具身智能争论新焦点：它该是多模态的“副业”，还是物理世界的“新安卓”？

最近圈子里有个讨论挺热：具身智能（就是让机器人有身体的AI），到底算不算一个正经的“基础模型”？

很多人的看法是，它无非就是在现有的语言大模型（比如GPT）或视觉模型上，加个控制身体的“插件”，做个微调罢了。这不就是个高级应用吗？

但有一线创业者不这么想。在最近的MEET2026大会上，自变量机器人CEO王潜扔出了一个挺硬核的观点：具身智能，应该是与语言模型、多模态模型完全平行、独立的另一个基础模型。它的服务对象不是虚拟世界，而是物理世界。

这个定性的争论，听起来很学术，但其实关系到整个行业往哪走、钱往哪投。

为什么非得“另立门户”？

王潜的核心论据在于：物理世界和虚拟世界的“游戏规则”压根不一样。

咱们在电脑里训练模型，数据是干净的、可重复的。同一段代码，跑一万次结果都一样。但物理世界充满“意外”：你用同样的力推一个杯子，它每次停的位置可能都不同。这种无处不在的随机性，是代码世界难以想象的。

更重要的是，语言和图像在描述物理交互时是“钝感”的。你怎么用文字或图片精确描述“拧螺丝该用多大力道”？这些涉及力、接触和连续时序的过程，需要一套全新的“描述语言”和模型架构去理解。

所以王潜认为，沿用语言模型的范式来做机器人，是“结构性的错位”。与其修修补补，不如从模型架构、数据、到硬件，为物理世界重做一套“智能底座”。

一个颠覆性的未来推演

如果接受“具身智能是独立基础模型”这个设定，视野会完全不同。

王潜甚至提出了一个大胆的预见：以十年为尺度，具身智能基础模型可能会反过来“吞噬”或“收编”现在如火如荼的多模态模型。

为什么？因为物理世界的学习方式更高级。人类认识一只狗，不是看一万张狗的照片（那是现在的AI做法），而是绕着它看，摸摸它，和它互动。这种带有时序、空间和因果关系的“主动感知”，信息密度和效率高得多。

当为物理世界设计的模型掌握了这种更本质的学习能力，回过头来处理纯图像和语言任务，可能就像降维打击。

我们的观察：争论背后是路线的分岔口

这场争论，本质上是对未来AI主导权的预判。

• 一条路是“虚拟主导”：认为AI的奇点将在代码和数据中诞生，智能先征服虚拟世界，再通过“应用”接管物理世界。机器人只是执行终端。

• 另一条路是“物理优先”：认为真正的通用智能（AGI）必须诞生于并与物理世界互动中。因为一切终极资源（算力、电力、数据）都来自物理世界。无法在物理世界中自主获取和制造资源的AI，是有天花板的。

王潜显然是后者。他们的实践，如研发端到端模型驱动高自由度灵巧手、探索“机器制造机器”的自动化生产，都是在尝试打通“感知-决策-行动-制造”的完整闭环。

这不仅仅是技术问题。 它意味着，如果“物理优先”的路线成立，那么整个AI产业的焦点、投资的方向，甚至巨头们的布局，都可能在未来某个时刻发生一次剧烈的转向。

通过端到端模型直接控制的灵巧手，是“物理世界基础模型”的一种实践。

具身智能是否是一个独立的基础模型？这或许不是一场马上能有结论的辩论。

但它像一面镜子，照出了AI发展中的深层焦虑与野心：我们究竟是在为虚拟世界创造一个强大的影子，还是在为物理世界唤醒一个全新的原生智能？

这场争论，值得我们持续关注。

责任编辑：鲸媒

文章来源：http://www.jingmeijuzi.com/2025/1222/603.shtml