00后视角的AI下一站。
作者｜刘亚琼
内容支持｜甲子Builders罗著、王修齐、田琬琦
AI正在经历急速“远行”。
当智能进入物理世界，难度逐层升级：模型不仅要“知道”，还要理解环境、处理变化，并在行动之后获得反馈。
2026年9月12日，以“未来此刻”为主题的2026崇礼论坛在崇礼·太舞小镇举行。本次论坛由太舞小镇、甲子光年、破圈文化联合主办，参会嘉宾及观众超过700人。在开幕式“小天才开麦”环节，甲子光年创始人&CEO张一甲与逆矩阵科技创始人&CRO陈博远、明体科技创始人兼北京邮电大学副教授徐梦炜、MirroS创始人&CEO刘芳甫、万格智元创始人&CEO王冠博、共绩科技创始人&CEO付智共同展开了一场关于《下一站：世界》的讨论。
主题里的“世界”有两层含义：一层是世界模型（World Model），AI如何理解、预测世界，陈博远、刘芳甫的创业均与此有关；另一层是真实世界（Real World），AI正走进我们的电脑、端侧、机器人，甚至太空，这是一场伴随算力基建和智能普惠的星辰大海，王冠博、付智、徐梦炜的创业方向正在于此。
“小天才”们路径不同，但都指向同一个命题范畴：真实世界从来不是一本已经写完的书，它不断变化，充满噪声，也充满未知。你必须去感知、进入、改变它，并承担它给你的反馈。我们的话题就从这里出发。
以下为本场开麦的文字实录，经「甲子光年」编辑，在不改变原意的基础上略有删改。
1. 8个判断题，叩问AI下一站
张一甲：台上只有我和梦炜是90后，其他四位全是00后——博远2004年出生，22岁的独角兽创始人；芳甫2001年；冠博2000年；付智2000年。非常开心可以把大家聚在这样一个场域。
大家每个人手边都有我们的小道具——Yes和No牌、白板、表情包，大家可以举牌“大胆开麦”，表示我有话说，可以直接拿到发言权，也可以举牌“等等”，来打断、追问甚至质疑在场任何一位嘉宾。
今天主题叫《下一站：世界》。在座几位，有两位在做世界模型，剩下几位在把AI送进真实世界，有把智能送到端，有做算力调度系统，还有把智能送上太空。所以我们取了这样一个名字，也想听听各位对于“世界”的态度。
请每位嘉宾先做个自我介绍。
徐梦炜：扎心了，我是90后，目前是北京邮电大学的老师，也正在做太空具身智能创业。我之前在北大读了9年，完成了本科和博士阶段的学习。今天现场看到很多北大师兄，特别亲切。简单来说，明体科技希望通过具身智能技术帮助人类探索和开发宇宙，成为未来星际大航海时代的劳动力提供者。
付智：大家好，我是共绩科技CEO付智。我们致力于构建跨域全球的分布式算力网络。这源于我们的一个观点：未来算力需求会分层，而分布式的小型算力集群在推理上会发挥一定的优势，因此需要相应的网络进行调度。这件事我们已经做了一段时间，目前国家也在建算力网，我们也是其中重要的建设单位。
陈博远：大家好，我是陈博远，逆矩阵联合创始人。我们在做面向真实物理世界的通用世界基座模型，我们相信，AI一定会从虚拟世界走向真实物理世界，但真实物理世界对速度、精度和泛化性都有更为急切的要求，并且真实物理世界是充满噪音的。我们希望构建这样一个基座模型，让它能应用到不同的具身本体，并且作为不同严肃工业仿真的底层引擎，带来人工智能生产力的进步。
虽然我年龄相对比较小，但我们公司凝聚了一批来自国内外大厂的核心技术负责人，也有北大、清华的优秀人才。物理AI绝对不是一两个“小天才”能够做出来的，一定是一个系统性的工程，所以我们也希望能够和优秀的同行一同前进，推动物理AI实现。
刘芳甫：大家好，我是MirroS创始人兼CEO。MirroS希望构建一个能够动态适应物理世界的通用模型。我们现在看到大量的模型，哪怕GPT-6 Astra出来之后，仍然是在静态沙盒里去Scaling up的Static Model。但真实世界是动态变化的，所以我们希望能够做一个在真实物理世界持续evolve、自进化，并动态适应真实世界变化的通用智能模型。我们的愿景，是让MirroS的Reasoning Model连接每一个Physical Sensor，让感知不止于信号的采集，更能通向对物理世界的理解、推演与交互。
王冠博：大家好，我是王冠博，万格智元创始人。我们主要聚焦端侧，希望打造端侧的基础算力设施。我们认为未来云端算力将会持续短缺，在有限的算力下怎么实现全民普惠，将关系到几点：一是成本，二是性能。未来应该是一个多元系统共生的时代。端侧有点像新一代的网络。所以我们希望把云端大模型做在端侧，而不是做端侧小模型，即从过去以流量为核心的时代，转化到以Token为核心的时代，并让它走进千家万户，让每家每户能无限量且免费使用Token以解决自己的需求。这种方式既能满足大家对于智能未来的需求，也能满足大家对成本和用量的需求。
张一甲：我想做一些互动，我说几句判断句，每句话请大家举牌“YES”或者“NO”。第一个判断句——“未来一年，物理AI会出现GPT时刻。”请举牌。
注：刘芳甫举“YES”，其余人举“NO”。
张一甲：芳甫，你是唯一一个给“YES”的，请解释一下。
MirroS创始人&CEO刘芳甫
刘芳甫：我觉得，很多时候所谓的“GPT时刻”，并不一定意味着智能本身已经发生了多大程度的跃迁，或者已经真正超越了人类。它更像是一个Aha Moment——让所有人第一次清晰地意识到，一种新的能力范式已经出现。
对于具身智能而言，我认为真正的“GPT时刻”，也不会只是出现一个足够惊艳、足够炫酷的Demo。更重要的是，人们第一次真正看到一个模型，能够在物理世界中动态适应任务、环境以及持续发生的变化。
我相信，这样一个能够在真实物理世界中动态完成交互任务的模型，会在明年出现；而我也相信，它会发生在MirroS。
张一甲：物理AI的“GPT时刻”的定义是什么？
刘芳甫：我觉得，它首先应该给大家一种很强的“推背感”——让人突然意识到，我们距离AI真正进入物理世界，已经没有想象中那么远了。
这种时刻带来的应该是一种非常明确的惊喜：你看到的不再是一个又一个同质化的Demo，而是第一次真正感受到，AI开始具备进入真实世界、理解环境并参与其中的能力。
张一甲：博远怎么看？
逆矩阵科技创始人&CRO陈博远
陈博远：我投的“NO”，因为我觉得对于“GPT时刻”的定义，大家应该都很明确。第一，它作为一个物理AI的基模，能够有持续Scaling的表现；第二，一定要应用到真实物理世界，无论是工业场景还是家庭场景。如果讲到对于这样一个物理AI的追求，我认为一个通用的物理智能，我们对它的期望应该是它在任意的场景下都能完成任意任务。比如今天这个会场是我第一次来，它非常嘈杂，但如果派一个机器人过来能够帮我完成会务的工作，包括在实际的工厂里，一定充满了噪音和不可见的约束。
我自己对于物理AI基座模型的要求比较高。我认为它可能不会一年那么快，但基本也会在18到24个月，也就是一年半到两年的时间会到来。因为我们发现，对于物理AI基模迭代，除了模型本身范式收敛外，还有一个很关键的问题，就是要把模型应用到真实的物理世界里，在真实的本体或者API Source上进行大规模迭代。所以硬件的收敛速度和数据采集的收敛速度，都会影响到基座模型。
作为一家构建基座模型的公司，我们一直在思考：如何采用最好的硬件，率先进入最深的场景和最多样化的场景里，去触达模型的上限。最终，我们希望能够转起来一个数据闭环，用更强的模型跑通更深的场景，获得更有价值的数据，最终解决更多复杂的任务。所以，我对这个“GPT时刻”的判断相对冷静和克制。
付智（举牌“大胆开麦”）：我希望大胆开麦。我们做推理和训练相关的基础设施，服务了很多做物理模型或者世界模型的公司，在数据处理和采集场景有一些独到的观察，所以从我们的角度提出一些想法。
共绩科技创始人&CEO付智
首先，我觉得具身智能的“GPT时刻”，这个概念可以比较清晰地定义，并没有那么模糊。它可以有稳定的跨域泛化的能力，以及稳定的零样本推理能力。一方面，从业人士更清楚今天到底是什么样的场景，有很多时候它可能只是在某一个具体的场景里表现出一些泛化能力，就被大家夸大说“GPT时刻来了”，我觉得这是不对的。但从我们的视角来看，可能有一些更加直接的观察。我们服务了5家以上相关领域的公司，帮他们做数据采集、数据处理和清洗。因为我们这种分散式的设备，在数据清洗上效率会很高，目前大部分还是基于视频数据。
我们发现一个非常有趣的现象。
我们问客户：“你一个月大概处理多少T的数据？”有的人说我要几个T就够了，有的人说我要100T，有的人甚至更多。我们就很好奇，为什么同样规模的公司，会产生如此大的需求差距？有的人会说，他需要4K RGB全彩的数据，有的人会说我要双目数据，有的人说必须有深度数据，有的人说黑白就足够了。你会发现，最源头的数据范式定义环节，现在都还处在非常早期的阶段。所以我认为，一年以内就看到真正的“GPT时刻”，可能都是比较乐观的估计。
万格智元创始人&CEO王冠博
王冠博（举牌“大胆开麦”）：我也大胆开麦一下，我比较认同付智的观点。即使现在大家认为LLM已经到了一个非常强的阶段，已经到了GPT-6，但因为我们是做端侧设施的，和很多主机厂商、PC厂商、NAS厂商以及和它们的垂类场景打交道，我们发现，即使GPT-6或者GPT-5.5，也很难应用在垂类的聚焦领域里。所以我觉得从现在真正走向应用来看，大概率未来FDE（Forward Deployed Engineer，前线部署工程师）会长期存在，它一定是Model加Harness，在垂类领域中才能发挥价值。
所以如果我们定义“具身GPT时刻”，我也一直在想这个问题，因为我认为具身也是一个很好的端侧场景。这个场景需要模型收敛到什么样的程度，或者说不管是从架构上得到确认，还是在性能上达到什么样的等级，再配合着Harness就能深入到垂类场景，这也是一个值得探讨的话题。
张一甲：芳甫有必要解释一下。
刘芳甫（举牌“等等”）：我很同意付智说的。如果我们把希望全部押注在Real data上，那可能“GPT时刻”确实会来的晚一些。如果我们考虑人类数据Scaling的问题，最后的数据量级可能是“人类数量加上机器人数量”，再乘以人类能够用于物理交互的时间。这样来看，我觉得可能也很难像博远刚才说的，在18到24个月之内就取得这样的GPT时刻。但实际上，现在Coding AGI的能力已经非常强了，无论是在Anthropic还是OpenAI，其实内部已经RSI了，它能写出下一代让它迭代更好的Coding。
其实，Coding作为一个世界的Engine，它拥有世界上所有的Knowledge，只是过去这些Knowledge主要存在于一维平面。现在，我们完全有可能通过Diffusion这样的Visualize的方法，以Coding Engine为核心，把很多Knowledge可以distill到真实世界。所以我认为，数据的Scaling会发生得非常快，发生的点不在Real Data上，而是在Virtual Data上，在无数个和真实世界分布无限接近的Sandbox里。
所以我觉得，Coding的加强会大大催生整个多模态和具身领域的发展。我们也在讨论一个观点，就是过去三年，Anthropic押注了Coding，成为了今天万众瞩目的startup。那么未来三年，面向多模态和具身智能，核心范式会是什么？
我们的答案依然是Coding。只不过，它不再只是对文本和软件世界的Coding，而是对感知、物理规律和交互过程的Coding。我们内部把它称为——Multimodal Coding。
张一甲：酷。我们继续。第二个判断句：“未来一年世界模型会出现类似Transformer的统一技术路线。”请举牌。
注：陈博远、刘芳甫、王冠博举牌“YES”，其余人举“NO”。
张一甲：先听两位做世界模型、举牌“Yes”的小伙伴发言。
MirroS创始人&CEO刘芳甫
刘芳甫：我觉得可能未来世界模型的定义，更多是一个“环境”。真实物理世界肯定不是Scaling一个基础模型就可以完成，它是动态变化的系统，既有环境，也有Agent——这个Agent是由基础模型加Harness组成的。
所以，我们要Scaling的不是单一的基础模型，而是整个环境+基础模型的系统，最终我们去实现多模态的智能，整套环境的Scaling就是伴随着Coding的Scaling，进一步催生整个多模态世界的数据。所以未来我觉得最后会收敛到一个词上——多模态Coding。这是我认为极大可能会收敛的一条路线。
陈博远：非常认同。本质上无论是在Sandbox里，还是进入真实物理世界，我们想学好这样一个世界模型，或者物理AI基座模型，一定要不断纠正和反馈。
我想补充一点，我们在谈论这个范式收敛之前，可以先回到第一性原理。比如大模型的成功其实不止是Data Scaling，因为Data Scaling其实已经让Deep Learning成功了。让大模型成功的，其实是我们定义好了基础任务，也就是预测下一个词（Next Token Prediction），虽然非常反直觉，但是我们在信息论上能够bound住，预测下一个词的Predictor，等于一个Compressor，所以大家说“压缩即智慧”。
回到真实物理世界，特别认同刚刚我们说的，Data Scaling不会成为唯一Scaling的轴。因为我们发现，第一，真实物理世界和Virtual world不一样，虚拟世界可以给它定义很好的上下文，是个全观测空间；而真实物理世界是部分可观测的。比如我们现在不需要知道这个场馆的温度、湿度以及重力加速度是多少，但我仍能够拿起这个麦。所以我们人类是在这样一个部分可观测的环境下，完成和物理世界不断交互和决策的过程。
我们还会发现，人类对于物理世界的理解不只来自于“感知更多世界”，不只是看过更多数据。如果我们只是看过更多数据的话，我们一定会认为桌子有吸力，不然为什么所有视频里杯子都在桌子上，没有飞到天花板上。我们对于物理本身的理解，其实是来自于和世界不断交互，我们在交互过程中不断验证和更新假设，比如把杯子放在地上，发现它没有被吸在桌子上。
所以，为什么我坚信，一年之内范式会收敛？包括我们和英伟达、硅谷也有合作，以及内部看到一些Scaling的结论，我们发现在Data和参数之外，在预训练阶段，我们要把交互或者动作因果原生引入模型架构。所以在我们自研的预训练架构上，现在可以看到在更大规模尺寸上，基模涌现出来一些对于物理世界的理解能力，无论是油性材料、流体材料，以及最终应用在不同本体上，都表现出跨本体泛化和零样本泛化的能力。
从国内外进展来看，包括我们在逆矩阵内部看到的Scaling进展，我觉得范式在一年之内会收敛，但一年之内范式能否落地，其实还要靠上下游同行一起努力。比如刚才付智提到，无论是数据，还是应用到真实的端侧，我觉得都是很大的难题。因为你会发现，大模型也经历过一个过程，就是先提高智能，再把智能做到端侧，做到手机上。所以最终物理AI基模一定还是要做到本体上，我觉得这块还有很多的问题要解决。
共绩科技创始人&CEO付智
付智：我为什么Say “NO”，倒不是因为对这个有特别深的认识，相反正是想请教一下大家。我想先抛一个论点，大家可以在这个论点基础上延伸：我认为智能不等于精确。显然，我们在座每个人都是拥有智能的，但这个手牌有多宽，在座没有任何人能够一眼看出来具体几厘米。
在很多传统的工科领域，如果依赖精确的建模，或者采用仿真的方法，其实可以做到精确求解，能够解决相当细分场景的问题。但如果我们追求的是“智能”，我们所说的这种智能，就像人类一样，它也许模糊，但能够对未来进行一些预测，也具备一些泛化和感知的能力，其实我会对此感到疑惑。这也是为什么刚才Say “NO”。
以前的大语言模型是一维的输出，也就是文字。它本身输入信息很多也是一维的，在训练过程中，人对它进行标注，输入了一些逻辑性的东西；但今天我们在做物理AI相关研究的时候，比如视频数据也许包含了二维信息，如果加入了3D几何空间信息来做的话，可能还有三维，或者再加上一些时间轴上的信息，它怎么泛化出物理空间里如此多维的感知？
这其实是我比较疑惑的，于是我Say “NO”，因为我不知道怎么定义数据，以及它们之间的映射关系。
明体科技创始人兼北京邮电大学副教授徐梦炜
徐梦炜：我想解释一下我为什么举“NO”，我们也不是做最前沿的World Model的方向，所以我也是抱着请教的态度。如果提到收敛，可能还得考虑它的终局是什么。从应用角度来看，我感觉终局是“潜空间表征”。但是从潜空间表征上看，刚刚博远说了，它的Scaling不只是模型，还得有一个预训练的方法，语言模型我们有非常明确的预训练范式——也就是预测下一个词（Next Token Prediction）。但在潜空间表征这个方向，尤其是表征训练方式还比较早期。一年内可能可以收敛到一定的状态，能有一定的产出，但可能不一定是终局，这个终局还需要3年、5年、10年的时间才能实现。
张一甲：我们继续。第三个判断句——“未来一年AI的主战场仍然属于基础模型。”请举牌。
注：徐梦炜、付智、王冠博举“NO”，陈博远、刘芳甫举“YES”。
张一甲：请每位举“NO”的嘉宾各说一句。
徐梦炜：我觉得数字世界会有瓶颈，到后面经济效益就没有那么高了，未来可能还是要解决物理世界的问题。
付智：首先，大家都在追求更强的模型智能，但真正到了使用端，其实很多场景并不需要最强的模型。越来越多的需求，可以由能力稍弱一些、但更适合具体场景的模型来解决。我认为，这会是未来一个很值得关注的方向。
万格智元创始人&CEO王冠博
王冠博：用户永远不需要一个最贵的模型，他只需要一个能解决需求的模型。等模型达到用户期待的阈值后，其实大家就要开始追求性价比了。如同Kimi3的爆火，它虽然不是Top1，但因为超过了Claude Opus 4.8，所以大家觉得OK，基本上所有需求都可以被满足了。那接下来大家就会去寻找一个最具性价比的方式，来实现应用场景的落地，同时满足对价格的预期。
张一甲：第四个判断句——“未来一年，端侧AI会成为比云端AI更重要的战场。”请举牌。
注：付智举“NO”，其他人举“YES”。
付智：我并不觉得它们之间有什么重要的区分，如果要区分，比如谁规模更大，谁就更重要，那我觉得还没有那么快。大家关注更多的，还是有很多场景会跑在云端，它依然是更通用的场景。
张一甲：第五个判断句——“太空原生机器人，做起来会比地球上的机器人更简单。”请举牌。
注：徐梦炜、付智、刘芳甫举“YES”，陈博远、王冠博举“NO”。
徐梦炜：和地面相比，太空这个场景有诸多挑战，比如物理规律不一样，可能在太空中碰一下它就会转起来，没有摩擦力很难夹住它；包括在算力层面，太空场景是一个非常典型的端侧算力，不仅算力总量受限，而且散热功耗也受限；最后，在辐射上，可能太空会有一些单粒子反转等问题。
在这些挑战之上，太空有一个好处，它是具身智能的垂直场景，它的环境相对来说比较干净，跟我们的会场和家庭相比，它的任务也相对可以预先定义。所以，太空对具身智能的智能上限，以及对泛化性的极致追求没地面那么高。
我们公司也不像博远他们追求智能上限，更多是用当下的具身智能技术去解决太空里的一些重要问题。所以总结一句话：走进太空比走进工厂要难，但是比走进家庭要简单。
陈博远：非常认同。我要补充一下，太空这个场景现在是没办法触碰到的，所以会有很多挑战。但是相比而言，家庭场景完全是非结构化的，对于泛化性要求很高，千人千户。而太空作为一个垂类产业，只要我们能够攻克一些挑战，反而有可能率先由像明体这样比较优秀的公司，实现一些落地应用。
张一甲：SpaceX上市，马斯克第一次让大家看到太空经济是可以部分商业化的。梦炜，马斯克和你的愿景，有没有基础假设是不同的？
徐梦炜：其实差不多，最终就是大家希望的，都是走进深空。在这个过程中，人类是很脆弱的，需要机器人的陪伴和帮助，所以大家的愿景是一样的。只不过马斯克是特别垂直整合，什么都做；而国内的产业链分工还是比较明确的。这是商业化上比较大的区别。
张一甲：第六个判断句——“十年后，算力会像电力一样便宜。”请举牌。
注：陈博远举牌中立，其他人举牌YES。
陈博远：我觉得这个东西很难预测，因为算力有很多种，有云端的，也有端侧的。所以在这个事情上，还是得靠在座优秀的同行们一起推进。它一定会成为核心卡点和里程碑，但是价格受到多方面的约束，比如模型能力、智能上限、应用市场等等，所以不像电力一那么好预测。这是我保持中立的观点。
王冠博：就像刚刚博远说的，未来算力怎么定义，也是一个问题。如果我们还是以GPU集群来定义算力，以它的功耗来看，价格可能还是居高不下的。但现在出现了很多新的SoC，不管是存算一体芯片或者新一代的NPU，它是专门为计算而生的，功耗可以做得非常低，带宽可以拉得非常高。比如我们国内一些头部的3D DRAM厂商，带宽可以拉到2T，功耗只有10W。如果把它推广开来生产Token的话，算力成本一定便宜很多。但如果未来算力依然是个GPU主流的市场，那可能价格也要见仁见智了。
徐梦炜：我说一个大胆的。我们的产业链里有一个比较重要的场景，就是太空数据中心。理论上，可能20年、30年以后算力会比电力更便宜，因为在太空不需要用地面上的电力，但这个会需要比较久的时间。
张一甲：第七个判断句——“未来一年，具身智能会在家庭场景成为刚需。”请举牌。
注：所有人都举牌NO。
张一甲：唯一一个共识。
陈博远（举牌“大胆开麦”）：我要大胆开麦，刚刚我犹豫了一下，我原来也想具身智能会不会大规模铺开。但在这个过程中，除了技术之外，还有很多安全和隐私的问题，这些其实都会影响具身智能能不能在家庭场景里大规模铺开。
如果问题是具身是不是家庭的真需求，我觉得这个真需求是一直存在的，并不是说到了某一个时间点才突然出现。比如养老、幼儿照顾都是家庭场景里长期存在的真需求，我们也面临着一些老龄化的问题。只是技术能不能供大于需，以及能不能解决一些安全和隐私的问题，这是挑战，这也是为什么我刚刚犹豫了一下，最后又举了一个“NO”。
张一甲：第八个判断句——“未来一年AI遇到没见过的任务，人类只需要说要什么，不需要说怎么做。”请举牌。
注：陈博远、刘芳甫举YES，付智举NO，徐梦炜、王冠博中立。
张一甲：这个问题依然有分歧。
徐梦炜：这个问题相对宽泛一点，没有限定数字世界还是物理世界，我觉得都可以，我觉得在文字状态空间可能都是能做到的。
付智：如果在文字状态空间里，可能是能做到的，但是可能只能覆盖大部分问题中的极小一部分。对于很多人来说，真正的问题都不发生在文字状态空间。
陈博远：我觉得虚拟世界里AGI已经实现了。大家可以在Virtual或者Computer Use的情况下，让AI帮助你完成很多任务，帮你很快地探索，甚至可以操纵机械臂。但是为什么要这么做，从哪个方向做探索？这些最宝贵的idea还是来自于人，本质上AI可能只能完成人类70%到90%的反应，剩下的10%，还是得靠人的智慧来归纳偏置（inductive bias）。
张一甲：今天的主题为《下一站：世界》，我们正在描绘这样一个图景：AI正在向真实的、开放的、未知的世界中自主学习、适应和行动，并且正在走向机器人、走向端、走向太空。如果把这个蓝图的大目标假设为100公里，你认为我们已经走到了多少里程？请各位嘉宾分别在白板上写下里程数（0-100）。
注：徐梦炜写“5”，付智写“10”，陈博远写“5”，刘芳甫写“60”，王冠博写“85”。
张一甲：大家的分数差异好大。从分数最高的开始说说吧。
王冠博：我想先限定一个场景。以LLM为例，尤其是Coding类的任务，为什么我觉得还剩15公里？因为Coding确实可以打一个基建，但是它不能干所有的事情。尤其是在很多垂类场景下，一定还是需要结合具体场景的需求，不管是具体功能，还是CLI，才能真正把事情做起来。所以即使具备了自进化的能力，也很难突破最后1公里，甚至10公里。如果把它上升到未来的多模态实践，其实我们距离真正的目标还有一些距离。
张一甲：如果用一句话来概括，最后的15公里和前面的85公里，它们的难度系数大概是什么样的？
王冠博：我觉得前面85公里的难度应该是0到1的难度，但是最后15公里的落地，应该是1到99。
刘芳甫：我觉得，60分是一个Warm-up的分数——至少已经及格了。
过去，无论是仿真器还是Physical Sensor，很多系统本质上都依赖传统的Rule-based逻辑。今天，AI正在把这套范式逐渐转向Reasoning-based Model。这意味着我们已经不再只是为每一个场景预设规则，而是在向更强的泛化性、通用性和开放性迈进。从这个意义上说，我愿意给现阶段AI的发展进程打60分。
但剩下的40分，可能比前面的60分更难。
就像刚才冠博提到的，最后一公里可能仍然是FDE。随着RSI不断发展，AI会越来越深入地进入真实物理世界，与人持续交互，并真正参与到具体任务之中。到了那个阶段，它面对的就不再只是已知问题，而是不断进入未知场景、处理新的变量和新的分布。
所以越接近真实世界，问题可能反而会变得越难。剩下的40分，并不是简单把已有能力继续Scaling Up，而是让智能真正学会在一个开放、动态、充满未知的世界里持续工作。
张一甲：我发现芳甫你是一位挺激进的同学，刚刚“GPT时刻在一年内发生”，以及现在的“60公里”都是非常激进的判断。当然，芳甫的公开报道很少，我可以和观众们说明一下，芳甫很厉害，他两度获得清华大学国家奖学金，也曾经是NVIDIA世界模型核心一作，所以观众们可以关注一下芳甫的观点。
当然，博远今年本科毕业于北京大学元培学院，拿过ACL2025最佳论文，也获得过北大学生最高荣誉“五四奖章”，论文引用2800余次。你的判断是5公里，为什么？
陈博远：大家心中物理AI的终极目标，就是通用智能能够进入到任意场景，无论受到任意噪音干扰，它都能完成任意任务。我们现在看到，虚拟世界的问题已经被解决了，但是Virtual World到Reality，再到真实的Application Setting之间，还有很大的差距。我们看到现在很多物理AI非常fancy的Demo，其实都在一些受控的场景里，但是真实物理世界是充满噪音的，比如说我们去徐工、中车这种真实工厂，或者真实家庭里面去看，很多边缘情况不是长尾，它一定是常态的。所以大概率我们让物理AI在真实场景里完成任务时，在预训练数据分布里出现的概率可能都趋近于0。
这就带来了两个问题。第一是怎么样通过一个足够好的预训练范式和基座模型，把真实物理世界里充满噪音的数据提炼、抽象出来。比如我们真正希望学习到的是一些物理的结构性规律，人类掌握的是物理直觉和本能。比如这个话筒如果松手可能会掉，这个可以在各个场景之间泛化。所以我们需要找到这样一种能够学习物理规律的范式。
第二就是一定要进入到真实的场景，这个真实场景不代表是一个受控的Sandbox，也不是摆好的实验台，而应该是真实的工业、家庭，以及更多真实需求场景，并且在这些场景里完成数据回流和闭环。
为什么我认为它是5公里？因为我觉得如果把它比作一个100公里的马拉松，那Demo还是鸣枪的阶段，真正物理AI的基模范式，以及真实世界的闭环还有很长的路要走，这也是逆矩阵希望解决的核心问题。
2.谁是10年后物理AI的世界Top3？
张一甲：世界模型是今年最热的一个词，它是整体的大共识和所有细节的非共识。请博远和芳甫分别描绘一下，你们心中世界模型是什么样的版图，你们在其中扮演什么身位？
陈博远：我们刚刚一直在说物理AI的第一性原理，其实是在说这样一个通用的物理智能。我们想做个类比，自动驾驶会有L0到L5的分级，根据车的自动化系统的逐步完善来定义，每类分级最终解决的是不同应用场景的问题。
所以我们也在思考，从第一性原理出发，从世界模型的应用场景，内部认为会有一个W0到W5的分级：
W0的模型主要是一些视觉模型，比如说现在看到一些视频生成模型，或者3D Construction Model，能够解决游戏场景，包括一些稳定工业场景里对3D资产的需求，它能够生成稳定的视觉内容，但是很难把它应用到物理上；W1的模型，其实就是能够响应动作，比如说一些游戏交互的世界模型，但并不理解动作的物理后果；我认为一个关键技术点是W2的模型，我们会发现，对于真实具身的灵巧操作、严肃工业仿真，以及对于未来可能会遇到的科学预测，首先要理解的不是“怎么样生成一个视觉逼真的世界”，而是首先理解物理正确性。
所以从W1到W2的阶跃，就像自动驾驶从L2到L3的阶跃一样。我们是希望构建这样一个W2的模型，首先解决物理正确性、物理直觉和本能。
当然，这个分级不是说我们要给同行做一个归类，而是我们内部也在梳理：什么样的技术在解决什么样的真需求和真问题，每类真需求和真问题一定都是有价值和意义的。
我们希望，未来W5是世界模型进入太空，可能会发现一些连人类都没办法理解的物理规律。既然它能够学会物理，就能够学会我们理解物理世界的方式，可能也会做一些AI for AI，AI for Science的预测，并且发现一些新的规律。当然，这是我们对于未来物理AGI的理想和愿景。
刘芳甫：我们跟大家谈的世界模型有一个比较大的不同，我们认为下一代的核心词汇不再是预训练，可能是Continual Learning，或者Learning from Experience，从经验中学习。
就像刚刚谈到的，为什么我们说基模仍然是重要的，而且需要追逐的。这里定义的基模，并不是一定要极度智能、能够解决千禧年问题、能够做科学问题的模型，而是一个足够通用的模型，放到所有的Physical Sensor上都可以工作，都能够成为一个Warm-up的起点。
我们认为，未来物理世界的模型一定不是一个最高质量的Astra Model，而是一个能够动态适应场景、任务和环境变化的模型。相当于拿着一个杯子去装水，具体装什么水，取决于这个环境的内容和环境复杂度。
比如现在大家都在谈灵巧手。如果灵巧手上运行的是一个能够在推理过程中持续进化和更新的Reasoning Model，那么它面对的就不仅仅是“出厂时”的那一套状态。真实硬件是会变化的：触觉传感器会漂移，电机会磨损，机械结构也会随着使用发生变化。模型与Hardware Harness之间的匹配关系，本身就是动态的。
所以我们认为，未来通用的基础模型在物理世界里就是一个Dynamic的EvolvingModel。
在我们看来，世界模型更多的不是一个目的，是一个过程。大家谈持续学习（Continual Learning）也好，从经验中学习（Learning from experience）也好，其实跟我的模型架构没什么太大的关系。持续学习的本质，是要找到一个可持续学习的环境，所以我们会把世界模型看成是训练这样一个基础模型的环境。但是最后我们去部署在各个场景里的模型，一定还是一个通用的、动态的智能模型。
张一甲：大家认为物理AI这个大范畴，十年之后会形成的生态格局里，Top3的企业可能是哪三家？
徐梦炜：台上两家加上SpaceX。
张一甲：你呢？
徐梦炜：我们不是专门做机器人的，我们是做场景的。
付智：我觉得还未可知，说不定这样的公司还没有出现，如果高情商发言，就是台上的两家。
陈博远：我相信逆矩阵肯定会是一家。我对于自动驾驶、大模型时代，包括物理AI时代的一个核心看法是：每个时代周期里，首先上一代的时代周期大厂会留下来，比如说BAT、OpenAI这是一类，因为他们有更强的资源，很多RSI的东西都是自己来做。
第二类，是这个时代周期出来的新兴初创公司。他们掌握着更快的加速度和速度，掌握着基模训练能力，以及把它部署到真实场景，形成Physical RSI闭环的能力。比如说上一波大模型阶段的DeepSeek、Kimi、智谱、MiniMax，它们到这波时代可能变成新时代定义下的大厂；另一部分是新时代阶段如世界模型出现的新初创公司，我相信逆矩阵会是其中一家。
刘芳甫：如果未来真的会有三家公司走到最后，我更关心的其实不是它们分别做出了什么技术，而是它们最终选择把技术带向哪里。
今天这个时代，大多数做AI的人，还是在不断追逐技术上的高峰、突破和那种很强的“爽点”。这些当然重要，但我希望真正走到最后的公司，最终都能够回到一个更本质的主题——AI for Human。
AI的终局，不应该是让人类花更多时间去适应机器，而应该是把人从越来越多机械、重复和消耗性的事情中解放出来，让人重新拥有时间去生活，去感受、体验，也去分享这个世界。
所以在我看来，一个真正好的World Model，或者真正好的多模态智能，最终应该成为一种对生活的放大器。它不是让人离真实世界越来越远，而是让那些愿意体验生活、享受生活、分享生活的人，获得更多进入世界、感受世界的可能。
未来无论是哪三家公司，只要它们最终能够把这样的价值传递给更多人，在我心目中，它们就是值得走到最后的公司。
王冠博：创始人还是需要有极强的信念感。像刚刚博远相信逆矩阵，我们愿意相信相信的相信。因为这个大的前提是基于未来世界模型的发展，所以除了台上两家之外，我们也期待未来世界模型可能会诞生一家类似于DeepSeek这样的公司，能够把整个模型的架构定义下来，产生第一次“GPT时刻”，可以供其它下游的应用验证，这样才能够更好地实现所谓的数据飞轮以及场景飞轮。
张一甲：付智和冠博，你们两个做的事情之间还是有一点关系的，都是关于怎么样让算力变得更加普惠，可不可以再多分享一下你们做的事？
付智：其实我还停留在上一个问题。您问的问题是十年之后，我觉得十年之后留下的一定是今天开始、且在以十年为尺度做这个工作的人。今天这个行业和赛道很热，尤其资本很狂热，很多人在为明年、后年做努力的，而不是为了十年后做努力。
回到您刚才的问题，这是我第二次创业。第一次创业是2021年，那时候才大三，当时元宇宙很火，我们尝试用它生成游戏，但今天看来简直不可能实现。我觉得现在大家对很多东西的追求，也容易陷入这样的陷阱。今天已经没人提元宇宙了，但是过几年之后，可能也就没有人再去提今天的事情了，所以还需要清醒地看待。
上一次创业之后，我最重要的认识就是要看得更远一些。所以从三年前开始，我们就专注给AI推理需求做灵活的调度。原因很简单：
第一，推理需求未来一定会分层，并不是所有的模型、所有的需求都会跑在最尖端的模型上；
第二，只有最顶尖的大模型才有资格闭源。所以大部分满足需求场景的这些模型可能是开源的。也就是说谁都可以拿它去部署，它具有一个分散部署的基础；
第三，就是推理的基础设施。就像冠博做端侧，我们可能关注是一些分散的小节点。你会发现，超级大的集群和很端侧的设备，或者一些中小的节点，它在性能上并没有绝对的什么选择。除非是那种最强的模型，你非得跑在B300的集群上，但我刚才说的中间那一批几十B到百B级别的模型，可能再小一点的在端侧，有一些可能用小集群就跑了。
我们公司前一段时间做了一个事，我们在8台英伟达比较领先的显卡上，能做到跑GLM-5.3，能做到1.5亿的TPM，服务了很多人。我们回到现实世界看，中国能建万卡集群的资源、场地、资金、人，都是凤毛麟角的。但中国能建百卡集群的人比比皆是。或者说，今天的资本不敢投万卡集群，但想跃跃欲试进入小集群场景的人到处都是。
同样，现实世界具备分布式基础设施的基础，需求侧又具备分散部署的基础，需求侧会分散，供给侧会分散，至少会存在这么一个空间，中间一定需要一个调度平台，所以我们就做这件事，构建最大的分布式算力网络。
王冠博：我接着付智的话补充一下，就像刚刚我们提到了未来到底需要什么？如果从技术层面，可能今年讨论的问题明年已经不再有热度了。但我觉得从需求侧出发，用户永远需要最终的性能和体验。如果以满足需求为导向，是成本和价格，所以大家现在在集群侧搞高并行，搞组网调度，核心也是为了降本和更高速地服务于AI使用。而端侧的核心，希望能够把云端的算力，在满足用户智能需求情况下进行低成本部署，从而满足大家未来长时间、无限量使用AI的需求。
这里可以举一个简单的例子。我喜欢拿流量来对比，过去整个流量时代，大家可能用4G、5G，家里可能使用Wifi。现在AI的Token，我觉得是新一代的网络。如何让Token像过去的流量一样，真正嵌入到每个家庭里生产生活中，它应该是一套端云一体化协同的方式。云端可能有大基建，有点像过去运营商做的方式，中间可能有边缘节点，像付智做的整体调度，端侧也有家庭的路由器，来满足大家对WIfi长时间的使用，而我们就是做的是Token界的Wifi。
3.“功成不必在我，功成必定有我”
张一甲：刚才说了很多技术，最后我们把技术先忘掉，我想聊聊这一代人。今天来了非常多的AI Builders，有的可能是OPC，有的可能在创业，有的已经拿了钱，也有的融了非常多钱，只不过没有上台。
我想问的是，今天你们怎么看待这个时代以及你们自己的机会——是什么让你们可以肩挑这么大的事？如果有一个刚毕业的年轻人，他有什么样的机会和禀赋时，可以选择做Next Big Thing，而在什么情况下，他应该是做一个小而美的自我实现的事？
徐梦炜：第一个问题，我们的机会哪里来，我觉得确实赶上了好时候。对我来说，我的背景特别简单，一直在高校读书，读完书之后来高校当老师，一直做一些科研方面的工作。这次我们想创业，一个底层的机会就是来自于国家层面的支持，包括对硬科技的支持，包括国家提供很多的资金进入地方市场各种基金，以及通过教育部的渠道告诉高校，这些老师的成果就是应该被转化的。我觉得这是我们最大的底气。
张一甲：在这个大的picture里，why you，为什么是你？
徐梦炜：我觉得是我，就可以是我。
付智：我觉得这里可以分多个维度。
首先，未来主义的趋势又重新进入大家的视野，这是非常好的一件事。我们从小到大看了很多科幻，还有一些对于科技世界想象的书。但在过去10年，或者再往前一段时间，至少在中国，大家对于未来的畅想停滞了，或者大家很多时候在往虚拟世界跑，比如短视频之类的空间，而不是在想怎么用科技让这个世界变得更美好。而这种叙事从过去几年到现在，重新回到了大家主流的叙事中，所以引起了全世界的关注。这是第一个也是最大的点。
第二，科技一定是下一个最重要的高点。而我们身处其中，既获得了这样的机会，当然也承担了一部分责任。
第三，今天很多资本市场或者媒体等等，从短期热潮中获取了收益，于是投入了更大的热情到其中，又给我们带来了一个短期高峰，但这个周期存在波动。
回到我前面说的，最重要的是“人类对于科技让世界变得更美好的想象”，它永远会存在。只是有时候它是主流叙事，有时候也许不是，有时候也许是环保或者别的。再到国家的竞争，也总是存在的，但资本短期的热情是偶尔会波动的。
逆矩阵科技创始人&CRO陈博远
陈博远：讲一下我的感受，我觉得首先一个很大的感受，这波AI技术本身加快了我们对于技术的了解，以及技术的普惠。我们现在取得的一些探索和成就，一定是站在过往整个人类社会技术共同体之上。比如拿人工智能发展来说，出现了Transformer、Scaling law、基模、RSI和闭环，我们believe in这件事。
第二，创业本身是从0到1，以及不受桎梏的过程。我不想把物理AI定义成一个“小天才的时代”，或者某一个年龄段的人的时代。我觉得这个时代下，创新本身的第一性原理是不受过往经验路径依赖的，或者说要摆脱这种路径依赖。像我们公司原来可能在北大、清华还没有毕业的同学，也有一些拿到了OpenAI、Apple，包括国内外大厂千万级的Offer。
但其实大家都会觉得有两个事情：
第一，很多技术第一性原理还没有被解决。2025年的时候，如果那时候我们想要出来去大厂拿高薪，包括创业选择那时候比较热门的方向，比如Agent或者强推理也好，估计也能赚到不少钱，但我觉得，这不是我们逆矩阵想要解决的问题。我觉得随着AI的发展，一定有一些第一性原理问题还没有被解决。以及资本市场有冷有热，但我觉得作为技术本身是要冷静下来的；
第二点我觉得也比较关键。在过往我们和硅谷英伟达的交流讨论，包括一些项目合作，大家并没有感觉到像上一个时代一样，我们在跟随国外。反而是很多我们的技术成果，国外一些大家看起来非常牛的同行，也会觉得Aha Moment，也会Impressive，并且实际用到他们的技术产品里，这是我们的一个信心。反过来说，为什么在这个物理AI时代，我们这代人依然还要跟随国外？不是的，我们有能力代表中国团队做出来全球领先的AI。现在凝聚了这样一帮海内外不同的工程师，凝聚了一些所谓的“小天才”，但是我们真正希望解决的是第一性原理技术，以及能够让物理AI真正服务到千家万户。
刘芳甫：我们的出发点也有类似的地方。我觉得这代年轻人很重要的地方，就是有活力、有想象力、敢于定义事情。举个例子，可能Coding AGI更像是一个小孩，在一个关上门的黑屋子里，看着电脑屏幕不断地学习，最后获得了一个超强能力。但是当这个小孩推开门，走向一个多姿多彩、充满颜色、充满意外的世界时，又会发生什么？可能北美没有那么多的场景，最多场景其实是在中国。上一代Coding的赢家确实是Anthropic和OpenAI，但是我觉得这代年轻人有责任去扛起物理AI的大旗，去定义一些事情，并且代表中国去引领整个世界，走向最后的物理通用的GPT Moment。这是我们出发的初心。
王冠博：当下和之前的创业环境最大的不一样，是我们真正从之前的模式创新，转变到了以技术驱动为导向。倒不是说技术掌握力就在这帮年轻人手里，而是大家面对未来，面对效益和效果，以及那些充满机会和挑战的事情，真的有一个自己能够够得着、能够去突破的愿景。
从我们的视角来看，我们是希望能够共建这样一个新一代的价值观。在过去，大家的思维还是偏向稳定，尤其像互联网就业的那波。但在以技术为驱动的时代，每个人都会觉得，自己真的可以有机会定义一个场景中的未来通用解决范式，不仅能够造福我们自己的国家，甚至造福全球的人类。
第二是为什么要创业，本质上是价值获得感的来源，不管是工作、读书，总归是希望让你的情感价值和精神价值能够不断提升，但在创业过程中，你在解决问题、克服问题，虽然会感到疲惫，但内心是充裕的，精神世界是饱满的。你就愿意为这个事情付出一生的努力。
张一甲：最后请大家拿出桌子上的“车票通行证”，给自己定一个目的地，然后写下到达日期。不限目的和周期。每个人一句话。
徐梦炜：我的目的地是火星，2050年。目标是在退休前能到达火星。
付智：我写的目的地是宇宙深空，我认为宇宙是未知之源，也是人类前进的一切动力，并且宇宙足够广阔。我写的周期是anytime，也许有生之年实现不了，但无所谓，功成不必在我。
逆矩阵科技创始人&CRO陈博远
陈博远：我写的是“物理AGI”，到达日期是十年。我觉得对于一个公司来说3到5年很快就会有结果，但对于技术本身来说是需要用10年乃至更长时间来解决的。我们希望10年之后依然充满热情、充满活力，和大家一起去实现物理AGI。
MirroS创始人&CEO刘芳甫
刘芳甫：我写的目的地是“生活”。我们希望未来物理AGI实现之后，最终迈向的窗口可能就是我去车里体验生活，去自然里体验生活，去KTV里唱歌。这个才是大家推动AI发展的初心——能够有更多的时间陪伴家人，去享受自然，这是AI最美好的地方。希望这个时刻能够10年后实现。功成不必在我，但功成必定有我。
王冠博：我写的是“端侧AGI”，时间是2028年。希望给28岁的自己送一份生日礼物。
张一甲：很酷。功成不必在我、功成必定有我、给自己28岁的生日礼物……这些答案很少出现在其他的圆桌上。在刚刚聊的过程中，我突然认为《下一站：世界》这个主题还有第三层含义。最开始，我们说这场圆桌聊的是世界模型，以及AI走向真实世界，但不仅仅如此，台上是这个时代最有生命力、最有增长力的一代人，他们的话语体系一开始就是“世界”，不是中国的第一，是世界的SOTA、宇宙的未来。这代人的底色是要定义下一代范式。也许他们会成功，也许过程中会存在泡沫，也许功成不必在我，也许未来Top3的企业有两、三家就在今天的舞台上。但今天的分享只是一个开始。我们论坛的主题叫“未来此刻”，我们可以把这个圆桌的主题从《下一站：世界》改成《世界此刻》。今天的圆桌就到这里，谢谢各位！
（封面图及文中配图来源：2026甲子光年崇礼论坛）
