WAIC 2026回顧｜從模型走向真實場景，六個視角看AI下一步
過去三年，人工智慧行業最顯著的進步，幾乎都發生在模型層面：參數不斷增加，推理能力持續提升，文本、圖像和影片陸續融入同一個模型。每隔幾個月，新產品和新榜單就會重新定義一次「最強」。
然而，走進2026世界人工智慧大會（WAIC）的論壇現場，就能感受到討論重心正在變化。大家依然關注模型，但越來越少孤立地談模型。從世界模型到工業大腦，從企業智慧體到AI科學家，學界與產業界開始共同追問：模型如何與數據、工具、機器、組織和真實環境相連接，成為能夠持續理解、行動並接收反饋的系統？
模型能力仍在增長，但下一階段的競爭，已經不只是讓模型更聰明。今年WAIC論壇的討論，最終匯聚成六個判斷。
判斷一｜世界模型：AI不僅要回答問題，還要預測行動結果
「構建具身世界模型，不是為了還原像素，而是為了控制相關行動。像素還原是給人看的，物理推演是給機器人用的，這是兩回事。」——大曉機器人首席科學家、澳大利亞科學院院士陶大程，在「世界模型驅動物理AI：從理解到執行」論壇的「世界模型六小龍」圓桌上表示。
這種變化，首先發生在AI與真實世界的關係上。
大語言模型擅長處理人類用文字記錄的知識，但真實世界遠不止文字。機器人需要理解物體的位置、運動和接觸關係；工業系統需要應對不斷變化的設備狀態；自動駕駛則必須判斷一個動作在幾秒後會帶來什麼結果。這正是世界模型在今年WAIC上被反覆討論的原因。
在「世界模型六小龍」圓桌上，陶大程與螞蟻靈波（阿里巴巴靈波）的沈宇軍、極佳視界的朱政、無界動力的夏中譜、智元機器人的任廣輝、自變量機器人的王昊作出了相同判斷：世界模型已經不能再只用「影片生成」的標準衡量。過去一年，行業最關心的是畫面是否逼真、時長是否足夠、前後是否一致。但對機器人來說，更重要的問題是：「打開這扇門需要多大力？」「拿起杯子時會不會碰到旁邊的人？」「執行這個動作會不會造成不良後果？」像素還原是給人看的，物理推演才是給機器人用的。
幾位嘉賓的技術路線各有不同：有人做通用視覺模型，有人做動作世界模型，有人研究潛空間表徵，也有人構建端到端的世界統一模型。但共識很清楚：下一代世界模型必須從「生成得像不像」，走向「執行得是否可靠」。評價標準也應從「畫面滿分、物理零分」，轉向實機成功率、人工介入率和任務閉環能力。正如陶大程在圓桌總結時所說：「分歧是論文的素材，交集才是產業的基礎。」這場討論最大的價值，正是推動行業更換評價尺度。
這一變化也正在進入工業領域。中國工程院院士錢鋒提出，應為設備、工序、工廠乃至產業系統裝上「工業大腦」。這裡的「智慧」，不是獨立算法完成一個識別任務，而是面向生產過程進行感知、分析、決策和調控。模型必須直面設備波動、工藝約束、能耗、安全，以及大量無法在實驗室中窮盡的異常情況。
當AI離開聊天界面，走進工廠、機器人和真實環境，評價標準也隨之改變。語言是否流暢不再是最重要的指標；系統能否穩定運行、適應變化，並對行動結果負責，變得更加關鍵。
判斷二｜數學：決定AI能力邊界的不是參數，而是數學
「數據驅動是當前AI發展的重要手段，但不是唯一手段。」——美國國家科學院院士、清華大學新華卓越講席教授劉軍，在斯梅爾數學與計算研究院「數學與人工智慧」論壇上表示。
美國國家科學院院士、清華大學講席教授劉軍從統計學角度提出：今天的AI就像一架大型飛機，統計學和概率論是引擎，數據則是燃料。AI與數學應當深度融合，而不是簡單相加。當AI開始理解真實世界、預測未來狀態，僅擴大模型規模已不夠。Transformer、擴散模型、強化學習等技術背後，都有概率統計、優化理論等數學基礎。世界模型和具身智慧若要進一步提升泛化、推理與可靠性，依然需要新的數學突破。
同樣深耕統計學與機器學習前沿的美國國家科學院院士、比利時皇家科學院外籍院士范劍青進一步指出，今天的AI主要仍在做「預測」，預測帶來的紅利已「接近用盡」。下一步應走向「歸因」，更要走向「因果」。要讓機器真正學會因果，就離不開數學對不同環境中規律的刻畫。
同時任教於斯坦福大學和上海交通大學的運籌優化專家、首位獲得馮·諾依曼理論獎的華人葉蔭宇，指出了更根本的約束：AI競爭最終是算力競爭，而算力競爭實質上又是能源和電力競爭。在這些問題背後，優化數學同樣發揮著作用。
可以說，世界模型回答「AI如何理解世界」，數學則回答「AI為什麼能夠理解世界」。
判斷三｜具身智慧：物理AI比拼的不是模型大小，而是真實世界的數據閉環
「數字AI可以依靠互聯網數據成長，但物理AI必須在真實世界的試錯中積累經驗、修正策略、進化能力。」——智元合夥人、高級副總裁、具身事業部總裁姚卯青，在「智啟具身2026：迎接物理AI智慧湧現」論壇上表示。
2026年，具身智慧正站在從「實驗室演示」走向「產業實際運行」的關鍵節點。今年，具身智慧正式進入「十五五」未來產業重點戰略佈局，人形機器人產業也邁入規模化生產的重要階段。在「智啟具身2026」論壇上，中國具身智慧全產業鏈首次全景亮相：從減速器、傳感器、靈巧手等核心零部件到整機，從仿真平臺到批量交付，從工業製造到家庭服務及防災救援。
姚卯青表示，物理AI要真正從「能演示」走向「大規模幹活」，必須突破三道壁壘：數據壁壘——真實交互數據稀缺且成本高；表徵壁壘——缺少跨任務、跨環境、跨本體的統一物理表徵；閉環壁壘——真實世界試錯成本高、反饋慢、難以規模化。智元的實踐是構建「可泛化、可優化、可進化」的通用具身智慧系統：預訓練模型提供通用認知，後訓練和在線強化學習讓機器人在真實任務中持續校準，部署後迴流的數據再驅動下一輪進化。截至今年6月底，智元已有15000臺通用具身機器人下線，並在3C生產線等工業級真實場景中完成連續作業驗證。
清華大學計算機系副研究員蘇航從學術角度指出，走向物理世界的AI，是通向通用智慧的重要路徑。具身大模型並非語言模型或多模態大模型的簡單延伸；從長期看，需要原生的具身大模型，將感知、決策、行動和環境反饋納入同一個閉環。當模型、數據、本體和真實場景連接起來，評價機器人時就不應只看演示有多驚豔，而要看它能否在跨場景、跨本體的真實任務中穩定泛化。
判斷四｜模型與智慧體：後規模擴張時代，智慧體將開啟超越互聯網時代的產業範式變革
「我個人認為，這場變革的規模、強度和烈度，將超過PC互聯網與移動互聯網的總和。」——階躍星辰董事長、千里科技董事長印奇，在世界人工智慧大會暨人工智慧全球治理高級別會議上表示。
這一觀點指出了後規模擴張時代AI行業的核心變化：當堆疊模型參數帶來的增長紅利觸及上限，單純比拼模型性能的競賽已走到邊界，通向AGI的技術路線開始分化。過去的PC互聯網和移動互聯網，主要重塑了資訊交互方式，屬於表層的產業升級；AI智慧體帶來的變化則深入產業底層，是範式層面的重構，其規模將遠超前兩輪互聯網浪潮的疊加效應。
兩者的核心差別，在於價值邏輯的徹底轉變。傳統大模型是被動響應的工具，主要在既有業務流程中提高局部效率，屬於增量優化。智慧體則憑藉自主決策、任務拆解、閉環執行和持續迭代等能力，超越單純的技術內卷，以真實產業場景為驅動，主動貫通業務全鏈條，實現從輔助工具到自主生產力的轉變。
在全球AGI路線分化的背景下，中國智慧體產業走出了一條差異化落地路徑：不執著於無上限的參數擴張，而是深入真實場景的數據閉環和產業應用。通過持續的任務試錯與反饋迭代，彌補大模型「懂知識、不會幹活」的短板，讓通用智慧真正進入產業、服務生產。
因此，後規模擴張時代AI競爭的核心，已不只是模型能力，而是智慧體產業體系。模型提供通用智慧的基礎，智慧體則成為推動產業變革的核心動力，重塑企業組織、生產方式和價值創造邏輯，開啟AI從技術迭代走向全面產業轉型的新階段。
判斷五｜Token經濟：基礎設施既服務於人，也要圍繞智慧體重新設計
「未來的基礎設施不僅服務於人，也將服務於越來越多的智慧體和‘數字員工’。」——無問芯穹發起人、清華大學電子工程系教授汪玉，在「無問芯穹·Token湧現，萬物生長」論壇上表示。
隨著越來越多智慧體參與企業運營，一個新問題也隨之出現：怎樣的基礎設施，才能支持它們持續工作？
在今年WAIC的「無問芯穹·Token湧現，萬物生長」論壇上，「Token經濟」成為貫穿全場的關鍵詞。汪玉指出，當智慧體能夠自主調用工具、協作完成任務時，算力網路、軟體系統乃至企業基礎設施，都需要圍繞智慧體重新設計。
北京中關村學院院長劉鐵岩指出，智慧體真正的競爭，不僅涉及模型能力，也涉及持續行動、獲取反饋和自我改進的能力。模型訓練結束，不意味著智慧體停止成長；它們會在真實環境中積累經驗，讓「經驗飛輪」持續轉動。這也解釋了智慧體為何正從工具調用走向流程重構：它們不再只是幫助員工完成某一步，而是理解目標、拆解流程、調動資源、執行任務，並根據結果持續調整。
判斷六｜AI for Science：從預測材料走向創造材料、發現規律
「推動人工智慧從‘回答問題’走向‘解決科學問題’，從‘預測材料’走向‘創造材料、發現規律’。」——中國科學院院長、中國科學技術大學校長常進，在人工智慧賦能材料科學論壇的開幕致辭中表示。
這種系統化趨勢，在AI for Science領域表現得最為鮮明。
早期的科學智慧通常針對明確任務，例如預測蛋白質結構、篩選化合物或分析實驗數據。如今，科研機構與企業正把這些分散的能力連接起來，讓AI參與從提出問題到實驗驗證的完整鏈條。在「人工智慧賦能材料科學」論壇上，中國科學院方面表示，AI for Science已走出單一算法輔助的階段，邁入科學大模型、科研數據、理論計算、自動化實驗和智慧科研體協同聯動的新階段。
AI與材料科學融合的核心，不是多添一套預測工具，而是建立從需求理解、假設生成、實驗設計，到數據分析和規律歸納的科研閉環。一旦提出研究目標，系統便可閱讀論文和專利、形成假設、設計候選材料、調用計算軟體完成模擬，再將結果交給自動化實驗設備。實驗返回的數據重新進入模型，用於修正預測並生成下一輪方案。
中國科學院發佈的「磐石」科學技術大模型2.0提出「通專一體」的技術路線，將通用知識推理能力與專用科學模型融合，用一個模型處理科學與工程問題。它接收的不僅是文本，還包括晶體結構、化學分子表徵、蛋白質、光譜和科學圖像等多種模態。
深度原理推出的材料研發AI科學家平臺「Mira」，進一步將這一思路用於產業研發。按照論壇介紹的工作方式，Mira能夠把「更穩定、更安全、成本更低」等模糊需求，拆解為具體指標、邊界條件和驗證路徑，再通過資料檢索、計算模擬、性質預測和多目標篩選，推薦候選分子並設計實驗方案。實驗結果回傳後，系統會繼續判斷哪些預測可靠、哪些需要修正，以及哪些異常可能意味著新規律。
這意味著，AI已經不只是幫助科學家尋找答案，而是開始參與答案的生成。當模型、科研數據、計算工具和自動化實驗連接起來，科學智慧追求的就不只是更準確的預測，而是一個能夠持續運行、自我修正的發現系統。
模型仍是起點，但已不再是全部
從數學基礎、世界模型，到企業智慧體、AI基礎設施和AI科學家，今年WAIC論壇的六個判斷看似分散，背後卻共享著同一套技術邏輯。
模型提供認知與推理能力，數學決定能力邊界，數據描述真實世界，工具和機器將判斷轉化為行動，Token及基礎設施支撐系統持續運轉，環境反饋則推動系統不斷學習。人類負責提出目標、設定邊界、處理例外，並承擔最終責任。
這也是系統時代比模型時代更困難的原因。模型能力可以通過統一榜單比較，但智慧系統是否有效，只能放進具體環境中檢驗。它們不僅要完成標準任務，還必須處理權限衝突、錯誤反饋、設備故障、組織慣性，以及真實世界的不確定性。
過去，行業競爭圍繞誰能訓練出更強的模型展開。未來，更大的差距或許來自能否把模型、數據、工具、場景、人和基礎設施，組織成一個真正有效運作的整體。
這並不意味著模型不再重要。相反，它們正成為越來越多系統的智慧核心。只是當AI進入物理世界、企業經營和科學發現，僅靠單個模型的能力，已經無法決定最終結果。
在模型之外，人工智慧正走向一個更加複雜、也更接近實際價值的系統時代。
結束
