专题：2026世界机器人博览会（WRC）AI大模型赋能机器人与具身智能产业新范式交流活动

　　2026世界机器人博览会（WRC）于8月19-23日在北京亦创国际会展中心举行
。“AI大模型赋能机器人与具身智能产业新范式专题活动”在博览会同期举办。日冕开物创始人
、董事长兼CEO肖中阳出席并演讲 。

　　肖中阳表示，日冕开物将具身基础模型的Scaling问题拆解为三个层次：学习范式、表征体系 ，以及数据和反馈的闭环
。

　　针对“怎么学 ”
，他指出，行业共识正在指向世界模型 ，即通过下一状态预测进行学习。其核心逻辑是判断世界当前处于什么状态 、采取什么动作
，以及接下来会发生什么 。他认为，这种物理智能学习范式的高效性主要来自两点：一是可以构建大量无监督数据 ，二是预测能力背后依赖对底层物理规律的准确理解
。

　　在“学什么
”的问题上
，肖中阳表示，传感器获取的是原始观测 ，模型需要把这些复杂信息编码成可理解的内部状态
，才能进一步完成预测
、推理、决策和行动。因此，表征要回答的是模型内部究竟以何种形式理解世界 。

　　肖中阳认为 ，AI基础模型范式的跃迁，往往伴随着表征方式的革新
。计算机视觉领域经历了从手工特征到可学习表征的变化
，大语言模型的突破建立在Token和上下文表征之上，自动驾驶范式也从人工规则和特征逐渐收敛到BEV 、Occupancy等统一空间表示。

　　在“怎么持续学”的问题上 ，肖中阳强调
，物理世界AI与数字世界AI存在显著差异 。数字世界AI的数据相对容易获取，文本
、图像、视频 、代码等可以在数据中心被反复使用；而物理世界AI的训练数据贵在真实 ，必须来自与物理世界的真实交互
，包括真实光照
、真实材料、加工公差 、摩擦
、传感器噪声和退化等长尾问题
。

　　他表示，数字AI可能在实验室里被造出来 ，但物理AI脱离不了真实场景。具身智能的GPT时刻无法在实验室里“憋出来 ” 。如果一家物理基模公司的战略是先完成模型训练
，再做产品交付，就难以持续获得高质量交互数据。

　　肖中阳在分享最后总结称 ，日冕开物围绕三个问题展开：怎么学
，答案是下一状态预测；学什么，答案是具身原生表征E3；怎么持续学 ，答案是物理基础模型真正的Scaling会越来越多地发生在真实世界交互之中，产品交付本身就是模型学习闭环的一部分
。

　　他表示
，日冕开物的使命是打造学习闭环，让物理AI真正走向Scaling。

　　新浪声明：所有会议实录均为现场速记整理 ，未经演讲者审阅
，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述 。