我最近跟几个做机器人和自动驾驶的朋友聊了聊大家的共识出奇一致2026年初开工以后已经没多少人再拿“多少亿参数”“多少T算力”说事了。朋友圈里晒的不再是某某实验室发布了多大参数的大模型而是哪台机器人在真实仓库里连续干了八小时没让人干预哪个车队在没有安全员的情况下稳稳通过了复杂路口。这个转变其实酝酿了一两年但2026年感触尤其强烈。“参数竞赛”的叙事正在快速退潮接棒的是一个更硬核的词——“物理世界理解”。我把最近跟一线团队交流得到的碎片信息整理了一下结合自己这些年在AI和机器人交叉领域踩过的坑把2026年AI技术最明显的三个进化方向拆开聊聊从拼参数到拼理解到底发生了什么、三条主线分别是什么、作为从业者我们该怎么调整自己的姿势。这篇文章不堆概念重点是你读完之后既有对趋势的判断也能带走几个对工作有实际参考价值的行动点。1. 别急着聊趋势先看懂“参数竞赛”为什么退潮1.1 风向变化的三个直接信号先说三个我观察到的信号它们比任何趋势报告都更直接。第一个信号是公开测试集的分数已经刷“麻”了。前几年大家还乐于看到某个模型在通用基准上提升三五个点但2025年下半年之后这类消息的传播力肉眼可见地下降。原因很简单评测分数和真实使用体验之间的落差越来越大——榜单上非常高分的模型放到一个真实的自动化流程里仍然会在极其普通的环境变化中卡壳。用户对“分数”脱敏了。第二个信号是API价格曲线变得非常夸张。主流大模型的API调用价格在最近一年里降了一到两个数量级这说明供给端已经意识到参数规模本身不再具备定价权。当所有人都在堆参数时参数就成了最不稀缺的东西。资本和甲方真正愿意掏钱的是“能稳定完成某一类物理任务”的系统而不是一个更大的概率语言模型。第三个信号最明显做纯算法的人开始往硬件和物理系统方向流动。我认识的几个原本专注于语言大模型训练的朋友2025年下半年陆续转去做机器人数据闭环、自动驾驶世界模型、工业仿真。他们的理由很一致——纯软件层的模型竞争格局已经固化增量空间在于让AI走出聊天框、走进物理世界。人才流向从来都是技术趋势最诚实的指针。1.2 参数竞赛撞上的三堵墙为什么参数竞赛会在2026年前后撞墙说白了是三堵墙叠在一起。数据墙。人类高质量文本语料是有限资源。业界比较公认的说法是高质量公开文本已经被大模型们反复“清扫”过好几轮再继续增大参数量模型看到的新信号越来越少更多是在重复已有分布。语言数据不像物理世界的数据——物理世界的数据几乎是无限的只要你愿意架传感器、跑仿真器就能不断产出新的样本。数据从“存量竞争”转向“增量生产”这个变化决定了谁掌握了新的数据引擎谁才有下一轮话语权。能耗墙。训练一个大号模型的电费已经高到让普通研究机构无法独立承担这还不算推理阶段的成本。物理世界里的设备是毫瓦级、瓦级功耗的一个夹爪、一台AGV、一辆车它们的计算预算和云端GPU机房完全不在一个量级。想把AI塞进物理系统就必须让模型在一个“抠门”的算力预算下工作。这种约束反过来倒逼架构创新而不是继续堆规模。收益递减墙。从千亿参数往万亿参数走通用基准提升可能只剩几个点但在具体任务上的闭环能力提升更小。因为语言模型本质上是在做“符号序列的概率预测”它并不直接关心“门能不能推开”“杯子拿稳了没有”。参数再多不产生新能力维度只是在旧维度上缓慢爬坡。1.3 真正的转折从“答对题”到“办成事”所以退潮的不是AI热度而是“参数即能力”这种简单化叙事。2026年大家评价一个AI系统时问法完全变了不再是“你知识面多广”而是“你能不能在这个环境里把一件事办成”。这个“办成”包含一系列硬约束能不能实时响应、能不能理解物体物理属性、能不能在超出训练分布的情况下安全处理、能不能把不确定性明确表达出来。语言模型擅长回答“是什么”但物理世界理解要求系统回答“接下来会怎样”“现在该怎么做”。前者是回顾式的后者是前瞻式和交互式的这是两种不同性质的能力。2. 物理世界理解到底理解的是什么2.1 语言是符号的物理世界是连续的先澄清一个容易混淆的概念。我们常说的“多模态感知”不等于物理世界理解。能识别图片里有一辆车或者能描述一段视频里的动作只是在“符号层面”对视觉内容做了分类和描述。物理世界理解更进一步AI需要在内部建立对空间、物体属性、运动规律和因果机制的动态表征。打个比方语言理解更像是下象棋——棋盘是离散的规则是明确的你只需要在符号空间里做推理。物理世界理解更像是踢一场球赛——场地是连续的对手是动态的规则里有大量隐性约束你需要实时感知、预判并做出身体动作。象棋高手未必能踢好球这个道理放到AI上同样成立。2.2 物理世界理解的四项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归纳是四项空间感知。知道物体在哪里、自身在哪里、相对姿态是什么。这涉及深度估计、三维重建、坐标系变换。很多人觉得这是老问题但在复杂光照、遮挡、动态环境下把空间感知做得稳准狠依然是一线系统的核心难点。物体属性识别。不仅仅是识别“这是个杯子”还要知道它大概多重、是刚性还是柔性、表面摩擦大不大、会不会碎。语言模型里“杯子”只是一个词物理系统里“杯子”是一组连续物理参数。同一张图片里的两个杯子一个塑料一个玻璃抓取策略完全不同。因果机制建模。知道按下开关灯会亮、手松开杯子会掉、推倒积木塔会散。因果不等同于相关比如“看到红灯就停车”是关联规则“刹车踏板踩下去车会减速”才是因果——因为干预某个变量后结果必然改变。世界模型的一大使命就是让AI学会在内部模拟这种干预。行动规划与不确定性处理。感知和预测最终要转成动作指令而且在真实环境里每个信号都有噪声、每个动作都有误差。一个能理解物理世界的系统必须知道自己“有多不确定”并在关键时刻降低速度、切换策略或请求人类介入。2.3 为什么说是“2026年的进化方向”把物理世界理解称作2026年的进化方向是因为它已经走出了论文阶段正在成为工程系统的验收标准。我看到的几个趋势都指向这一点车端的无图方案开始大规模摆脱高精地图依赖靠实时感知和预测自主决策物流行业的智能分拣与上架系统开始引入“理解物体”的环节而不是依赖固定的工装夹具家庭服务机器人重新被提起因为人们意识到“能干活”比“能聊天”复杂得多。这一节里我说的能力拆解不是学术定义更多是一个工程框架。不管你在哪个具体行业做AI拿这四项去对照你当前系统的短板基本都能找到未来半年到一年的发力点。3. 进化方向一世界模型给AI装一个“内隐模拟器”3.1 世界模型不是“视频预测”而是一种决策底座第一个大方向是我认为2026年最值得关注的技术主线——世界模型。先解释清楚我理解的“世界模型”它是在智能体内部建立的一个关于外部环境动态变化的预测模型。当智能体感知到当前状态后模型能在“脑内”推演多个未来的可能走向再根据这些推演结果倒推当前应该采取什么动作。一个很俗但很准确的类比是老司机开车时大脑其实在同步模拟身旁车辆的意图、前车急刹后自己该打多少方向。这种“预判感”就是世界模型。传统大模型预测的是“下一个词”世界模型预测的是“下一帧状态”“下一个物理量”。一个是符号时间的延续一个是物理时间的延续。有人把世界模型简单理解成“AI生成视频”。生成视频确实是一项重要能力但世界模型的价值不在于生成一段好看的画面而在于压缩出来的内部表征必须符合物理规律。当模型预测一个杯子从桌面掉落它应该知道杯子会往下掉、接触地面后可能反弹或破碎。如果内部表征没有这些因果结构生成的视频再清晰也没有决策价值。所以在我看来世界模型更像是一个“可交互思维试验场”它让AI在行动之前先“想几遍”。3.2 当前技术拼图联合嵌入、动态预测与因果训练从技术实现上看世界模型的搭建思路有几个关键模块我这几年跟相关方向的团队交流后认为下面几条是共识度比较高的。联合嵌入是底座。把图像、点云、力矩、文本指令、动作序列全部映射到同一个向量空间里。这个空间里“用户说把红色杯子拿过来”和“视觉系统捕捉到的红色杯子像素”“机械臂末端应到达的抓取位姿”都指向同一个语义点。没有联合嵌入各模态就是各说各话预测模块根本无从对齐。动态预测是核心模块。模型的训练目标不再只是对比学习或者分类而是尽量准确地预测状态空间里的下一步变化。常见的做法是预测下一帧的嵌入表示或预测当前状态与未来状态之间的差分。这个设计跟语言模型的next-token prediction在逻辑上是相通的只不过预测对象从离散符号换成了连续物理状态。因果训练是天花板。用真实数据做预测只能学到相关性要学到因果最有效的方式是配合仿真器做干预式数据生成。比如在仿真环境里随机改变物体的质量、摩擦系数、环境光照然后让模型预测结果变化。这样模型才能理解“假如我把重力调大这个箱子会滑得更远”这类反事实问题。从我了解到的情况看已经有团队在把这三块拼起来运用于实际系统而且效果初步显现。3.3 世界模型能落地的三个典型场景先说自动驾驶。世界模型可以对周围车辆、行人、骑行者做未来几秒的轨迹预测。传统方法会用一堆规则和独立的预测头而世界模型是让整个场景在隐空间里共同演化行人突然横穿、旁边车辆强行加塞这类corner case因为模型见过足够多样的场景演化能提前输出偏保守的应对策略。再说机器人操作。抓取易碎品、软物体、透明物体时传统视觉抓取往往力不从心。世界模型先在内部模拟不同抓取姿态下物体的形变和滑移再选择成功率最高的动作方案。某机器人团队分享过他们的随机装箱场景仿真中训练好的抓取策略真机成功率只有六成左右后来增加了一个“先预判物体在夹爪中的滑动趋势再调整抓取姿态”的模块成功率才真正到了可商用的水平。最后是工业和物流仿真。仓储调度、生产排产这类问题本质上是大量物理实体在空间和时间上做优化决策。传统数字孪生是“照镜子”世界模型则可以在数字孪生的基础上做“预演”——在排产方案实施之前先把未来几小时的生产状态跑一遍把瓶颈和冲突提前暴露出来。这个价值对制造业用户非常直接。4. 进化方向二具身智能从“会说话”到“会干活”4.1 为什么具身智能在2026年被推到台前如果说世界模型解决的是“AI如何理解物理世界”那具身智能解决的就是“AI如何把理解变成物理动作”。这两个方向天然绑定成为2026年AI进化的第二条主线。具身智能热度高有几个现实推动力。第一大模型解决了机器人长期缺少的“任务拆解和沟通能力”机器人开始能听懂人话并能把复杂指令分解成子任务第二数据采集和仿真成本显著下降遥操作设备、低成本机械臂和灵巧手让团队可以快速积累操作数据第三资本开始从纯软件AI转向“交付物理结果”的创业项目。听几个做早期投资的朋友说2026年开年看具身智能项目的投资人多了一倍不止但要求也更具体了别讲demo直接告诉我深度场景里的闭环成功率。还有一个容易被忽视的原因具身智能是物理世界理解的最佳验证场。一个模型能不能真正理解物理规律最好的检验方式是让它动一动。语言模型可以“假装”对物理世界有知识但一个抓取机器人没法假装——物体掉地上就是掉地上任务没完成就是没完成。4.2 一套典型具身系统的技术闭环从技术栈上看一套典型的具身智能系统已经形成了比较清晰的闭环我拆成四个层面来说明。感知层。多种传感器同步采集多路相机负责视觉、IMU负责自身姿态、力矩传感器负责接触信息、触觉传感器负责微小滑移。这些数据经过标定和融合后输出对场景的三维理解比如物体位姿、抓取点、障碍物分布。决策层。这是过去两年变化最大的部分。业界开始普遍采用“视觉-语言-动作模型”这种范式的演进路线把自然语言指令、当前视觉观察和机器人自身状态一起输入模型直接输出下一步动作。动作在模型里可以做token化处理相当于把连续动作序列压缩成类似语言里的“词”。但和语言模型不同动作不能只做离散分类还要考虑轨迹平滑、力控约束所以不少团队会结合扩散策略这类生成式方法来输出动作分布。执行层。模型输出的粗粒度动作要通过底层的运动规划和力控接口转成真实的关节指令。执行层同时承担安全保护功能位置超差、力矩超限、突发碰撞都要在毫秒级别触发急停。很多搞AI的人低估这部分的工程量实际上物理系统的稳定性往往比模型精度更磨人。数据层。数据来源主要有三条路人类遥操作示范数据质量高但采集慢仿真环境自动生成的数据规模化效率高但存在物理偏差互联网视频预训练数据用来学习常识但稀疏。2026年做得好的团队基本都在设计自己的数据飞轮从真实任务中不断采集失败案例再回到仿真和数据空间里做针对性补充。4.3 实战视角仿真到真机的距离到底有多远很多朋友上手的第一个疑问是我在仿真里训练得好好的搬到真机上为什么就不行了这类问题我每次交流都要强调仿真和真机之间的鸿沟比大多数人想象的大。仿真环境里物体的摩擦系数、关节阻尼、接触响应都是参数化设定的仿真器永远无法完全复现真实物理世界的噪声和不确定性。Sim-to-Real迁移不是一次性的工作而是一个需要反复迭代的过程。我见过比较务实的团队做法是并不追求“纯仿真训完直接上真机”而是采用混合数据策略——用仿真数据做预训练用真机数据做微调并且持续从真机运行中收集边界案例回灌训练集。这种物理闭环越早跑起来模型在真实环境里的适应越快。还有一点要泼盆冷水具身智能系统不是把模型做好就完事。相机标定、硬件触发同步、机械结构公差、网络延迟任何一环出问题模型都很难正常工作。这也是为什么具身智能更适合有系统集成经验的团队去做纯算法团队直接跳到硬件大概率会先被工程细节淹掉。5. 进化方向三多模态融合与端侧实时协同理解“最后一米”5.1 物理世界理解的第一个约束叫作“实时”为什么要把多模态和端侧单独列为一个进化方向因为物理世界理解跟内容生成有一个本质区别它必须在一个非常紧的时间窗口内完成。你问一个大语言模型一个问题等两秒钟回答没问题。但一个机械臂在抓取中遇到物体滑动它必须在一两百毫秒内做出调整否则物体就掉了一辆车在高速行驶时遇到障碍决策延迟更是要控制在几十毫秒量级。物理系统最不能容忍的就是“脑子里很聪明手脚反应很迟钝”。云端推理的延迟通常在百毫秒到秒级加上网络抖动很难直接作为物理系统的主决策链路。所以2026年一个明显的趋势就是AI模型开始大规模向端侧迁移与端侧实时系统协同工作。轻量化感知、实时目标检测、姿态估计、安全预警这类模型已经能跑在我们日常可见的端侧芯片上功耗可控、延迟极低。5.2 多模态融合的工程细节时间对齐、空间对齐、置信度融合物理系统里的多模态跟多模态大模型里“图文混合输入”不是一回事。工程上最大的三个难点每个都是坑。时间对齐。不同传感器的采样频率、触发时刻、处理延迟都不一样。相机可能是30帧每秒激光雷达可能是10帧每秒IMU可以到500赫兹。真实系统必须用统一时间戳对多路数据做同步否则你“看”到的位置和“摸”到的力根本不是同一时刻融合出来的状态就是错的。空间对齐。相机拍的图像在相机坐标系机械臂末端在机械臂基座坐标系地图在全局坐标系。坐标系之间要靠标定来换算标定精度不够感知结果和实际行动就会差几毫米甚至几厘米。对抓取任务来说这几厘米就是失败和成功的分界线。置信度融合。不同传感器在不同的环境条件下可靠度不一样。强光下相机可能过曝暗光下视觉噪声增加触觉信号在接触瞬间最可靠。好的多模态系统不会简单把所有输入拼在一起而是根据当前环境动态调整对不同模态的信任权重。这些工程细节虽然不性感但恰恰决定了系统能不能真正稳定运行。5.3 混合推理架构把“快”和“聪明”分开在工程架构上我看到越来越多团队采用“端侧快处理云端/边缘深思考”的混合推理方案。端侧负责快轻量感知模型在十到三十毫秒内完成目标检测、距离估计、安全区域判断发现异常立即执行降速、停车或避让不依赖网络。云端或边缘负责聪明理解复杂语义、做长时程规划、调用世界模型做推演。两端之间需要设计一个“状态同步协议”只传语义级的变化信息比如“场景里新增了一个障碍物”“任务切换到了下一阶段”而不是把原始视频流往云端传。这样既控制了延迟也大幅缩减带宽与计算成本。我去年看过一个很典型的案例某个仓储AGV团队端侧搭载了一个轻量语义分割模型专门检测“人形轮廓进入安全区域”一旦触发就在几十毫秒内让车辆减速云端则负责调度和路径重规划。这套方案让他们的安全员干预率降了一个数量级而且端侧模型只占很小的计算资源。做物理场景的团队建议可以直接复制这种架构思路先求“别出事”再求“干得好”。6. 作为从业者我建议你重点做三件事6.1 技能栈从“纯模型思维”补上“系统思维”如果你现在还只是盯着训练脚本和模型权重2026年会觉得越来越吃力。物理世界理解这个方向需要开发者同时理解传感器、机器人中间件、实时控制系统和模型训练。不需要你每个方向都成为专家但至少要听得懂坐标系变换、控制频率、闭环延迟这几个基本概念。我的具体建议是花两周时间手动搭一个最小的感知-控制闭环。哪怕只是用深度相机识别桌面上的积木然后控制一个带力反馈的机械臂去推倒它。这个过程中你会发现真实世界里所有教程没写的问题都会冒出来——时间戳错位、坐标系反了、控制频率不够。这些经验和大模型训练的经验完全不同但早晚都要补。6.2 评估观从“刷榜单”转向“物理闭环三件套”对AI系统的评估方式也要跟着变。现在算法工程师习惯用准确率、召回率、F1这类指标但在物理世界理解里我更推荐三个朴素的指标闭环任务成功率、平均干预次数、单位任务能耗。成功率不用多说一次物理任务从头到尾没有人为干预地完成才算成功。干预次数反映系统对异常情况的处理能力干预越少说明系统越稳。能耗则是物理世界不可回避的约束同样任务少耗一度电就是实打实的竞争力。如果你正在选型或者立项建议用这三个指标建立一个内部评测集比任何基准测试都要贴近落地。6.3 选项目从一个足够窄的物理场景切入最后如果你想入局这个方向我特别不建议一上来就做“通用家用人形机器人”这种大而全的题目。先找一个数据容易获取、安全风险可控、付费方明确的垂直场景。仓储分拣、果园采摘、工业质检、摆架理货都是不错的切入点。把一两个场景的物理闭环真正跑通再考虑泛化。物理世界理解是慢功夫一个系统连续稳定运行几千小时比模型在测试集上又涨了两个点更有说服力。我这两年最大的感受是AI正在从一个“内容生成工具”变成一个“物理系统的大脑”。以前我们面试算法工程师问的是熟悉哪种模型结构、刷过多少分现在我更想问的是如果机械臂突然被卡住你的模型能不能意识到异常并及时切换策略这个问题没法靠背题回答只能靠把模型丢进真实系统里一遍遍撞出来。2026年这波从参数竞赛到物理世界理解的转向本质上是让AI从“纸上谈兵”进入“实战演练”。对从业者来说这既是挑战也是少有的窗口期——窗口里没有标准答案窗口外全是做出实物的人。未来几年属于那些愿意把手弄脏的人。