摘要：王兴兴在外滩大会上的“AI荒漠论”，揭示了当前人工智能在物理世界执行任务时的根本性困境，这场从“认知智能”到“行动智能”的跨越远比想象中艰难。

王兴兴在外滩大会上的“AI荒漠论”，揭示了当前人工智能在物理世界执行任务时的根本性困境，这场从“认知智能”到“行动智能”的跨越远比想象中艰难。

2025年外滩大会上，宇树科技创始人王兴兴的一句“现在的AI大模型领域，在真正干活这方面还是荒漠”，像一颗冷水泼进沸腾的AI行业。他说，文字图像已繁花似锦，执行任务却荒芜如沙，“仅长了几根小草”。这句话，不是批评，更像预警。

王兴兴

我们正站在AI演进的关键分水岭。大语言模型如ChatGPT、Midjourney已证明它们理解与创造的能力，对话流畅、画作精美，甚至通过律师、医师考试。但一旦你让AI控制机器人送快递、调度工厂流水线、护理老人——它仍显得笨拙、迟缓、不可靠。王兴兴所指的“干活”，是物理世界的行动，是复杂环境的应变，是多任务协同的执行。而这，恰是AI目前最大的短板。

为什么会出现这种“头脑发达、四肢简单”的局面？

究其原因，AI的学习至今仍大量依赖静态数据集和虚拟环境。语言和图像数据易于获取、标注、训练，但物理动作涉及实时反馈、安全容错、非结构化环境——这些难以通过文本或图片学会。

就像教孩子读书 vs 教他骑车，后者必须经过反复摔倒、调整、再尝试。目前AI还缺一个“身体”去感受真实世界。

但这片“荒漠”正在被开拓。全球实验室与企业已展开行动。谷歌的RT-2模型尝试将视觉-语言-动作联合训练，特斯拉的Optimus人形机器人不断迭代运动控制，而宇树科技本身也在强化四足与双足机器人的自主任务能力。

当前AI发展呈现出明显的不平衡性。在文本生成、图像创作等虚拟领域，AI表现卓越，甚至能通过专业资格考试。然而一旦进入物理世界，AI就显得力不从心。

这种能力缺陷在制造业尤为明显。研究显示，AI大模型在制定简单黄铜零件的加工计划时，多数模型在视觉能力和物理推理技能方面表现不佳。它们常常错过明显特征或出现幻觉，忽略刚性和颤动问题，甚至提出物理上不可能的工装方案。

物理世界中的AGI需要具备四大能力：处理复杂的感官输入、预测行动效果、遵循物理约束、从交互中学习。而当前的大模型在这些方面都存在明显不足。

行业正从三路突破——采用多模态融合技术（视觉+语言+控制）、仿真到实物的迁移训练（Sim2Real）、以及强化学习与人类反馈协同优化。

英伟达推出了Cosmos-Reason1系列模型，尝试提升AI在物理常识和具身推理方面的表现。该模型采用仅解码器的大型语言模型架构，结合视觉编码器处理视频数据，实现文本和视觉数据的同步推理。

蘑菇车联发布了MogoMind物理世界AI大模型，深度整合实时、海量的多模态交通数据，形成对交通环境的全局感知、深度认知和实时推理决策能力。该模型仅用70亿参数规模，就实现了“厘米级感知、毫秒级响应”。

中科视语开发了PhysVLM模型，创新性地提出空间-物理约束映射（S-P Map）技术，将机械臂的几何参数、关节运动范围等物理约束转化为可学习的视觉语义表征。

目前，具身智能已初步完成“拿起指定物品”、“避开移动障碍”等简单任务。但从小草到绿洲，仍需五年甚至更久。

英伟达的Cosmos-Reason1在物理常识基准测试中表现优异，尤其是56B版本的效果全面超过Qwen2.5-VL-7B与72B、Gemini 2.0 Flash与GPT-4o。在具身推理上，显著强于其他VLM模型，效果提升超10%。

蘑菇车联的MogoMind大模型已经推出了多款L4级前装量产自动驾驶车辆，包括RoboBus、RoboSweeper和RoboTaxi，已在全国10个省份实现成功运营，安全行驶里程突破200万公里。

中科视语的PhysVLM在EQA-phys上的性能比GPT-4o高出14%，在RoboVQA-val和OpenEQA等基准测试中也超过了RoboMamba和SpatialVLM等先进的具身VLM。

科技巨头投入巨大，创业公司风险更高。失败项目多因硬件成本、数据匮乏、场景不明确。但每一步失败都在积累经验。

算力瓶颈对大模型实时性能的影响主要体现在几个关键方面：硬件资源限制导致推理速度无法满足实时需求；模型复杂度与算力需求呈指数级增长关系；分布式计算中的通信延迟进一步削弱实时性能。

在数据层面，获取高质量、大规模且符合特定场景需求的数据极为困难，标注成本高昂且数据合规性要求严格，导致模型在复杂场景下的泛化能力受限。

在这场攻坚战中，研究人员获得了宝贵的“战利品”：多个开源数据集（如Meta的Ego4D）、通用控制接口（如微软的AirSim）、以及新型处理器（专用于机器人并行计算）。

英伟达团队构建了包含6类工业机械臂、10万组操作场景的基准数据集，涵盖RGB图像—可达物理空间图（S-P Map）—具身物理问答三元组数据。配套开发的EQA-phys评估基准包含带有4类工业机械臂的仿真环境和问答数据。

蘑菇车联开发了“通感算一体化”设备（如AI数字道路基站、路侧系统等），能够实时获取物理世界实时动态数据。通过边缘+云端的协同处理，将数据在源头就进行融合处理，为理解世界提供更高精度和质量的数据。

中科视语开创的空间-物理约束映射（S-P Map）技术与各种VLM高度兼容，集成到GPT-4o-mini后，提升了7.1%的可达性理解任务性能。

这不是一场人类与AI的战争，而是人类与自身技术局限的对抗。王兴兴的发言之所以重要，是因为他撕开了幻想，指向未来——AI不应只会说，更应会做。

历史的回响：技术发展的道路从来都不是一帆风顺的。AI大模型正如工业革命时代的蒸汽机，虽然初期笨重低效，但经过不断改进和适配，终将驱动各行各业迈向智能化的新时代。这场AI革命不是一场闪电战，而是一场需要耐心与智慧的持久战。

正如一位斯坦福AI实验室负责人在其日记中所写：“真正的智能，必须能穿过房间，拿起一杯水，而不打碎它。”而我们现在，还停在“识别这是一杯水”的阶段。

参考文献

王兴兴，2025外滩大会发言实录

中科视语发布首个具身物理空间大模型PhysVLM，战略布局“AI+机器人”新生态，中国商报网，2025

京企首个物理世界AI大模型亮相，北京市科学技术委员会、中关村科技园区管理委员会，2025

70亿参数做到百毫秒推理延迟！蘑菇车联首发物理世界AI大模型，手机网易网，2025

2024AIAgent行业研究报告，CSDN，2025

前沿人工智能模型在基本物理任务上仍失败：一个制造案例研究，SegmentFault思否，2025

英伟达推出Cosmos-Reason1系列模型，让AI理解物理常识，腾讯新闻，2025

公开测评拿到性能最优，首个面向空间智能的世界模型在沪发布，上观新闻，2025

悠然无界大模型发布，突破数字世界与物理世界边界，上观新闻，2025

免责声明：本文内容基于公开资料与学术研究，仅供参考与学术交流，不构成任何投资或决策建议。

合法合规声明：本文符合国家相关法律法规，不涉及保密信息与不当言论。

史料授权：所引内容、发言实录均已来自公开渠道或经授权使用。

来源：世事传真