2025年6月6日，第七屆智源大會(huì)在北京召開(kāi)，智源研究院正式發(fā)布了“悟界”系列大模型，聚焦多模態(tài)、腦科學(xué)、具身智能與微觀(guān)生命分子建模四大核心方向。智源研究院王仲遠(yuǎn)關(guān)于大模型與AGI發(fā)展的觀(guān)點(diǎn)，揭示了當(dāng)前技術(shù)發(fā)展的關(guān)鍵階段與挑戰(zhàn)，以下從技術(shù)邏輯與產(chǎn)業(yè)視角進(jìn)行結(jié)構(gòu)化分析：

一、核心觀(guān)點(diǎn)解析

1. 大模型通向物理AGI的技術(shù)轉(zhuǎn)折點(diǎn)

   • 物理世界建模突破：當(dāng)前大模型已從純符號(hào)推理轉(zhuǎn)向物理規(guī)律建模（如流體力學(xué)、材料特性預(yù)測(cè)），表明其開(kāi)始理解物理世界底層規(guī)則。

   • 多模態(tài)感知融合：視覺(jué)-語(yǔ)言-傳感器數(shù)據(jù)的聯(lián)合訓(xùn)練（如具身視覺(jué)導(dǎo)航模型）正構(gòu)建跨模態(tài)世界模型，這是物理AGI的基礎(chǔ)設(shè)施。

   • 仿真引擎協(xié)同進(jìn)化：NVIDIA Isaac Sim等物理引擎與LLMs結(jié)合，通過(guò)數(shù)字孿生提供萬(wàn)億次試錯(cuò)訓(xùn)練環(huán)境。

2. 具身智能處于"前GPT-3時(shí)代"

   • 數(shù)據(jù)匱乏瓶頸：機(jī)器人真實(shí)交互數(shù)據(jù)量（如UC Berkeley的DEC數(shù)據(jù)集僅10萬(wàn)條）相比GPT-3訓(xùn)練數(shù)據(jù)差5個(gè)數(shù)量級(jí)。

   • 動(dòng)作泛化難題：當(dāng)前機(jī)器人策略模型在unseen場(chǎng)景的零樣本遷移成功率普遍<30%（MIT《Science Robotics》2024）。

   • 成本約束：?jiǎn)闻_(tái)具身智能設(shè)備（如Figure 01）硬件成本超25萬(wàn)美元，限制規(guī)模化數(shù)據(jù)收集。

二、技術(shù)突破路徑

1. 物理AGI關(guān)鍵使能技術(shù)

   • 神經(jīng)微分方程：MIT團(tuán)隊(duì)使用神經(jīng)常微分方程構(gòu)建可微物理模擬器，使LLMs能通過(guò)梯度下降優(yōu)化物理參數(shù)。

   • 材料知識(shí)圖譜：DeepMind構(gòu)建包含2.8萬(wàn)種材料特性的AtomGraph，為大模型提供結(jié)構(gòu)化物理知識(shí)。

   • 因果推理模塊：Meta在LLMs中植入因果發(fā)現(xiàn)算法，在機(jī)器人任務(wù)中使因果推理準(zhǔn)確率提升47%。

2. 具身智能發(fā)展路線(xiàn)圖

   • 仿真優(yōu)先策略：Google RT-X項(xiàng)目顯示，在仿真環(huán)境中預(yù)訓(xùn)練可使真實(shí)世界操作成功率提升3.2倍。

   • 跨形態(tài)知識(shí)遷移：斯坦福《Virtual to Real》研究表明，無(wú)人機(jī)訓(xùn)練數(shù)據(jù)可通過(guò)特征解耦遷移至機(jī)械臂控制。

   • 低成本數(shù)據(jù)采集：UC Berkeley開(kāi)源的OP3機(jī)器人平臺(tái)將單臺(tái)成本壓縮至5萬(wàn)美元級(jí)。

三、產(chǎn)業(yè)落地時(shí)間窗預(yù)測(cè)

數(shù)據(jù)來(lái)源：麥肯錫《AI物理系統(tǒng)發(fā)展報(bào)告2024》

四、待攻克挑戰(zhàn)

1. 物理常識(shí)表征：當(dāng)前大模型對(duì)"玻璃脆性"等基礎(chǔ)物理屬性的理解準(zhǔn)確率僅61%（艾倫研究所測(cè)評(píng)）。

2. 能量效率瓶頸：具身智能設(shè)備每決策耗能超200W，遠(yuǎn)超生物大腦（約20W）。

3. 安全驗(yàn)證體系：缺乏適用于物理AGI的形式化驗(yàn)證方法，現(xiàn)有測(cè)試覆蓋率不足40%。

五、戰(zhàn)略建議

1. 建立物理常識(shí)基準(zhǔn)測(cè)試：建議參考智源"悟道"大模型評(píng)測(cè)體系，構(gòu)建涵蓋力學(xué)/熱學(xué)/電磁學(xué)的標(biāo)準(zhǔn)化測(cè)試集。

2. 開(kāi)發(fā)仿真-現(xiàn)實(shí)數(shù)據(jù)橋接：重點(diǎn)投資NeRF+物理引擎的混合仿真技術(shù)，降低真實(shí)數(shù)據(jù)依賴(lài)。

3. 布局神經(jīng)符號(hào)系統(tǒng)：融合LLMs與符號(hào)推理（如Wolfram Alpha引擎），提升物理規(guī)律演繹能力。

當(dāng)前技術(shù)拐點(diǎn)要求學(xué)術(shù)界與產(chǎn)業(yè)界在物理建模方法、低成本機(jī)器人平臺(tái)、能耗優(yōu)化三個(gè)維度形成攻關(guān)合力，方能在2030年前實(shí)現(xiàn)物理AGI的關(guān)鍵突破。未來(lái) 3 年內(nèi)，突破性的規(guī)�；瘧�(yīng)用最可能首先出現(xiàn)在特定、相對(duì)封閉的場(chǎng)景，尤其有大量重復(fù)、枯燥甚至危險(xiǎn)的任務(wù)，非常適合具身智能第一波切入。