頂會具身辯論賽實況：徐丹飛激辯，PI連輸三輪，谷歌大佬倒戈

好的，以下是一篇根據您提供的雷峰網新聞資料，重新組織、擴寫的完整新聞稿，保持了原文的信息量和現場感，並以新聞報導的風格呈現。 ---

# 頂會具身辯論賽實況：世界模型該合體還是分家？數據靠“白嫖”還是“親證”？徐丹飛激辯，PI連輸三輪，谷歌大佬現場倒戈

**作者 | 張璐 編輯 | 齊鋮湧**

在具身智能與機器人領域疾速演進的當下，一個根本性的問題正困擾著整個學術界與工業界：要讓機器人真正走出實驗室、走進千家萬戶，我們究竟該依靠特定硬件採集的“具身數據”，還是該擁抱浩瀚如煙海的“互聯網與人類行為數據”？2026年 Robotics: Science and Systems（RSS）大會最後一天的一場Workshop圓桌討論，將這一核心矛盾擺上了臺面，現場火藥味十足，儼然一場關於機器人未來路線的“學術辯論賽”。 這場由雷峰網AI科技評論小隊全程記錄的圓桌討論，匯聚了來自全球頂尖機構的五位專家。他們圍繞世界模型（World Model）在機器人領域的實際落地，展開了長達數小時的激烈交鋒。參與辯論的嘉賓包括：來自佐治亞理工學院與英偉達的徐丹飛，以其組合世界模型研究聞名；Google DeepMind與紐約大學的Sherry Yang，專注於物理代理世界模型的評估；Physical Intelligence（PI）的Laura Smith，強調具身智能的落地實踐；英偉達的Max Li，深耕大模型架構；以及OpenDriveLab的Li Chen（陳立），在機器人數據與控制領域經驗豐富。 主持人拋出的三個核心辯題，如同一把把火，點燃了分屬不同技術陣營的專家們。以下是這場思想碰撞的完整實錄。 ## 第一輪辯論：世界模型與策略模型，該“合體”還是“分家”？ 當今人工智能的浪潮高舉“大一統”旗幟，但在對實時性、安全性要求極高的機器人領域，這條路真的走得通嗎？主持人開門見山，第一個問題就直擊要害：世界模型和策略模型，究竟應該整合在一個統一的架構裡，還是應該分開設計、各司其職？ 現場的大佬們迅速根據各自的學術立場分為兩大陣營。**“大一統”的合體派**由PI科學家Laura Smith和英偉達Max Li領銜，他們主張把所有功能——理解世界與執行動作——塞進一個超級模型裡，讓它“既動腦又動手”。而**“各司其職”的分開派**則由谷歌的Sherry Yang、OpenDriveLab的陳立和徐丹飛組成，他們更看重工程實現的運行效率和調試的清晰度。 **合體派的觀點：**

Laura Smith首先發難，她認為當前AI的大趨勢就是Everything in One。她反問道：“MoE（混合專家）模型都能把成百上千個專家塞進一個網絡，為什麼世界模型和策略不能合併？”在她看來，最終目標必定是一個能同時理解世界並直接行動的超級模型。同陣營的Max Li雖然在長遠目標上認同Laura，但他顯得更加務實。他敏銳地指出，當前AI“能想象到什麼”和機器人“實際能做到什麼”之間存在一道巨大的鴻溝。“視頻模型學得再好，如果缺乏足夠的動作數據，也無法施展，” Max Li強調，“目前的當務之急，是研究如何通過表徵學習，把世界模型的‘想象力’精準地翻譯成機器人的‘執行力’。”

**分開派的反擊：**

坐在“分開派”陣營的陳立似乎早已按捺不住。他直接從最底層的工程運行效率出發，給合體派潑了一盆冷水。陳立嚴肅地指出：“機器人是要在現實世界中實時幹活的，策略模型的響應速度和運算效率是它的‘命根子’，必須保證它跑得飛快。”他警告說，如果為了盲目追求“大一統”，把世界模型這個龐然大物強行塞進同一個網絡，導致策略模型被拖慢、機器人動作卡頓，那麼在實際落地中將完全無法使用。為了效率，必須分開調試並進行特殊化處理。 陳立的說法得到了Sherry Yang的強烈聲援。Sherry從訓練的角度給出了更專業的解釋：“目前絕大多數模型其實還處於欠擬合階段。世界模型要吃下海量的具身交互數據已經非常吃力，如果再強行塞進策略學習的任務，兩個目標會互相打架，導致訓練效果下降。”她進一步剖析了兩個模塊的本質差異：世界模型需要大量失敗數據來理解物理規律（如撞到牆、抓不穩），這對提升魯棒性至關重要；但策略模型的目標是學習如何成功，如果強行合體，失敗數據可能會“汙染”策略，讓機器人學到更多錯誤的動作模式。 作為分開派的另一員大將，徐丹飛則從實際應用的角度補充道：“分開還有一個巨大的好處——調試和迭代的路徑更清晰。當機器人任務失敗時，我們能快速定位問題：到底是世界模型預測錯了未來，還是策略模型選擇了錯誤的動作？如果全都塞到一個黑箱模型裡，出了問題，你很難指責究竟是哪個部分出了毛病。”

有趣的是，現場有觀眾通過Slido提問：“如果合併了，任務失敗了到底該怪誰？”這個略帶調侃的問題引發了全場笑聲，也讓這場技術辯論變得更加接地氣。最終，第一輪觀眾投票的結果顯示，“分開派”略佔優勢，大家勉強達成共識：在當前階段，世界模型和策略模型最好還是各回各家、各司其職。 ## 第二輪辯論：可控性到底靠“像素”還是“動作”？ 既然決定將世界模型單獨拎出來，那麼隨之而來的問題便是：我們該如何衡量這個模型是否真正“看懂、學對”了這個世界？是看它能不能像好萊塢大片一樣生成極其逼真的畫面，還是看它能不能精準指導機器人的下一個動作？這個問題讓剛剛形成的陣營瞬間打破重組，學術新星與產業專家開始了新的交鋒。 **本輪對陣的雙方是：“視覺顏值”像素派（Max Li、Laura Smith、陳立）**，他們主張視頻畫面最直觀，是人類理解模型思維的便利接口；以及 **“硬核實操”動作派（徐丹飛、Sherry Yang）**，他們認為機器人最終是為了在現實世界幹活，動作價值和語義先驗遠比畫面漂亮更重要。 **像素派的觀點：**

英偉達的Max Li一上來就金句頻出。他認為視頻是目前最自然、最高效的監督信號。他形象地打了個比方：“生成高保真的視頻，能讓我們看清這個大模型到底在想什麼——這就好比父母總想搞懂青春期孩子的內心想法一樣。”他堅信，人類需要這種視覺上的高保真度，它能帶來極佳的可解釋性，是我們調試這個“黑盒子”系統最方便、最直觀的接口。同陣營的Laura Smith也補充道，將未來的畫面用視頻生動展示出來，最大的好處就是當機器人把事情搞砸時，人類可以像“責任劃分員”一樣，一眼看過去就揪出是哪個環節在推卸責任。 **動作派的反駁與轉向：**

然而，支持動作grounding的一方很快潑了冷水。他們承認視頻作為“人類接口”很有用，但指出過度追求像素級真實性有時反而是一種干擾和算力浪費。機器人最終要執行的是可靠的物理動作，而不是去拍一部奧斯卡電影。把算力都花在生成漂亮畫面上，可能會犧牲動作的物理一致性和精度，尤其是在需要與物體密切接觸（contact-rich）的任務上。 在這一輪討論中，發生了一個極具戲劇性的“倒戈”時刻。谷歌的Sherry Yang坦誠地分享了自己的心路歷程：“我以前也是像素派的堅定支持者，但最近我們做了很多大規模模型的實驗，結果讓我開始動搖。”她發現，即使將模型規模做到極大，單純靠堆像素和擴大規模，在遇到需要精細接觸的任務時，生成的畫面依然不夠穩健，無法保證100%的物理一致性。因此，她現在更傾向於在視頻生成中引入更多語義信息和物理先驗，而不是單純地關注畫面好不好看。 徐丹飛則從另一個角度表達了相似的觀點。他一針見血地指出：“視頻其實只是現實世界的一個部分切片。人類在黑暗中摸索或者抓取物品時，根本不需要在腦子裡想象出一幅清晰的畫面，而是更依賴觸覺和力反饋。”他認為，判斷一個世界模型好壞，核心標準不能是它畫畫美不美，而是要看它能不能產出真正的、可執行的動作價值。 這一輪討論雖然沒有明確的贏家，但大家在碰撞中逐漸形成了新的共識：視頻和動作並非對立關係，而是需要更好地結合。任何單純依賴某一方的路徑可能都難以走遠。 ## 第三輪辯論：數據該從哪裡來？“互聯網白嫖”還是“親身體驗”？ 討論到這裡，現場氣氛已經略顯膠著。科學家們心裡都清楚，無論是追求炫酷的視頻畫面，還是死磕精細的手感反饋，說到底都屬於“下游”應用。再聰明的模型、再完美的算法，沒有高質量的“數據”餵養也只是一個空殼子。那麼，究竟該去哪裡為機器人尋找最頂級、最管飽的“自學教材”呢？是去“白嫖”鋪天蓋地的互聯網人類視頻，還是必須老老實實地收集機器人自己動手的“親身體驗”？ 這最後一個辯題，將整場圓桌討論推向了最高潮。 **本輪對陣的雙方是：“借鑑全網”互聯網視頻派（徐丹飛、Sherry Yang、Max Li）**，他們認為人類視頻規模巨大，能極大提升機器人的泛化能力；以及 **“崇尚親身體驗”具身控制派（陳立、Laura Smith）**，他們堅持互聯網視頻難以解決具體應用，高精度控制必須依賴機器人自己的真實數據。 **具身派的堅持：**

支持具身數據優先的專家認為，機器人數據包含了真實的物理參數、動作反饋和接觸力，是“最乾淨”、最直接的信號。沒有這些，模型很難準確學到接觸動力學等關鍵知識。具身數據是地基，人類視頻只是錦上添花。甚至連作為“細節控”的陳立（Lee）也在這一輪站出來，公開表達了對互聯網數據的懷疑。他直言不諱地指出：“現在業界一談到大模型就盲目崇拜互聯網上的海量數據，但在我看來，那些鋪天蓋地的互聯網視頻對機器人具體的、高精度的具身應用來說，並沒有那麼直接的幫助。”他認為，互聯網視頻頂多在宏觀上幫機器人規劃一個子目標（sub-goals），但要解決底層的抓取和手腳控制，還是得死磕機器人自己的具身數據。 **互聯網派的反擊：**

支持人類/互聯網數據的一方則從規模和泛化角度進行了強有力的反駁。徐丹飛首先發聲：“純靠機器人數據，規模太有限了，根本無法覆蓋現實世界中無窮無盡的長尾場景。而人類視頻數據量巨大，包含了各種各樣的交互方式和技能組合，能極大提升模型的泛化能力，讓機器人學會應對各種從未見過的情況。”Sherry Yang則從另一個維度進行了補充：“人類本身就是地球上最強大的物理代理。我們完全可以把人類視頻看作另一種‘機器人數據’，通過端到端控制或者姿態表示來對齊二者，這條路非常值得探索，很可能會成為突破數據瓶頸的關鍵。”

儘管雙方最終都承認，兩者不可或缺，並達成了一定共識，但現場觀眾的投票結果卻給出了一個明確的傾向：“借鑑全網”的互聯網視頻派以61%的投票率，大勝僅獲得39%選票的“崇尚親身體驗”的具身控制派。這似乎表明，在當前階段，學術界普遍認為如何高效利用人類視頻數據，並通過世界模型將其與機器人數據橋接起來，是更為緊迫和重要的突破方向。未來很可能會形成一個混合數據飛輪：互聯網數據提供廣度，機器人數據提供精度，而世界模型則扮演融合與迭代的關鍵角色。 ## 圓桌總結：技術仍在快速迭代，PI雖三連敗卻無損共識

三輪辯論結束後，既有輸贏，也凝聚了共識。從現場上百位RSS參會學者的投票結果來看：

1. **策略模型與世界模型**之爭，“各司其職”派更受歡迎。 2. **可控性**之爭，“動作派”的觀點佔據上風。 3. **數據來源**之爭，“互聯網視頻派”獲得了多數支持。 現場發生了一個頗為有趣的小插曲。來自Physical Intelligence的Laura Smith，在三次辯論的投票結果中，其所持觀點均未獲得現場觀眾的青睞，可謂“連輸三輪”。這讓她有些自嘲地表示困惑。 然而，擱置爭議，幾位嘉賓在最後的總結中還是達成了多項共識。他們一致認為，世界模型是機器人走向通用的關鍵鑰匙，但目前仍面臨著融合方式、可控性、數據利用等一系列嚴峻挑戰。真正的突破，可能不會來自某一個極端的陣營，而是來自更聰明的混合機制、更平衡的數據策略，以及理論與工程的緊密結合。 徐丹飛在最後的總結發言中說道：“我們現在看到的，還只是冰山一角。未來幾年，這個領域會變得非常熱鬧，充滿了機遇與挑戰。”話音剛落，現場響起了熱烈的掌聲。 這場沒有標準答案的圓桌討論，留下了大量值得每一個從業者深思的問題——這或許正是頂級學術會議最迷人的地方。機器人進入千家萬戶的征途，才剛剛開始。