三国天下归心第一赛季有哪些输出英雄
2026-07-29 3432566
2026-07-29 0
技术底层逻辑正日益透明：文本大模型逐渐收敛，世界模型也趋向统一于DiT架构。企业真正的壁垒，已经转向异构数据清洗能力、算法迭代速度，以及最直接的资金和硬件筹措能力。
昆仑万维董事长兼CEO方汉
各式具身智能机器人和空间智能设备无疑站上了今年的舞台中央；回看过去两年，占据人工智能行业绝对主角位置的则是大语言模型（LLM）。
WAIC 2026展区里，最受围观、讨论最集中的赛道上，从技术极客到产业资本，大家都在追问同一个问题：具身智能的“ChatGPT时刻”究竟何时到来？
围绕下一代计算范式与人工智能物理形态展开的竞速中，底层路线正以前所未有的速度发生分化与收敛。
“2026年是‘世界模型元年’，意味着AI迎来从生成内容转向理解物理世界并与之交互的关键节点。”昆仑万维董事长兼CEO方汉在“世界模型与多模态范式跃迁”专场论坛上作出这一判断。
世界模型如何端到端演化、Scaling Law怎样延续到视频和物理世界，以及一笔高达数百亿的，构成了论坛结束后我们与方汉对话的话题脉络“数据经济账”，由此呈现出一幅相对清晰的产业路线图。
当被追问行业真正的分化节点将在何时出现，方汉把答案拉回技术本质：数据量级。在百万小时、千万小时、上亿小时之间，存在一个层级鲜明的坐标系。
随着文本大模型走向收敛、世界模型统一到DiT架构，底层技术逻辑已经愈发透明。企业之间真正的壁垒，转移到了异构数据清洗、算法迭代，以及最直接的资金与硬件筹措能力。
站在2026年世界模型元年的风口，具身智能的思想已经从技术黑盒转向工程流水线。这场改写物理世界交互法则的战役，此刻才刚刚开始。
以下梳理本次对话的五个核心观点。
方汉认为，当前具身智能仍在起步探索期，虽呈百花齐放之势，却如同在迷雾中前行，可以选取一个坐标系作为参照——自动驾驶。
“方汉认为，自动驾驶可以作为参照。众所周知，多种技术路线经过角逐后，自动驾驶最终全部收敛到端到端的FSD系统。”方汉表示。
在他看来，真正意义上的唯有端到端架构能够实现，因此世界模型与具身智能走向这种架构是最终的必然结果“Scaling Up（规模扩展）”。
此前，多流派方案在应对长尾场景与泛化性时力有不逮。端到端模型若要破局，关键是跨过数据规模的“奇点时刻”。训练规模尚未达到时，视频模型经历了多年沉寂；方总借其发展过程作类比，直到规模达到“20亿个15秒的切片”时，才终于产生质的飞跃。
方汉给出的当前坐标是：各大头部厂商普遍积累了10万到20万小时，整个行业正在向百万小时、千万小时关口冲刺。按他的预测，百万小时级别或许会在今年底被部分厂商达到；至于千万小时这一拐点，极有可能等到明年底才由头部厂商率先突破。
既然Scaling Law被视为毋庸置疑的真理，企业所面对的挑战便只剩下一个——千万小时乃至亿级小时的数据需求，让具身智能的数据采集模式在商业逻辑上几乎失去成立基础，问题归根结底是算账。
方汉算了一笔颇为残酷的账：早期具身智能数据主要包括UMI数据和真机数据，而此类数据的生产成本非常高。
今年以前，最基础的单副采集手套仍要十几万元，如今才勉强降到一万多元。即使已有这类设备，采集UMI和真机数据的单位小时成本，最低仍为500元rmb，较高时可到一两千元。
“简单计算可知，生产1000万小时真机数据，按500元单价计算至少要50亿元；若数据规模达到1亿小时，成本便是500亿元，任何一方都难以承受。”方汉坦言。
异构数据（HeterogeneousData），最终被认定为终结这一资本黑洞的武器。
“异构数据让采购成本大幅下降，例如通过手机，甚至胸挂摄像头记录人手操作数据。”据方汉介绍，当前每小时采集异构数据的成本已在50元左右；他预计从今年延续到明年，若采用视频采集，成本有望继续下探到每小时10元。
“每小时成本降至10元后，1000万小时数据仅需1亿元rmb，已进入各方能够负担的范围。因此，利用异构数据来Scaling具身模型或世界模型，必然会成为大家最现实的路径。”方汉说。
异构数据不只拥有绝对成本优势，在生态多样性和环境复杂度覆盖方面也远胜昂贵的真机数据。黎曼动力机器人训练1.0模型时发现，大量引入异构数据不仅增强了泛化能力，甚至对“叠衣服”即便具体操作过去被认为仅依赖UMI数据，这种方式同样带来了极大提升。
方汉指出，在具身智能与世界模型赛道上，宏观战略天平正倾向中国，其基础正是中国不可复制的完整工业门类和庞大人口基数。
物理世界的操作记录构成了具身数据的本质，因此任何数据采集都高度依赖硬件设备与真实场景相结合。“所有数据采集设备的硬件主产地都在中国，世界上没有谁能在硬件成本上卷过中国厂商。”方汉直言。
具身视频采集设备正在重演汽车雷达行业曾经历的成本雪崩。众多消费电子大厂陆续入局，开发带运动加速度传感器的低成本双目摄像头，以及隐蔽性更好、更便携的采集穿戴设备。
更深一层的护城河是“场景产能”。
“中国拥有全球最完整的工业门类，也就拥有最齐全的工业产品；同时，发达的服务业意味着我们可以构造极为丰富的各类操作数据。”方汉判断，既有硬件制造能力、又能深入真实场景的中国，必然成为数据最大的产能地。
讨论大模型商业化时，业内常有观点认为底层模型格局已定，未来重心会由模型层全面转向应用层和垂直领域，方汉对此明确反对。
“方汉并不认同这一看法：应用层同样非常危险，因为没人知道应用能力会在什么时候被大模型的发展包含并内化。”
最新一批文本大模型的训练采用了各行各业专家编写的Skills，这使大模型厂商能够轻松取得各行业最具价值的能力与流程。方汉用近期热门的Skills（技能树）说明了这一点。
方汉认为，当前众多创业者纷纷尝试在垂直行业落地，其产品定义存在逻辑谬误——“拿着锤子找钉子”。许多创业者先认定自己的模型能力很强，再四处寻找行业进行赋能，这种方式风险重重。
正确路线应该反向推导：“先深入理解一个行业最真实的需求，再从需求出发反向寻找能够满足它的模型或AI应用。”
方汉谈到一个商业现实：“国内某大厂的总收入中，视频生成收入已经占据一半以上；今年API消耗量最大的领域也一定是视频生成。”
门槛降低带动创作者规模指数级增长，正是此次爆发背后的逻辑。“海量长尾需求正由视频模型的爆款承接，视频创作者数量绝对不会少于网文作者；不过其热度或许仍达不到当年电视剧《渴望》引发万人空巷的高度。”
不过，在影视与游戏这两种备受期待的终极娱乐形态中，商业规律和物理法则让AI的渗透进程出现了分化。
方汉判断，AI电影面临的障碍早已不在技术，爆款AI院线电影及长剧迟早会出现。原生AI游戏却是另一回事：游戏世界模型的推理速度必须超过传统3D引擎，而巨大的推理成本鸿沟形成制约，因此距离真正落地至少还有3到5年。（作者｜李程程，编辑｜杨林，本文首发于钛媒体APP）