7月18日，南方科技大学长聘教授、逐际动力创始人张威在2026世界人工智能大会“智见AI 合创未来”国泰海通人工智能投融资论坛上发表主旨演讲《让AGI触达物理世界》。

以下为部分发言实录，投资界（ID：pedaily2012）整理：

张威：我是逐际动力的创始人张威，今天非常荣幸来到这里跟大家交流。虽然今天是世界人工智能大会，但我发现吸引大家眼球的往往是机器人，是物理AI。因为物理AI确实是AI的一个主要应用。大家也看到眼花缭乱的机器人到处蹦啊跳啊，千篇一律的，大家更关心的问题是它什么时候能从能动的表演，变成真正能用、能解决我们问题的有效工具。我作为一个从业很长时间的前线创业者和科研工作者，最近半年到一年非常兴奋，因为我觉得我们正在经历能力的跃迁。今天跟大家分享一下我在这方面的一些思考和体会。我这人比较实在，希望讲点真话，可能有一些反共识的地方，也仅仅代表我一家之言。

先说说逐际动力。我们成立于2022年，我也是学术创业。我在美国和中国当教授大概有15年时间。我们有几个特点：第一，从Day One开始，我们就非常注重产业落地，所以很早就引入了阿里、京东、招商局创投等一系列产业资本。第二，我们非常注重全球化布局，在中东、欧洲、美国都有一些资本的参与，为全球化发展奠定了基础。虽然公司成立比较近期，但团队在这个行业里已经很长时间了，在人形机器人和具身智能的行业。

刚才几位分享都提到了变化太快了，我也是，虽然作为一个从业者，我往往还是低估了这个速度。所以对于这个行业发展的看法和未来的预测，一定要建立在对行业变革本质的深刻理解上。我分享一下我对这方面理解。我觉得这个行业目前变革的本质有两个关键词：第一个叫起点相似性，第二个是指数增长。我们在一个指数增长的赛道，因为人类对未来预测判断，无论是股市还是什么，都喜欢线性推演，这是我们的本能。举个简单例子，大家体会一下：比尔·盖茨前些日子说，他大概花了几千亿美金，用了三十多年，想解决语言交互的问题也没解决明白。你问他什么时候能解决得更好、彻底解决，他可能会说十年或二十年。在大模型出来以后，技术范式一变，立刻半年就解决了。同时这技术还解决了很多其他问题。我们不能用线性推演去衡量一个指数变革。推动这个指数变革当前最关键的是AI。

数字世界的AI我觉得已经过了起点，刚才大家都聊到了，所有的Token就不用说了，可能大家都一样。公司的员工一天用的Token，有的非常厉害的，可能有将近七八千人民币，非常可怕。这个爆发增长在一年两年前是无法想象的，甚至不用三年前，一年前也很难预判。在指数发展变革中，我们要想到，看到了再去响应就慢了，就晚了，一定要提前一两天看到。所以我们要知道这个趋势。我觉得以人形机器人为代表的具身智能，虽然你现在看到它还笨笨的，干不了啥，但我觉得我们也是在一个指数曲线里。很多人不能用线性思维，我相对乐观，对它的推演也是一个线性的评价。你可能觉得它干不了啥，那可能是悲观的。但我想说，在这个指数赛道里，这些都是不正常的估计。这就是为什么大家突然间Token这些增长之前没有意识到的一个原因。这是一个变革的本质。我们进行这个本质，对这个行业就需要有一些想象力和长期观察。

推动这个指数变革真正发生的核心要素有几个，今天跟大家分享。第一个，这个行业目前还是一个技术突破性驱动的行业，并不是成熟技术的落地，而是颠覆性技术的突破，突破了以后有新的商业机会。然后我想分享一下我们对物理AI现状的一些看法，以及阶段性的技术突破有哪些商业化的机会，商业化路径该怎么做，从基金甚至从政府角度如何推动这个产业的发展。我简短说一下对这几个方面的看法。

首先，说一下对物理AI发展的现状，大家可能多多少少都会看到这方面的技术。以人形机器人为代表，我们先说一个反共识：我觉得机器人是比较好做的，人形机器人是比较好造的。它比光刻机、比飞机都好造多了，甚至比汽车还好造。它的零部件是汽车的十分之一。你天天看到飞机飞，为什么看不到人形机器人在我们生活中使用，只在展厅里待着？缺的不是会制造的人，缺的就是咱们大会的主题——AI。这个AI有个特点，是物理AI，它的数据不是来自互联网，而是来自于物理生活，这给它造成了极大的难度，它是最大、最具挑战的一类AI应用。再一个，如果你考虑到终极形态人形机器人的AI，它就是人形物理AI，又多了一个消息，更难。模仿人的大脑，我再说一个观点：人的大脑其实不难，从概念上来讲是挺简单的。它的任务非常简单：得到指令、得到你的意图，然后得到我周围的观察，然后计算出我要怎么动。这个物理的大脑就干这事儿，就是一个映射。凡是映射，我们都可以通过以前通过规则去分析，现在通过数据，都可以把它构建出来，只是缺数据。这块众说纷纭，各种路线的斗争。但我觉得到现在为止，技术方案很多样，但技术范式已经收敛了，那就是纯数据驱动的。技术范式已经相对收敛了，剩下是工程和细节。

所有我们探索的本质，都是在降低要完成一个任务的数据成本。唯一的目标就是降低数据成本，因为有足够多的数据，大家都可以做任何事，只是数据不够多。所以方案已经清晰了，剩下是工程和一些细节。虽然没有一个统一的方案，我们逐季有一个自己提出的架构。我们不觉得人的大脑是纯端到端的，它都是数据驱动的，但我们觉得它是分层的，因为人的大脑也是分区的。我们大概有个三层的架构，跟Figure的架构有一些类似，但细节上非常不同，对应人体的几个部分。最上层，就跟人的前额叶差不多，本质上是一个思考引擎，以大语言模型、视觉语言模型，甚至未来的World Model为引擎的一个Objective System。主角是老师，干这个的，它只负责记忆管理、收集指令信息、任务规划、做出决策。剩下是视觉运动层，它接受上层的决策，然后看到环境，做出一些规划。下边的小脑运控是把它完成掉。大概分这几块。上面我管它叫只想不动，下边叫只动不想。现在大家常用的词叫VLA或者World Action Model，这只是实现这个高阶技能层的两种不同技术方式，对表象没什么关系。每一层都有很多研究，我今天不细讲了。但我觉得行业真正挑战并不是把每一层单独扣得多细，而是把这三层联合起来，做到毫秒级的协同，尤其是跟硬件要联合优化。人类大概经历了从最早的类人，应该经过七百多万年，我们需要用几年的时间在AI的辅助下把这个打通，让大脑真正能指引行动。我管这个词叫大小脑融合技术，这是逐季最重要的投入，也是驱动行业发展真正落地最重要的投入方向。笼统地概括机器人或人形机器人的大脑到了什么阶段，大家喜欢用GPT时刻去类比，我觉得不是特别恰当。但我们可以简单去类比，我觉得整个脑系统已经到了GPT-3。这个跟很多人是完全不一样的，大家觉得很早。但你要知道GPT-3和3.5，大家知道的ChatGPT 3.5，还有两年多的时间。再一个，这个脑是个系统，不是由单一模型决定的。这是我们觉得最大的不同思考。首先，模型不代表能力，大脑是多模型加上记忆、情感管理的一整套系统。我觉得整个系统来讲，已经进入了类比阶段的话，GPT-3左右的一个初级阶段。我们的大脑系统叫Cosmos。我觉得在整个大脑系统里最关键的是大语言模型帮我们解决掉了System R。只想不动的你可以认为它是躺在病床上的残疾人，一动也动不了，但它有脑，很多思考。如果是以大语言模型为引擎，那它就是没有眼睛的残疾人；如果是VLM驱动的，那它就是有眼睛的残疾人；如果它还有World Model，那它就学了物理，相当于霍金。但这种思考的，我们整个具身智能就是要把这个System R这个聪明的脑来指引行动，就像把残疾人进行康复运动一样，那就需要数据和练习。练习的话就是长下边的技能。技能的学习我们觉得是靠数据，这是大家公认的。这里跟其他人有一些不同的观点，我们觉得技能不需要非常通用才叫有脑。我可以不会拧螺丝或不会开车，我也是一个正常的有脑的人。所以技能的泛化性并不代表智能的水平，只是你会。技能的构建跟你先学什么、再学什么和数据成本相关。所以我们最关键跟其他人不同的，是我们觉得大脑不是一个模型，它是一个操作系统。我们也是最早在这方面投入了重要研究。技能的构建我们是逐渐的。可以说个小秘密，有些技能比如跳舞是比较简单的，因为它不需要实时跟环境进行交互。凡是实时跟环境要交互的，像上楼梯这种，就是我们的奥利哈，在我们公司楼下，是一个实时的大小融合技术。这种技能相对比较难，但为什么楼梯可以呢？是因为这块可以完全在仿真下完成。有些其他技能，比如收拾桌子，不行了，你必须要真实的数据。等会儿我再看一下我们在Cosmos上，去年开始研究，今年出发时发出来的。它能接到人的指令，System R要去进行任务规划，然后调度导航定位，然后去做一些事情。刚才让它去拿包裹。这个你可以认为是残疾人刚刚恢复，所以它走路还有一点点别扭。奥利，你在这儿。你好，Siri要帮你做什么？需要你送到一楼车间。哦，那我先把水拿给客户，然后再把快递送给邻座，是十十可以吗？我们的数据还不够多，当时它生成的稍微没有那么自然。大家知道大语言模型是生成语言的Token，这个要生成对话，且还有一些自己动作的Token去完成这个任务。还有点壮观当时，现在好。

各位看到的机器人大部分是两条腿的，大部分都站在那儿不动，上面搁那弄咖啡什么的。全身的移动和操作联合起来的是比较少的，这个我觉得是非常稀缺的，那就可以干一些技能了。

你好，欢迎来到逐际动力。这是我们公司的前台，时间关系我就不放完了。感兴趣的可以了解我们的Coser，我们在行业里还是相对比较领先的概念和尝试。最近，我们的Coser有个重磅的升级，我们真正完成了全自主实时推理长程任务，当然大家看到的技能都比较短。

这是我们上周才公布的一个。这是整个没有摇操作、没有遥控器，实时推理完成全身移动的操作。第二个特点是家庭环境，这个环境相对弱，物的种类比较多，有软物体。这些都是一个模型，直接就是一个技能，直接推理完成的。目前，除了Figure以外，极少数吧，如果不是唯一的话，能够完成这样长程的移动操作通用任务。

OK，好，时间快到了。OK，还有一个特点是整个这个模型是纯数据驱动的，不需要任何专家。把它打通了以后，你只要收数据，再部署工人，就可以完成一些简单任务的部署。好吧，时间原因我就不多讲了。我先说一下，再看一下整个这个人形技术的发展，怎么推动商业化。

人形呢，我觉得首先要了解一个整个的Landscape。我们觉得有核心供应商，我们要定位嘛。机器手我觉得也是一个经销商，还有一些技术解决方案商。那可能有一些模型公司，会是未来的技术解决方案商，还有OEM人形主机厂商。人形跟其他有点不同的地方是，它会有些应用，以后Download在可能有最适合接待的，也有最适合表演的，也有最适合做东北菜的这些应用。所以在这里边，主机厂我觉得是最关键的，承上启下。

然后我们的定位是，我们是一个主机厂，产品型的大脑能力的主机厂。我们对标技术上全面对标Figure，产业化方面要比它近一点。我们的Slogan是带两条腿的人形，叫Serve People Not Process，就是服务于人，而不是服务于生产流程。所以我们并不是在工业场景去尝试它，因为我觉得它的效率还不是最好的，更适合在这个环境里向上抬这些，来为我们人提供服务。然后我觉得人形的商业化的底层逻辑，为什么可以阶段性地商业化，就是我觉得它是一个通用本体加APP的概念。就是说单一的能力，比如跳个舞，你会觉得没啥，但是它是不改变构型，你就可以叠加很多的APP。所以当有一个拐点的时候，足够多的时候，我就要吸星大法拐点，然后后来的应用都会在它身上来进行开发。所以我们会有一些阶段性商业化的东西。因为时间原因，我这里就跳过了。我们有一些构建，我们就是阶段性商业化，什么技能先开发，什么技能后开发，这件事情我们有自己的一些商业逻辑。总结一句话就是，构建这个技能的数据成本小于这个技能所创造的价值，这才可以。所以选择一个什么样的应用场景，是需要考虑到技术，也要考虑到商业价值的，综合的判断也是太难的原因。自动驾驶其实就是一个技能，它不是一个大脑。好吧，所以现在也还没有太到L4。所以你选择场景以后，你就会发现你需要的数据成本可能非常高，所以这是一个综合的考量。

好，时间关系，我跳过这些东西，我就直接坐到后边吧。不好意思，我这个有点多，时间已经到了。我们有一个创新的产品，是用来提供产品落地的这个应用开发的。它的双臂的形态真的能适合产品的开发，同时我们也提供一些很好的生态的支持。所以我们很多伙伴已经加入进来了，如果各位感兴趣，也可以跟我们联系。有非常多的应用场景，包括建筑，包括这些巡检等等。

最后说两件事。第一件，我觉得推动产业发展，具身智能不要复刻大模型的先通用在落地的发展方式。因为物理世界数据天然稀缺而且贵，而且各个物理技能的数据差异很大。你开车和包鸡蛋这两个技能在一起训，相互可借鉴性是不多的，没有必要等着会开车了再去学别的。所以我们提出的是场景和模型的数据飞轮。就是说，一定的通用性以后，就要进行场景去收集专业数据，然后再去迭代通用模型的能力。我们觉得这是比较关键的。

再一个呢，我们认为具身未来并不是一枝独秀的，所以大家不用押宝，我们是百花齐放的。所以我觉得是需要推动两个生态的建设，是开源生态的构建和产业生态的构建。我们逐渐在这方面是赋能全球创新者的状态，是推动产业生态的一个构建者。我们提供了开源的训练架构，我们可以用自然语言就可以训练一个VLA模型。如果你感兴趣，想在你的场景去尝试，你可以用我们的机器和我们的这个开源的设备。

好，时间原因，我就先分享到这儿。总体感受就是说，我觉得现在进入了一个从会动到能用的关键节点。今年是2026年，是一个POC验证的元年，明年我们希望有一些规模化的发展。非常感谢各位，谢谢。