我最近跟几个做机器人和自动驾驶的朋友聊了聊，大家的共识出奇一致：2026年初开工以后，已经没多少人再拿“多少亿参数”“多少T算力”说事了。朋友圈里晒的不再是某某实验室发布了多大参数的大模型，而是哪台机器人在真实仓库里连续干了八小时没让人干预，哪个车队在没有安全员的情况下稳稳通过了复杂路口。
这个转变其实酝酿了一两年，但2026年感触尤其强烈。“参数竞赛”的叙事正在快速退潮，接棒的是一个更硬核的词——“物理世界理解”。我把最近跟一线团队交流得到的碎片信息整理了一下，结合自己这些年在AI和机器人交叉领域踩过的坑，把2026年AI技术最明显的三个进化方向拆开聊聊：从拼参数到拼理解到底发生了什么、三条主线分别是什么、作为从业者我们该怎么调整自己的姿势。这篇文章不堆概念，重点是你读完之后既有对趋势的判断，也能带走几个对工作有实际参考价值的行动点。
1. 别急着聊趋势：先看懂“参数竞赛”为什么退潮
1.1 风向变化的三个直接信号
先说三个我观察到的信号，它们比任何趋势报告都更直接。
第一个信号是公开测试集的分数已经刷“麻”了。前几年大家还乐于看到某个模型在通用基准上提升三五个点，但2025年下半年之后，这类消息的传播力肉眼可见地下降。原因很简单，评测分数和真实使用体验之间的落差越来越大——榜单上非常高分的模型，放到一个真实的自动化流程里，仍然会在极其普通的环境变化中卡壳。用户对“分数”脱敏了。
第二个信号是API价格曲线变得非常夸张。主流大模型的API调用价格在最近一年里降了一到两个数量级，这说明供给端已经意识到，参数规模本身不再具备定价权。当所有人都在堆参数时，参数就成了最不稀缺的东西。资本和甲方真正愿意掏钱的，是“能稳定完成某一类物理任务”的系统，而不是一个更大的概率语言模型。
第三个信号最明显：做纯算法的人开始往硬件和物理系统方向流动。我认识的几个原本专注于语言大模型训练的朋友，2025年下半年陆续转去做机器人数据闭环、自动驾驶世界模型、工业仿真。他们的理由很一致——纯软件层的模型竞争格局已经固化，增量空间在于让AI走出聊天框、走进物理世界。人才流向从来都是技术趋势最诚实的指针。
1.2 参数竞赛撞上的三堵墙
为什么参数竞赛会在2026年前后撞墙？说白了是三堵墙叠在一起。
数据墙。人类高质量文本语料是有限资源。业界比较公认的说法是，高质量公开文本已经被大模型们反复“清扫”过好几轮，再继续增大参数量，模型看到的新信号越来越少，更多是在重复已有分布。语言数据不像物理世界的数据——物理世界的数据几乎是无限的，只要你愿意架传感器、跑仿真器，就能不断产出新的样本。数据从“存量竞争”转向“增量生产”，这个变化决定了谁掌握了新的数据引擎，谁才有下一轮话语权。
能耗墙。训练一个大号模型的电费已经高到让普通研究机构无法独立承担，这还不算推理阶段的成本。物理世界里的设备是毫瓦级、瓦级功耗的，一个夹爪、一台AGV、一辆车，它们的计算预算和云端GPU机房完全不在一个量级。想把AI塞进物理系统，就必须让模型在一个“抠门”的算力预算下工作。这种约束反过来倒逼架构创新，而不是继续堆规模。
收益递减墙。从千亿参数往万亿参数走，通用基准提升可能只剩几个点，但在具体任务上的闭环能力提升更小。因为语言模型本质上是在做“符号序列的概率预测”，它并不直接关心“门能不能推开”“杯子拿稳了没有”。参数再多，不产生新能力维度，只是在旧维度上缓慢爬坡。
1.3 真正的转折：从“答对题”到“办成事”
所以，退潮的不是AI热度，而是“参数即能力”这种简单化叙事。2026年大家评价一个AI系统时，问法完全变了：不再是“你知识面多广”，而是“你能不能在这个环境里把一件事办成”。
这个“办成”包含一系列硬约束：能不能实时响应、能不能理解物体物理属性、能不能在超出训练分布的情况下安全处理、能不能把不确定性明确表达出来。语言模型擅长回答“是什么”，但物理世界理解要求系统回答“接下来会怎样”“现在该怎么做”。前者是回顾式的，后者是前瞻式和交互式的，这是两种不同性质的能力。
2. 物理世界理解，到底理解的是什么
2.1 语言是符号的，物理世界是连续的
先澄清一个容易混淆的概念。我们常说的“多模态感知”不等于物理世界理解。能识别图片里有一辆车，或者能描述一段视频里的动作，只是在“符号层面”对视觉内容做了分类和描述。物理世界理解更进一步：AI需要在内部建立对空间、物体属性、运动规律和因果机制的动态表征。
打个比方，语言理解更像是下象棋——棋盘是离散的，规则是明确的，你只需要在符号空间里做推理。物理世界理解更像是踢一场球赛——场地是连续的，对手是动态的，规则里有大量隐性约束，你需要实时感知、预判并做出身体动作。象棋高手未必能踢好球，这个道理放到AI上同样成立。
2.2 物理世界理解的四项基本能力
如果要拆解“物理世界理解”到底包含哪些能力，我自己的归纳是四项：
空间感知。知道物体在哪里、自身在哪里、相对姿态是什么。这涉及深度估计、三维重建、坐标系变换。很多人觉得这是老问题，但在复杂光照、遮挡、动态环境下，把空间感知做得稳准狠，依然是一线系统的核心难点。
物体属性识别。不仅仅是识别“这是个杯子”，还要知道它大概多重、是刚性还是柔性、表面摩擦大不大、会不会碎。语言模型里“杯子”只是一个词，物理系统里“杯子”是一组连续物理参数。同一张图片里的两个杯子，一个塑料一个玻璃，抓取策略完全不同。
因果机制建模。知道按下开关灯会亮、手松开杯子会掉、推倒积木塔会散。因果不等同于相关，比如“看到红灯就停车”是关联规则，“刹车踏板踩下去车会减速”才是因果——因为干预某个变量后结果必然改变。世界模型的一大使命，就是让AI学会在内部模拟这种干预。
行动规划与不确定性处理。感知和预测最终要转成动作指令，而且在真实环境里每个信号都有噪声、每个动作都有误差。一个能理解物理世界的系统，必须知道自己“有多不确定”，并在关键时刻降低速度、切换策略或请求人类介入。
2.3 为什么说是“2026年的进化方向”
把物理世界理解称作2026年的进化方向，是因为它已经走出了论文阶段，正在成为工程系统的验收标准。我看到的几个趋势都指向这一点：车端的无图方案开始大规模摆脱高精地图依赖，靠实时感知和预测自主决策；物流行业的智能分拣与上架系统开始引入“理解物体”的环节，而不是依赖固定的工装夹具；家庭服务机器人重新被提起，因为人们意识到“能干活”比“能聊天”复杂得多。
这一节里我说的能力拆解，不是学术定义，更多是一个工程框架。不管你在哪个具体行业做AI，拿这四项去对照你当前系统的短板，基本都能找到未来半年到一年的发力点。
3. 进化方向一：世界模型，给AI装一个“内隐模拟器”
3.1 世界模型不是“视频预测”，而是一种决策底座
第一个大方向，是我认为2026年最值得关注的技术主线——世界模型。
先解释清楚我理解的“世界模型”：它是在智能体内部建立的一个关于外部环境动态变化的预测模型。当智能体感知到当前状态后，模型能在“脑内”推演多个未来的可能走向，再根据这些推演结果倒推当前应该采取什么动作。
一个很俗但很准确的类比是：老司机开车时，大脑其实在同步模拟身旁车辆的意图、前车急刹后自己该打多少方向。这种“预判感”就是世界模型。传统大模型预测的是“下一个词”，世界模型预测的是“下一帧状态”“下一个物理量”。一个是符号时间的延续，一个是物理时间的延续。
有人把世界模型简单理解成“AI生成视频”。生成视频确实是一项重要能力，但世界模型的价值不在于生成一段好看的画面，而在于压缩出来的内部表征必须符合物理规律。当模型预测一个杯子从桌面掉落，它应该知道杯子会往下掉、接触地面后可能反弹或破碎。如果内部表征没有这些因果结构，生成的视频再清晰也没有决策价值。所以在我看来，世界模型更像是一个“可交互思维试验场”，它让AI在行动之前先“想几遍”。
3.2 当前技术拼图：联合嵌入、动态预测与因果训练
从技术实现上看，世界模型的搭建思路有几个关键模块，我这几年跟相关方向的团队交流后，认为下面几条是共识度比较高的。
联合嵌入是底座。把图像、点云、力矩、文本指令、动作序列全部映射到同一个向量空间里。这个空间里，“用户说把红色杯子拿过来”和“视觉系统捕捉到的红色杯子像素”“机械臂末端应到达的抓取位姿”，都指向同一个语义点。没有联合嵌入，各模态就是各说各话，预测模块根本无从对齐。
动态预测是核心模块。模型的训练目标不再只是对比学习或者分类，而是尽量准确地预测状态空间里的下一步变化。常见的做法是预测下一帧的嵌入表示，或预测当前状态与未来状态之间的差分。这个设计跟语言模型的next-token prediction在逻辑上是相通的，只不过预测对象从离散符号换成了连续物理状态。
因果训练是天花板。用真实数据做预测只能学到相关性，要学到因果，最有效的方式是配合仿真器做干预式数据生成。比如在仿真环境里随机改变物体的质量、摩擦系数、环境光照，然后让模型预测结果变化。这样模型才能理解“假如我把重力调大，这个箱子会滑得更远”这类反事实问题。
从我了解到的情况看，已经有团队在把这三块拼起来运用于实际系统，而且效果初步显现。
3.3 世界模型能落地的三个典型场景
先说自动驾驶。世界模型可以对周围车辆、行人、骑行者做未来几秒的轨迹预测。传统方法会用一堆规则和独立的预测头，而世界模型是让整个场景在隐空间里共同演化，行人突然横穿、旁边车辆强行加塞这类corner case，因为模型见过足够多样的场景演化，能提前输出偏保守的应对策略。
再说机器人操作。抓取易碎品、软物体、透明物体时，传统视觉抓取往往力不从心。世界模型先在内部模拟不同抓取姿态下物体的形变和滑移，再选择成功率最高的动作方案。某机器人团队分享过他们的随机装箱场景：仿真中训练好的抓取策略，真机成功率只有六成左右，后来增加了一个“先预判物体在夹爪中的滑动趋势，再调整抓取姿态”的模块，成功率才真正到了可商用的水平。
最后是工业和物流仿真。仓储调度、生产排产这类问题，本质上是大量物理实体在空间和时间上做优化决策。传统数字孪生是“照镜子”，世界模型则可以在数字孪生的基础上做“预演”——在排产方案实施之前，先把未来几小时的生产状态跑一遍，把瓶颈和冲突提前暴露出来。这个价值对制造业用户非常直接。
4. 进化方向二：具身智能，从“会说话”到“会干活”
4.1 为什么具身智能在2026年被推到台前
如果说世界模型解决的是“AI如何理解物理世界”，那具身智能解决的就是“AI如何把理解变成物理动作”。这两个方向天然绑定，成为2026年AI进化的第二条主线。
具身智能热度高，有几个现实推动力。第一，大模型解决了机器人长期缺少的“任务拆解和沟通能力”，机器人开始能听懂人话，并能把复杂指令分解成子任务；第二，数据采集和仿真成本显著下降，遥操作设备、低成本机械臂和灵巧手让团队可以快速积累操作数据；第三，资本开始从纯软件AI转向“交付物理结果”的创业项目。听几个做早期投资的朋友说，2026年开年，看具身智能项目的投资人多了一倍不止，但要求也更具体了：别讲demo，直接告诉我深度场景里的闭环成功率。
还有一个容易被忽视的原因：具身智能是物理世界理解的最佳验证场。一个模型能不能真正理解物理规律，最好的检验方式是让它动一动。语言模型可以“假装”对物理世界有知识，但一个抓取机器人没法假装——物体掉地上就是掉地上，任务没完成就是没完成。
4.2 一套典型具身系统的技术闭环
从技术栈上看，一套典型的具身智能系统已经形成了比较清晰的闭环，我拆成四个层面来说明。
感知层。多种传感器同步采集：多路相机负责视觉、IMU负责自身姿态、力矩传感器负责接触信息、触觉传感器负责微小滑移。这些数据经过标定和融合后，输出对场景的三维理解，比如物体位姿、抓取点、障碍物分布。
决策层。这是过去两年变化最大的部分。业界开始普遍采用“视觉-语言-动作模型”这种范式的演进路线：把自然语言指令、当前视觉观察和机器人自身状态一起输入模型，直接输出下一步动作。动作在模型里可以做token化处理，相当于把连续动作序列压缩成类似语言里的“词”。但和语言模型不同，动作不能只做离散分类，还要考虑轨迹平滑、力控约束，所以不少团队会结合扩散策略这类生成式方法来输出动作分布。
执行层。模型输出的粗粒度动作，要通过底层的运动规划和力控接口转成真实的关节指令。执行层同时承担安全保护功能：位置超差、力矩超限、突发碰撞都要在毫秒级别触发急停。很多搞AI的人低估这部分的工程量，实际上物理系统的稳定性，往往比模型精度更磨人。
数据层。数据来源主要有三条路：人类遥操作示范数据，质量高但采集慢；仿真环境自动生成的数据，规模化效率高但存在物理偏差；互联网视频预训练数据，用来学习常识但稀疏。2026年做得好的团队，基本都在设计自己的数据飞轮：从真实任务中不断采集失败案例，再回到仿真和数据空间里做针对性补充。
4.3 实战视角：仿真到真机的距离到底有多远
很多朋友上手的第一个疑问是：我在仿真里训练得好好的，搬到真机上为什么就不行了？这类问题我每次交流都要强调，仿真和真机之间的鸿沟，比大多数人想象的大。
仿真环境里物体的摩擦系数、关节阻尼、接触响应都是参数化设定的，仿真器永远无法完全复现真实物理世界的噪声和不确定性。Sim-to-Real迁移不是一次性的工作，而是一个需要反复迭代的过程。我见过比较务实的团队做法，是并不追求“纯仿真训完直接上真机”，而是采用混合数据策略——用仿真数据做预训练，用真机数据做微调，并且持续从真机运行中收集边界案例回灌训练集。这种物理闭环越早跑起来，模型在真实环境里的适应越快。
还有一点要泼盆冷水：具身智能系统不是把模型做好就完事。相机标定、硬件触发同步、机械结构公差、网络延迟，任何一环出问题，模型都很难正常工作。这也是为什么具身智能更适合有系统集成经验的团队去做，纯算法团队直接跳到硬件，大概率会先被工程细节淹掉。
5. 进化方向三：多模态融合与端侧实时协同，理解“最后一米”
5.1 物理世界理解的第一个约束叫作“实时”
为什么要把多模态和端侧单独列为一个进化方向？因为物理世界理解跟内容生成有一个本质区别：它必须在一个非常紧的时间窗口内完成。
你问一个大语言模型一个问题，等两秒钟回答，没问题。但一个机械臂在抓取中遇到物体滑动，它必须在一两百毫秒内做出调整，否则物体就掉了；一辆车在高速行驶时遇到障碍，决策延迟更是要控制在几十毫秒量级。物理系统最不能容忍的，就是“脑子里很聪明，手脚反应很迟钝”。
云端推理的延迟通常在百毫秒到秒级，加上网络抖动，很难直接作为物理系统的主决策链路。所以2026年一个明显的趋势，就是AI模型开始大规模向端侧迁移，与端侧实时系统协同工作。轻量化感知、实时目标检测、姿态估计、安全预警这类模型，已经能跑在我们日常可见的端侧芯片上，功耗可控、延迟极低。
5.2 多模态融合的工程细节：时间对齐、空间对齐、置信度融合
物理系统里的多模态，跟多模态大模型里“图文混合输入”不是一回事。工程上最大的三个难点，每个都是坑。
时间对齐。不同传感器的采样频率、触发时刻、处理延迟都不一样。相机可能是30帧每秒，激光雷达可能是10帧每秒，IMU可以到500赫兹。真实系统必须用统一时间戳对多路数据做同步，否则你“看”到的位置和“摸”到的力根本不是同一时刻，融合出来的状态就是错的。
空间对齐。相机拍的图像在相机坐标系，机械臂末端在机械臂基座坐标系，地图在全局坐标系。坐标系之间要靠标定来换算，标定精度不够，感知结果和实际行动就会差几毫米甚至几厘米。对抓取任务来说，这几厘米就是失败和成功的分界线。
置信度融合。不同传感器在不同的环境条件下可靠度不一样。强光下相机可能过曝，暗光下视觉噪声增加，触觉信号在接触瞬间最可靠。好的多模态系统不会简单把所有输入拼在一起，而是根据当前环境动态调整对不同模态的信任权重。这些工程细节虽然不性感，但恰恰决定了系统能不能真正稳定运行。
5.3 混合推理架构：把“快”和“聪明”分开
在工程架构上，我看到越来越多团队采用“端侧快处理+云端/边缘深思考”的混合推理方案。
端侧负责快：轻量感知模型在十到三十毫秒内完成目标检测、距离估计、安全区域判断；发现异常立即执行降速、停车或避让，不依赖网络。云端或边缘负责聪明：理解复杂语义、做长时程规划、调用世界模型做推演。两端之间需要设计一个“状态同步协议”，只传语义级的变化信息，比如“场景里新增了一个障碍物”“任务切换到了下一阶段”，而不是把原始视频流往云端传。这样既控制了延迟，也大幅缩减带宽与计算成本。
我去年看过一个很典型的案例：某个仓储AGV团队，端侧搭载了一个轻量语义分割模型，专门检测“人形轮廓进入安全区域”，一旦触发就在几十毫秒内让车辆减速；云端则负责调度和路径重规划。这套方案让他们的安全员干预率降了一个数量级，而且端侧模型只占很小的计算资源。做物理场景的团队，建议可以直接复制这种架构思路，先求“别出事”，再求“干得好”。
6. 作为从业者，我建议你重点做三件事
6.1 技能栈：从“纯模型思维”补上“系统思维”
如果你现在还只是盯着训练脚本和模型权重，2026年会觉得越来越吃力。物理世界理解这个方向，需要开发者同时理解传感器、机器人中间件、实时控制系统和模型训练。不需要你每个方向都成为专家，但至少要听得懂坐标系变换、控制频率、闭环延迟这几个基本概念。
我的具体建议是：花两周时间手动搭一个最小的感知-控制闭环。哪怕只是用深度相机识别桌面上的积木，然后控制一个带力反馈的机械臂去推倒它。这个过程中你会发现，真实世界里所有教程没写的问题都会冒出来——时间戳错位、坐标系反了、控制频率不够。这些经验和大模型训练的经验完全不同，但早晚都要补。
6.2 评估观：从“刷榜单”转向“物理闭环三件套”
对AI系统的评估方式也要跟着变。现在算法工程师习惯用准确率、召回率、F1这类指标，但在物理世界理解里，我更推荐三个朴素的指标：闭环任务成功率、平均干预次数、单位任务能耗。
成功率不用多说，一次物理任务从头到尾没有人为干预地完成，才算成功。干预次数反映系统对异常情况的处理能力，干预越少说明系统越稳。能耗则是物理世界不可回避的约束，同样任务少耗一度电，就是实打实的竞争力。如果你正在选型或者立项，建议用这三个指标建立一个内部评测集，比任何基准测试都要贴近落地。
6.3 选项目：从一个足够窄的物理场景切入
最后，如果你想入局这个方向，我特别不建议一上来就做“通用家用人形机器人”这种大而全的题目。先找一个数据容易获取、安全风险可控、付费方明确的垂直场景。仓储分拣、果园采摘、工业质检、摆架理货，都是不错的切入点。把一两个场景的物理闭环真正跑通，再考虑泛化。物理世界理解是慢功夫，一个系统连续稳定运行几千小时，比模型在测试集上又涨了两个点更有说服力。
我这两年最大的感受是，AI正在从一个“内容生成工具”变成一个“物理系统的大脑”。以前我们面试算法工程师，问的是熟悉哪种模型结构、刷过多少分；现在我更想问的是：如果机械臂突然被卡住，你的模型能不能意识到异常，并及时切换策略？这个问题没法靠背题回答，只能靠把模型丢进真实系统里一遍遍撞出来。
2026年这波从参数竞赛到物理世界理解的转向，本质上是让AI从“纸上谈兵”进入“实战演练”。对从业者来说，这既是挑战，也是少有的窗口期——窗口里没有标准答案，窗口外全是做出实物的人。未来几年属于那些愿意把手弄脏的人。
