社区

$宇树科技-W(688836)$ $智谱(02513)$ 本月 22 日，世界物理 AI 大会。宇树科技创始人王兴兴说了一句外行看着平常、内行听着扎心的话：物理 AI 快则一到两年、慢则两三年就有重大突破，最核心的挑战是“模型输入输出能不能与真实机器人对齐”。

翻译成大白话就是：硬件已经就绪了。G1 能后空翻，生产线机器人能搬运分拣，人形机器人的预售页都挂出来了。这个行业现在等的是一个大脑。

大脑从哪来？一个月前，OpenAI 给了一个惊艳又拧巴的答案。9 月发布的 GPT-6-Astra 做了一场实验：模型权重完全冻结、零任务微调，纯靠“读说明书”直接驱动机械臂拧螺丝、操作多指灵巧手、控制宇树 G1，在 12 个仿真基准中拿下 9 个 SOTA，在一百项家务中的任务成功率达到了 37%，而此前最好成绩只有 14.8%。然而，细读评估论文，另一面同样醒目，模型靠的是临场抱佛脚的“知识包”，他们的原话是“用已解决的问题写的小抄”，单回合烧掉百万级 token、耗时一到三小时，真机上九成时间在思考；插插头任务试了 11 次，全部失败。

能力证明了一半，路径暴露了全部。用语言模型外挂工具去“touch”物理世界，每一次交互都在付翻译税。

一、另一条路，藏在一篇论文中

就在行业为 GPT-6-Astra 激辩的两周前，一篇来自中国研究团队的论文挂上了 arXiv。

10 月 15 日，来自清华大学与智谱的联合团队发表了题为《Can Visual Generation Expand What Unified Multimodal Models Know?》的论文，其中透露了一个从未公开的内部模型 GLM-Omni，回答了一个看起来很学术的问题：模型通过画图学到的知识，能不能用来答题？

结论是“能”，但必须让“画图”和“答题”在同一条训练序列里发生。图文交错对齐训练后，模型的纯文字答题准确率从 12.57% 提升到 26.86%；如果允许它答题前先画一张图再看着图回答，准确率会冲到 41.14%。

这个数字为什么重要？因为它证明了一件事，生成和理解共享同一个知识池，“想象”出来的经验可以变成“判断”的依据。

现在把这行字放回物理 AI 的语境里读一遍：一台机器人，可以先用‘想象”（生成物理场景）来预演动作，再用“观察”（理解生成结果）来修正决策，它不用真摔一万次才学会不摔。物理 AI 最烧钱的环节（真实世界数据采集），第一次有了“部分合成”的理论可能。

GPT-6-Astra 用小抄进物理世界，中国团队在证明“预感”也能进物理世界。两条路径的分岔，就在这里。

二、回头来看，智谱的每一步都像在攒零件

这几天总有人说智谱要做物理世界模型，甚至已经在做了，林林总总无法证实，按下不表。但把智谱四年的公开动作连成线看，有件巧合得过分的事，做物理大脑需要的每块零件都在公开地、按顺序地攒着。

（1）2023 年 10 月，CogVLM 开源。视觉专家架构，5B 编码器加 6B 专家模块嵌进语言模型每一层，语言能力零遗忘，这是“眼睛”。

（2）2025 年，GLM-4.1V-Thinking 用 9B 小模型登顶 Hugging Face 趋势榜，GLM-4.5V 刷下 41 项 SOTA，视觉编码器从借用的 EVA 一路换成全自研的 CogViT，眼睛升级成“视觉系统”。

（3）2026 年 4 月，GLM-5V-Turbo 的技术报告标题直接叫“面向多模态智能体的原生基座”——Design2Code 拿了 94.8 分超过 Claude Opus 4.6，OSWorld、AndroidWorld 这些“操作电脑手机”的基准进入第一梯队。看懂屏幕、规划动作、执行、观察反馈、修正。这是完整的感知-决策-行动闭环，只不过执行器是鼠标键盘，不是机械臂。

（4）同期，GLM-4-Voice 做出端到端语音，GLM-Realtime 做到实时音视频——“耳朵和嘴”。与**联合开源的国产芯片训练多模态模型今年 1 月落地，这个是“供血系统”。

（5）然后是上个月的 GLM-Omni，最后一块，让“想象”反哺“判断”的统一表征。

眼睛、耳朵、嘴、手（数字世界的）、供血系统、想象能力。六块零件，四年，全部有论文或产品为证。 单独看每一步都只是正常的技术迭代；连起来看，恰好围出一个物理世界大脑的完整轮廓。

这不是过度解读，更可能的是统一多模态的技术树，本来就会自然长到物理 AI 门口。但正因为如此，智谱做物理世界模型的传闻没人觉得突兀，零件都摆在桌上了，差的那一步，只是官宣把不把它们装起来。

三、当然，零件不等于机器

智谱的公开信息里目前还没有任何机器人本体、传感器、运动控制的布局，软件基因的公司跨向物理世界，组织跨度不小。GLM-Omni 也只是 9B 研究级验证，“想象辅助决策”离真机上的实时控制还隔着工程鸿沟。连 GPT-6-Astra 都在插插头上连败 11 次，物理世界的刁钻程度，头部实验室都还在交学费。

王兴兴说的“一到三年”是企业家判断，不是物理定律。这个窗口期内，一切可能加速，也可能证明窗口比想象的长，但传闻会过期，积累下来的技术能力不会，机器人大脑这门生意已经开张，而桌上有零件的玩家，无论来不来，都值得被记住名字。