机器人要真正走进工厂、家庭和商店，最难的可能不是让它学会一个动作，而是让它学会用更低的代价持续获得新动作。2026世界机器人大会上，跨维智能提出“Physical Token经济学”，把通用物理智能的规模化问题换成一个很现实的指标：机器人每获得一项新技能，边际成本能不能继续下降。这个判断，比单纯比较模型参数更接近产业现场。因为机器人每一次失败都可能消耗真机时间、人工标注、设备维护和安全验证，所谓智能，最终要在这些账本上成立。
这条主线正在被多组新产品和研究同时验证。具身世界模型开始预测视觉、触觉和环境变化，机器人训练从任务清单转向物理规律；乐鑫发布模块化开发板，把自然语言编程接到真实设备；Qwen3.8-27B则把较强的多模态和Agent能力压缩到消费级显卡可以承受的范围。AI竞争并没有离开模型，但模型的价值正在由“能不能生成”转向“能不能在真实环境里反复工作”。
机器人先要算清成本
Physical Token经济学的核心，不是给机器人增加一种新的计量单位，而是提醒行业重新定义规模化。语言模型可以用Token衡量输入输出，物理智能则要面对动作、场景、失败和恢复。机器人要学会整理桌面，可能需要看到不同材质、不同高度和不同摆放方式；要学会在工厂搬运，又必须处理遮挡、碰撞、抓取误差和突发停机。每种变化都意味着新的数据和验证成本。
跨维智能提出，降低这类成本需要同时依靠统一数据表达、生成式仿真和真实部署闭环。统一表达让不同机器人、传感器和任务产生的数据可以互相利用；仿真让大量危险或昂贵的失败先在虚拟环境中发生；真机部署则负责把最有价值的难例带回训练系统。三者缺一不可。只做仿真，模型可能学会理想化世界；只做真机，训练速度和安全成本又难以接受。
世界模型进入训练环
章鱼动力发布的SYNWorld V0.5，试图把语言、视觉和触觉放进同一个具身世界模型中。该模型采用多模态DiT架构，基于超过30万小时异构数据进行预训练，并将参数规模做到百亿级。它的意义不在于又增加了一个模型名字，而在于机器人不必每次都直接把策略丢进真实环境，可以先在世界模型中观察动作可能带来的结果。
Current Robotics的CurrentWorld-0也沿着类似方向推进，将跨本体、跨视角以及力觉、触觉预测整合到一个交互式仿真系统。移动机器人、双足人形和其他设备可以在其中接受训练和评测，策略先经历模拟、失败和比较，再把关键问题带回真机。对于机器人团队来说，这意味着评测不再只是项目结束时的一张成绩单，而可能成为持续产生训练数据的入口。
从任务清单到物理反馈
过去的机器人演示通常围绕固定任务展开：抓起一个杯子、走过一段路线、完成一次分拣。固定任务容易展示，也方便做成功率统计，但真实环境很少按照脚本运行。杯子可能被遮住，地面可能有水，物体重量可能与训练数据不同，人在旁边移动还会改变机器人的安全边界。机器人真正需要的不是背熟一份任务清单，而是理解动作为什么有效，什么时候需要重新规划。
北大与微软亚研提出的BCP，为视觉语言动作模型增加了一个轻量级规划头，让模型自己决定执行多久以及何时重新规划。在RoboTwin 2.0上，成功率从89.88%提升到93.94%，真机挂马克杯任务的成功率从44%提升到84%。这类改进看起来不像更大的底座模型那样夺眼球，却更贴近产品质量：减少不必要的重规划，可以降低延迟；在关键时刻重新判断，又能避免机器人沿着错误路径继续执行。
端侧设备接住模型输出
乐鑫发布ESP-Mosaico模块化开发板，把AI Coding从屏幕里的代码编辑器带到真实硬件。它搭载ESP32-S3芯片，配备触控屏，并支持摄像头、传感器、电机和其他功能模块的组合。Chat Coding负责根据自然语言快速生成原型，Vibe Coding则把构建、部署、测试和修改串成持续迭代的过程。对开发者而言，代码不再只需要通过语法检查，还要在设备上接受输入、功耗、响应和故障测试。
这类端侧探索与大模型压缩形成了同一条产业链。Qwen3.8-27B采用27B参数规模，经过4bit量化后可以在单张RTX 4090上运行，并在软件工程和操作系统任务评测中表现突出。它未必意味着所有前沿能力都能被搬进家用设备，但说明开源模型的竞争已经从“有没有权重”走向“普通团队能不能部署、调试和改造”。模型只有进入开发板、工作站或企业内网，才会产生足够多的真实反馈。
可玩产品也是一种验证
Spellcaster把六个Agent分工到规则、关卡、素材、可玩性、模拟和修复环节，尝试让用户用自然语言生成可玩的游戏。它与只输出代码的编程助手不同，交付标准不再是文件能否运行，而是玩家能不能开始游戏、理解规则并愿意继续玩。基础小游戏最快约15分钟生成，这个速度本身不是终点，真正值得观察的是系统能否通过试玩发现问题，再自动调整关卡和交互。
Nex Playground则把端侧视觉识别放进家庭娱乐设备，通过摄像头识别玩家动作，支持多人参与。相关数据显示，该产品累计销量已经超过百万台，并采用硬件加订阅内容的商业模式。它的挑战与机器人相似：光有一次准确识别不够，还要适应不同光线、房间、身高和遮挡，并持续提供让用户愿意回来的内容。AI产品的复购和留存，本质上也是对模型稳定性和反馈闭环的长期测试。
基础设施要跟上反馈
当AI系统开始调用仿真器、传感器、浏览器、代码运行环境和真机设备，基础设施的角色就会发生变化。过去部署模型，重点往往是显存、吞吐和接口；现在还要考虑任务队列、数据版本、回放日志、失败重试、设备权限和结果审计。一个机器人策略即使平均成功率很高，只要失败时没有留下可分析的轨迹，下一轮训练就很难真正进步。
企业在部署这类系统时，也不应只比较某个模型的榜单分数。需要先拆分任务：哪些请求适合端侧完成，哪些需要云端GPU，哪些环节必须保留人工确认，哪些数据需要隔离。对于中小团队，可以先用具备弹性扩展能力的速维云云服务器验证模型推理、仿真和日志链路，再根据真实并发和显存占用决定是否建设专用集群。这样计算的不是一台机器的价格，而是一项技能从训练到上线、从失败到修复的完整成本。
模型能力要接受现实检验
从Physical Token到世界模型，再到端侧开发板和可玩游戏，几条看似不同的新闻指向同一个结论：AI的下一个竞争单位，正在从模型回答变成可重复完成的结果。机器人要在物理世界里完成动作，科研系统要让实验数据验证假设，硬件平台要让代码在真实设备上运行，游戏生成器要让用户真正玩起来。每一种产品都在把模型输出送进环境，再把环境反馈带回系统。
因此，参数量仍然重要，却不能单独代表产品上限。更值得观察的是数据是否能持续回流，仿真是否能覆盖难例，部署是否能控制成本，失败是否能被定位，人工是否能在关键节点介入。谁能把这些环节组织成稳定的闭环，谁就更可能把一次令人惊叹的演示变成长期可用的服务。AI真正走向产业化的标志，不是模型又大了一圈，而是它在现实世界里学会了少犯错、快恢复，并且每获得一项新能力都比上一次更便宜。
