机构：人工智能正从“预测下一个词元”走向“预测下一个物理状态”

7月9日，国盛证券发布了一篇通信行业的研究报告，报告指出，通信-具身智能的瓶颈与突破。

ChatGPT发布以来，AI在聊天、CodingAgent、视频生成等多个领域，展现出对生产力的革命性提升能力。接下来，我们关注，AI能否改造机器人，使具身智能拥有泛化性，作用于大模型的scalinglaw是否也能作用于机器人？近期的2026智源大会给了我们许多启示和思考。

2026北京智源大会把“具身智能”与“世界模型”摆在最核心的位置。大会专设具身智能与人形机器人论坛、世界模型论坛与具身产业CEO论坛；智源研究院院长提出人工智能正从“预测下一个词元”走向“预测下一个物理状态”。

现状——“抓拿放”较多、人机乒乓球已可实时对打。现场可见人机乒乓球对打、酒店清洁、货架抓放、串糖葫芦等“点状能力”，但多在受控、结构化或依赖外部动捕的环境中完成；产业方认为，把“移动+抓取放置”在零售、工厂分拣等可批量复制场景做到高度泛化，是近期里程碑。

瓶颈——可归纳为数据、物理理解与多模态感知、评测标尺、安全可控等几类。传统VLA依赖昂贵、难规模化的遥操作数据；智源王仲远称现有世界模型的语言、像素、三维结构、视觉表征四条路线均未真正触达物理规律；仅靠VLA不足，触觉、力觉被反复强调；多位嘉宾直言现有的机器人榜单不可信，应更关注系统能力和AI的学习能力。

突破——针对上述瓶颈，产业已形成“扩数据、补大脑与强感知、定标尺上保险、做分工”等几组打法。扩数据上，仿真合成＋人类视频（第一人称Ego-centric）＋真机多路并进，UMI、可穿戴数采等降低采集门槛；强感知与降示教引入多模态融合、触觉力控与“部署中自进化”。

路线——两组分歧渐趋清晰。其一，“VLA还是世界模型”之争正走向“融合”：智平方郭彦东称世界模型是VLA体系的核心组成；其二，“一体化”与否尚存分歧，“本体-大脑一体化”派认为如此迭代更快、跨本体更一致，“大脑/模型平台、不绑本体”派认为人类数据预训练可天然向下兼容多种本体与末端的分工之别。

目标与节奏——目标从“可执行”走向“可学习、可泛化、可进化”，以世界模型作为物理世界的下一代基座。银河通用王鹤以网球等定义具身的“AlphaGo时刻”，并把“ChatGPT时刻”量化为预训练后在人类无需专门学习的技能上zero-shot达到70%—80%成功率；时间表上各家口径呈“近端密集、远端发散”：千寻智能高阳预计12—24个月基础模型显著进步，智元罗剑岚把跑通真实部署数据闭环的窗口设在12—18个月，智在无界卢宗青判断2—3年内大有进展但通用未必在两年内到来。

投资建议——“目标确定、节奏未定”，宜押路径而非时点。克服瓶颈的五组方法直接对应受益环节：扩数据（动作捕捉、仿真引擎与合成数据、第一视角采集与标注）、补大脑（训练与端侧模型与算力）、做分工与放量（RV减速器、丝杠、力/六维力与触觉传感器、灵巧手等执行与零部件）、评测与安全（标注与验证服务）。这些公共底座环节相对确定受益；配置上宜优先关注能在窄场景率先形成数据闭环与现金流的环节，并警惕以“真机数据量”为唯一护城河者，被人类视频/合成数据范式削弱其稀缺性。

建议关注：

1）AI大模型：智谱、Minimax等；

2）AI算力基础设施：中际旭创、新易盛、天孚通信、东田微、三环集团、寒武纪、沐曦科技等；

3）具身智能本体与配件：三花智控、拓普集团等。

风险提示：技术路线尚未收敛；数据范式快速变化；商业化与规模化落地不及预期。