎样让端侧设备加载更大的模型，更好地理解用户场景？

这个问题可能还需要两三年，才能逐步接近理想形态。在此之前，我们需要根据当前能够获得的 SoC 能力分阶段推进，并抽象出适配不同阶段的能力模型。这是团队目前投入较多精力攻关的方向。

王晶：这个问题可能也不只涉及终端厂商，还需要上游产业共同解决。

陈敏：是的。今天也是一个很好的机会，可以和行业里的专家交流。我们期待未来在所处的细分类目中，与大家有更多互通与合作。

02、具身机器人“会动”不等于“会干活”

王晶：接下来回到顾捷总。具身智能赛道今年热度很高，争议也很多。除了表演和演示，机器人距离真实交付还有多远？真实落地中还存在哪些问题？

顾捷：现在大家看到的具身机器人，跳舞、走路已经做得很好。很多人会问：机器人跳舞都比我好了，为什么还不能去桌上帮我拿一瓶水？

原因在于，“会动”不等于“会干活”。会动这件事，更多是机器人自己与自己比较，它不需要改变世界，只需要完成动作、保证自己不摔倒。要真正干活，机器人必须改变外部世界的状态。比如拿起一个话筒、一束花或者一个水杯，它必须真实触碰这个世界。

这里最大的挑战在于，大模型无论怎样堆参数、怎样提高生成质量，仍然有点像“人在做梦”的状态。梦境本身可能是自洽的，但其中的坐标、时间、声音、触感未必准确。只有醒来的那一刻，人才能重新与真实世界完成 grounding（现实锚定）。

对于机器人来说，怎样把真实世界中的触碰、重量等数据与机器人系统结合起来，目前还没有特别统一的方式。行业普遍认为需要大量数据，也需要训练范式和模型范式的变化。更重要的是，机器人需要在真实世界中“承担后果”。

什么叫承担后果？大模型生成一段话或一段视频，结果不好可以重新生成。但机器人拿一个杯子、扶一个老人、帮助一个人运动或站起来，必须承担真实结果，无法简单地重新生成一次。

因此，无论训练范式还是模型范式，其中的差距仍然没有被完全解决。现在机器人已经具备娱乐价值，未来更重要的任务，是让它产生真正的操作价值，也就是“干活”的价值。

而机器人的最终价值是理解人、懂人，并结合周围环境成为人类社会重要的一个组成部分。

王晶：在傅利叶的场景中，目前已经做到了哪些事情？下一阶段最重要的任务又是什么？

顾捷：傅利叶最早开始做的就是与患者、老人直接打交道的机器人。例如外骨骼机器人，它需要通过力反馈感知患者的用力情况，理解患者想做什么，并帮助患者完成相应动作。

它和工厂里的机器人不同，需要与人交互、协同，理解人的意图，再协助人完成动作，而不是简单地完成一个预设动作，追求位置精度、重复精度和生产效率。它要面对的是一个更加开放、复杂的交互环境。

因此，从一开始我们关注的重点就并非单纯的运动性能，而是人与机器人之间的交互能力——能否理解人、服务人、并和人自然协作。回头来看，我们最早选择医疗康复场景是个选择非常正确的决定，因为这个场景能够让我们持续打磨人机协作能力，机器人未来才有能力逐步走向更广泛的商业服务、家庭陪伴等更多以人为中心的应用场景。

王晶：具身智能行业一直在讨论“大脑”和“本体”谁更重要。傅利叶从外骨骼起步，是一家做本体起家的企业。你现在怎么看这个问题？

顾捷：我认为，大脑与身体的结合最重要。

大脑当然非常重要，但本体同样重要。如果本体没有足够的稳定性和可靠性，每天摔碰、频繁出故障，也会成为很大的问题。真正关键的是两者之间的深度结合。

分开来看，目前机械和机器人本体的形态已经开始逐渐收敛；大模型能力的上限，大家也已经看到。但“大脑”与“身体”的结合，还差得很远。

王晶：你认为实现这种结合，大概还需要多久？

顾捷：在五年、十年前，我对此比较悲观，甚至觉得可能这辈子都做不出来。但现在已经看到了很大希望。

接下来的问题是：模型能不能生成足够好的动作？这些动作改变世界之后，新的反馈能不能快速反向作用于模型和本体？从这个角度看，关键时间点正在越来越近。AI 模型能力最震撼的一点，是它呈现指数级增长。

我在公司里经常和同事讨论：应该把 AI 当成工具，还是当成一个“数字员工”？如果只把它当成聊天框，它就是一个工具。我的做法是把 AI 当成一个“员工”。它做得不好，我会告诉它哪里不好；它有些地方做得不对，也可能是因为我没有同步足够的信息。

当你把它当成一个平等的个体，与它同步大量信息，AI的表现实际上会越来越好。基于这种趋势，我认为看到机器人真正实现通用泛化能力的那一天，是非常值得期待的。

什么是机器人的“ChatGPT moment”？在一个开放、从未见过的空间里，机器人能够自己走过去，拿起一杯它从未见过的水，再递到你身边——这就是机器人的 “ChatGPT moment”。

03、无人机集群开始进化

王晶：刘总，沿着顾总刚才的讨论，在你们的领域，最重要的能力是什么？

刘汉斌：在我们的领域，我认为有五个重要方向。

第一，因为无人机位于空中，拥有“上帝视角”，所以进入新场景的第一步，是利用这一视角对全域空间进行三维重建。

第二，我们面对大量非结构化场景，包括隧道、桥梁、山谷、丛林、室内和室外等，场景非常复杂。与此同时，我们还要感知不同类型的环境干扰，包括气象环境、电磁环境，并且在 GPS 拒止环境下实现自主、稳定飞行。

第三，空中机器人与地面机器人还有一个不同点：未来会从单体飞行机器人，向多机协同和群体智能方向演进。

第四，系统要进行毫秒级推理和决策，实现实时响应和快速避障。这要求算力能够实时响应，通信也必须保持实时连接。

第五，低空飞行智能体未来会更加靠近人类作业，与人产生更多交互，并形成新的场景，例如空中的智能警察、智能演员、智能导游和智能记者。

王晶：你刚才提到了很多技术点，包括抗干扰、与人群交互和多机协同。现在的无人机表演场景通常与人群保持一定距离。未来要从稳定抗干扰走向近距离人群交互，同时实现多机协同，技术难度很高。大漠大智控目前做到了什么程度？

刘汉斌：按照我们采用的智能化等级划分，空中智能化分为 L1 到 L10。我们计划在今年年底达到 L5 水平，并推出能够在 GPS 拒止环境下完全自主飞行的产品。

未来更大的挑战，是继续在多机协同方向上突破。空中平台拥有“上帝视角”，也因此承担着发展集群智能的特殊使命。集群智能是这个行业非常关键的技术关口。

王晶：在低空经济中，能够形成商业闭环的场景目前并不多，无人机表演算是其中之一。您提到的多机协作的群体智能在其他场景也有很多拓展空间，能不能也给我们“画个饼”？怎样把表演场景的能力复制到其他交互场景和人机协作场景？目前还有哪些卡点，已经做到什么程度？

刘汉斌：这里核心有几个重点的“步骤”。

首先，是把设备做成可运营、可管理的网络系统。过去，通信设备厂商把交换机卖给电信运营商，再由运营商面向用户放号。我们也希望把设备做成可运营、可管理的低空经济基础设施。

当系统能够把“人在回路”环节拿掉，成为完全自主、智能的基础设施，这一步我们已经做到了。我们即将在无锡试验一个场景：设备部署在现场后，个人用户可以扫码，与 AI 交互，定制和创作自己的内容；系统在20分钟内完成生成，用户付费后，创意可以直接呈现在空中。首先把表演做成基础设施，这是我们的第一步。

其次，是把表演系统的技术内核迁移到其他场景，其中集群能力非常重要。

在表演场景中，过去一个图案在空中可能只能呈现20分钟；现在，我们在杭州西湖可以让一个图案持续24小时固定呈现。这是相对基础的集群协同。

更高级的集群协同，例如利用空中“上帝视角”进行无缝视频搜索和侦察。我们已经在内蒙古使用多架无人机，在无缝覆盖规划下完成搜索任务。现阶段，这属于相对简单的应用。

未来，我们还要进入地下管网、桥梁、隧道、山谷和丛林等场景完成任务。我们希望在今年年底形成相应的产品能力。

王晶：这个方向很有想象力。以后我们是不是可以直接在天空中看无人机电影？

刘汉斌：我认为明年就有可能实现。比如，3万架无人机在空中拼成一块屏幕，地面控制站与每一架无人机保持实时、可靠的通信连接，就可以把世界杯的精彩片段实时切换并呈现在空中。

从技术上看，这个方向已经具备实现基础，目前还没有达到3万架无人机全连接、不断线的实时传输能力。明年的目标，3万个点不丢包的实时连接。最终，我们希望把世界杯精彩片段实时呈现在由3万架无人机构成的天空屏幕上。

王晶：很值得期待。未来天空可以成为一块大屏，每架无人机都是一个像素点。

下面进入竞争话题。大漠大的第一个商业化场景发展得比较好，未来如果有更多友商进入，这种领先优势还能否保持？三到五年之后，大漠大能够沉淀下什么？

刘汉斌：面向未来竞争，我认为真正的护城河短期可能存在，长期很难一劳永逸。

第一，当 AI 进入物理世界时，安全是最大的入场券。作为在空中运行的低空具身智能体、飞行智能体，可靠性必须达到很高水平。我个人认为，至少应该达到“五个9”。

第二，进入低空飞行智能体时代之后，飞行数据集的积累会成为非常关键的“语料库”。使用新技术进入新场景、提升智能化水平的过程中，飞行数据集的持续积累非常重要。

第三，如果还要谈护城河，就是不断提升飞行器的智能化等级。智能化等级越高，能够打开的市场空间越大。对此，我感受很深。

04、智能影像的竞争，进入“谁更懂用户”

王晶：刘总刚才提到安全，这和顾总此前的观点不谋而合。同样的问题也请顾总回答：傅利叶如何看待具身智能企业的护城河？

顾捷：具身智能领域现在涌入了非常多的企业。今天下午在 WAIC，大家到处都能看到“遛狗的、遛人的、遛 豆包 的”。

我认为，一家企业的护城河主要有三点。

第一，对最终客户和终端场景的理解。比如我们把机器人卖给医院，医院关心的是患者能不能治得更好、治得更快，效率能不能提升。

至于使用机器人还是其他设备，并非客户最关心的问题。又比如送快递，客户关心的是快不快，无论通过飞机、车辆还是船送达，最终需求没有变化。因此，对客户和场景的理解，是企业非常重要的护城河。

第二，在具体场景中形成的数据闭环。更准确地说，是企业从大量客户诉求中沉淀出的经验，以及对客户和场景的理解。

第三，品牌和客户信任。信任需要很长时间积累。未来使用的可能是人形机器人、非人形机器人或其他康复设备，产品形态会不断变化，但客户信任不会轻易变化。这是三大护城河。

王晶：这三个总结基本适用于所有智能终端。再追问一个更有挑战的问题：傅利叶最大的优势是什么？最担心的问题又是什么？请排个序。

顾捷：傅利叶过去十年进入了数千家医院，服务了上百万患者。机器人每天与人接触，我们获得的还有经验，以及对客户和场景的理解。

例如，机器人进入养老院后，没有必要突然在老人面前翻跟斗，那可能会把老人吓到。我们希望它非常温和、善解人意，老人给一个眼神，它就能完成一件事情。

围绕客户最终需求持续积累产品线和经验，是我们一直坚持的事情。

王晶：我理解了，要做“暖男型机器人”。

顾捷：对，像“大白”一样。

王晶：智能影像领域的竞争也非常激烈，所有做智能硬件、尤其来自深圳的创业者应该都深有体会。在这一轮行业洗牌中，hohem浩瀚如何建立自己的竞争力？

陈敏：顾总的观点让我很有同感。hohem浩瀚在智能影像拍摄系统领域也已经深耕超过十年。我们很幸运地发现，影像拍摄背后有非常多样化的人群需求。不同人群、不同场景中，哪些视频片段值得记录，采用怎样的叙事逻辑，每个人的个性化诉求是什么，这些背后都需要大量数据和场景训练。

过去十年，hohem浩瀚在全球40多个国家已经拥有数百万用户，他们持续使用hohem浩瀚的手持拍摄产品，在亲子、出游、聚会、直播等场景中，多样性的拍摄记录和分享。

这些真实使用过程为我们积累了大量的场景数据，结合hohem浩瀚在AI视觉场景理解、4K高清影像、机电一体化的空间移动本体能力的深厚积累和融合，帮助我们更高效切中用户拍摄需求并持续迭代，最终形成真正懂用户、能够更高效帮助用户便捷完成内容创作的自动拍摄系统。我们把它称为“智能拍摄细分场景专用机器人”的具象化。

这件事背后需要工程技术能力、全球供应链履约能力，以及对用户场景数据的持续训练。几项能力融合起来，像飞轮一样转动，能够帮助企业在行业快速爆发期找到自己的支点。

王晶：最后进入快问快答，每位嘉宾认领一个问题。第一个问题：今天被低估、未来会变贵的能力是什么？

顾捷：今天往往被高估的是展会上的一些demo能力。Demo展示的是技术上限，大家看到视频里机器人又“逆天”了，又能完成特别酷炫的事情，会自然拉高对于技术成熟度的期待。

被低估的，是机器人的长期可靠性以及能否形成让用户信任的品牌。这些事情（的重要性）我认为目前是被低估了。

王晶：耐心和“暖男”。第二个问题：今天被高估、但很快会标准化的能力是什么？

陈敏：在我们所在的领域，影像拍摄的专业技能过去需要专业摄影师沉淀十年、二十年，才能形成专业技术能力，也就是摄影师的“饭碗”。

未来两三年，每个用户都可能通过 AI 驱动的端侧设备，拥有自己的专属摄影师。这种能力会快速普惠，内容生产也将进入一个非常大的爆发期。

在这个过程中，我们也在思考：除了为用户提供设备，在内容爆发期还能为用户做什么？例如数据管理、用户个性化定制等问题，都值得与行业专家和同行进一步探讨。

王晶：第三个问题，从目前来看，低空具身智能行业共同需要补上的短板是什么？

刘汉斌：对低空具身智能行业来说，需要补的短板，是持续提升智能化水平。现在市面上绝大多数无人机都缺乏足够的智能能力。行业当前迫切需要提升智能化水平，推动无人机走向完全自主飞行，并在GPS拒止环境下实现自主飞行。这是整个行业目前共同需要补上的短板。

王晶：感谢三位嘉宾。也希望在这场行业巨变中，大家都能继续留在牌桌上，保持勇气和耐心，在变化中找到自己的位置，也走出属于自己的下一程。

本文来自微信公众号“腾讯科技”，作者：李海伦