顶会具身辩论赛实况：徐丹飞激辩，PI连输三轮，谷歌大佬倒戈

数据从哪来？控制靠像素还是动作？ 作者丨张 璐 编辑丨齐铖湧 在具身智能与机器人领域迅速演进的今天，一个问题正在浮出水面：要想让机器人真正走进千家万户，我们到底该靠特定硬件采集的“具身数据”，还是该拥抱浩瀚如海的“互联网与人类行为数据”？2026年RSS大会最后一天的workshop圆桌讨论，现场火药味十足。五位专家围绕世界模型的实际落地展开激烈交锋。来自Georgia Tech和Nvidia的徐丹飞，以组合世界模型的研究闻名；Google与NYU的Sherry Yang，专注物理代理的世界模型评估与改进；Physical Intelligence的Laura Smith，强调具身智能的实践落地；NVIDIA的Max Li，长期深耕大模型架构；OpenDriveLab的Li Chen，则在机器人数据与控制领域有丰富经验。主持人抛出三个核心辩题，让五位专家分成两派正面碰撞。雷峰网AI科技评论小队在现场记录下这场思想碰撞，以下是完整实录：01第一轮辩论：世界模型和策略模型，应该合体还是分开？大家都知道现在搞AI都在追求大一统，但在机器人领域，这条路真的走得通吗？主持人一上来就抛出问题——世界模型和策略模型，应该合体还是分开？现场的几位大佬瞬间根据各自的学术立场分成了两大阵营。▎本轮对阵的双方是：“大一统”合体派： PI科学家Laura Smith、英伟达Max Li（主张把所有功能塞进一个超级模型里，既动脑又动手）“各司其职”分开派： 谷歌Sherry Yang、源策未来陈立（Lee）、徐丹飞（主张分开搞，看重工程运行效率和调试清晰度）支持“合体”的一方认为，现在AI的大趋势就是Everything in One。Laura认为，MoE模型都能把成百上千个专家塞进一个网络，为什么世界模型和策略不能合并？最终我们肯定想要一个超级模型，既能理解世界，又能直接行动。她的观点得到了同阵营 Max Li 的赞同。从长远来看，Max 也相信未来的终局一定是全能的大模型，但他非常务实地补充道：现在AI“能想象到什么”和机器人“实际能做到什么”之间，其实存在着一条巨大的鸿沟。视频模型学得再好，动作数据太少也发挥不出来，所以目前的当务之急，是怎么通过表征学习把世界模型的想象力翻译成机器人的执行力。听到这里，坐在“分开派”阵营的 陈立（Lee） 坐不住了，他直接从底层工程的“运行效率”出发，给合体派泼了一盆冷水。陈立强调，机器人是要在现实中实时干活的，策略模型的响应速度和运算效率是命根子，必须保证它跑得飞快。要是为了盲目追求合体，把世界模型这个庞然大物强行塞进同一个网络里，导致策略模型被拖慢、机器人动作卡顿，那在实际落地中根本没办法用。为了效率，必须分开调试和特殊化处理。陈立的说法得到了 Sherry Yang 的强烈声援。Sherry 指出：“目前绝大多数模型其实还处于欠拟合阶段。世界模型要吃下海量具身交互数据已经非常吃力，如果再强行塞进策略学习的任务，两个目标会互相打架，训练效果反而下降。”她进一步解释了两个模块的本质差异：世界模型需要大量失败数据来真正理解物理规律，比如机器人撞到东西、滑倒、抓不稳等场景，这些对提升模型鲁棒性非常重要。但策略模型的主要目标是学习成功行为。如果强行合体，失败数据可能会污染策略，让机器人学到更多错误的动作模式。徐丹飞也站在分开派这一边。他补充道：分开还有一个很大实际好处——调试和迭代更清晰。当机器人任务失败时，我们能快速定位：到底是世界模型没想对（预测未来不准），还是策略没执行好（动作选错了）。如果全塞到一个黑箱模型里，出了问题就很难指责具体哪个部分。现场有观众立刻通过Slido提问：“如果合并了，失败了到底怪谁？”这个问题引起全场笑声，也让辩论更加接地气。最终，这一轮“分开派”在观众投票中略占优势。第一轮辩完，现场观众的投票里，各司其职派胜过了大一统派，但嘉宾最后互相之间算是勉强达成了共识：世界模型和策略最好还是各回各家、各司其职。但问题马上又来了，既然把世界模型单独拎出来了，那我们怎么知道这个模型到底有没有把这个世界“看懂、学对”呢？是看它能不能像拍好莱坞大片一样，生成极其逼真的画面？还是看它能不能精准指导机器人的下一个动作？顺着这个话茬，两派圆桌嘉宾在第二轮直接陷入了更深层的技术纠结。02第二轮辩论：可控性到底靠像素，还是动作？到了第二轮，关于怎么控制世界模型的讨论，让上一轮的阵营直接打破重组，学术新星和产业专家开始各执一词。▎本轮对阵的是：“视觉颜值”像素派： Max Li、Laura Smith、陈立（主张视频画面最直观，是人类看懂大模型在想什么的便利接口）“硬核实操”动作派： 徐丹飞、Sherry Yang（中途根据实验修正立场）（主张机器人最终是在现实里干活，动作价值和语义先验高于画面颜值）第二个问题更加技术化：世界模型的可控性，到底应该主要依赖生成真实像素（视频），还是更应该关注动作层面的 grounding？支持像素派的英伟达科学家Max Li 一上来就金句频出。他认为视频是目前最自然、最有效的监督信号，而且他生动地打了个比方：生成高保真的视频，能让我们看清这个大模型到底在想什么——这就好比父母总想搞懂自己处于青春期叛逆孩子的内心想法一样。英伟达的Max 坚信，人类需要这种视觉上的高保真度，这能带来极佳的可解释性，是人类调试黑盒子系统最方便的接口。同阵营来自PI的Laura Smith 顺着 Max 的话茬表达了支持。她认为，把未来的画面用视频直观地生动展示出来，最大的好处就是当机器人干砸了的时候，人类能一眼看过去进行“责任划分”（blame assignment），瞬间揪出到底是哪个环节在推卸责任。但支持动作 grounding 的反方很快泼了冷水。他们承认视频作为人类接口很有用，但指出过度追求像素级真实性有时反而是一种干扰和算力浪费。机器人最终要执行的是可靠的物理动作，而不是去拍一部奥斯卡电影。把算力都花在生成漂亮画面上，可能会牺牲动作的物理一致性和精度，尤其在接触丰富（contact-rich）的任务上。面对两派的拉扯，Sherry Yang 在这一轮分享了自己的“倒戈”心路历程。她坦言，自己以前也是像素派的坚定支持者，但最近的大模型实验让她开始动摇。因为她发现即使把模型规模做到极大，单纯靠堆像素和扩大规模，在遇到需要精细接触的任务时画面依然不够稳健。所以她现在更倾向于在视频生成中引入更多语义信息和物理先验，而不是单纯看画面好不好看。徐丹飞 也表达了类似的观点。他一针见血地指出，视频其实只是现实世界的一个部分切片。人类在黑暗中摸索或者抓取物品时，根本不需要在脑子里想象出一幅画面，而是更依赖触觉和力反馈。因此，判断一个世界模型好不好，核心不能看它画画美不美，而是要看它能不能产出真正的动作价值。这一轮讨论虽然没有明确赢家，但大家逐渐形成共识：视频和动作不是对立关系，而是需要更好结合。单纯靠哪一边都走不远。讨论到这里，台上的气氛已经有点胶着了。大家发现，无论是追求炫酷的视频画面，还是死磕精细的手感反馈，说到底都是“下游”的应用和表现。科学家们心里都清楚，再聪明的模型、再完美的算法，没有数据喂养也只是个空壳子。那么，去哪里给机器人找最顶级、最管饱的“自学教材”？是去白嫖铺天盖地的互联网人类视频，还是必须收集机器人自己的亲身体验？这也就是本场圆桌的最后一问。03第三轮辩论：数据该从哪里来？最后一轮辩论直指根本问题：训练世界模型，主要应该靠互联网和人类视频数据，还是靠具身机器人数据？▎本轮对阵的双方是：“借鉴全网”互联网视频派： 徐丹飞、Sherry Yang、Max Li（主张人类视频规模巨大，能极大提升机器人的泛化能力）崇尚“亲身体验”具身控制派： 陈立、Laura Smith（主张互联网视频难救具体应用，高精度控制必须靠机器人自己的真实数据）支持具身数据优先的专家认为，机器人数据包含真实的物理参数、动作反馈和接触力，是最“干净”、最直接的信号。没有这些，模型很难准确学到接触动力学等关键知识。具身数据才是地基，人类视频只是锦上添花。甚至连作为“细节控”的 陈立（Lee） 这一轮也站出来公开表达了对互联网数据的怀疑。他直言不讳地指出，现在业界一谈到大模型就盲目崇拜互联网上的海量数据，但在他看来，那些铺天盖地的互联网视频对机器人具体的、高精度的具身应用来说，并没有那么直接的帮助。陈立认为，互联网视频顶多在宏观上帮机器人规划一个“子目标”（sub-goals），但要解决底层的抓取和手脚控制，还是得死磕机器人自己的具身数据。但支持人类/互联网数据的一方则从规模和泛化角度反驳。徐丹飞说：“纯靠机器人数据，规模太有限，很难覆盖现实中的长尾场景。人类视频数据量巨大，包含各种各样的交互方式和技能组合，能极大提升模型的泛化能力。”Sherry补充道：“人类本身就是地球上最强大的物理代理。我们可以把人类视频看作另一种‘机器人数据’，通过端到端控制或者姿态表示来对齐二者，这条路非常值得探索。”尽管双方最终达成较高共识：两者都不可或缺。但现场观众依然对这轮辩论给出了“现场法官”的评判：“借鉴全网”互联网视频派，以61%的投票率，胜过了39%的崇尚“亲身体验”具身控制派。当前阶段，如何高效利用人类视频数据、并通过世界模型把它和机器人数据桥接起来，可能是最重要的突破方向。未来很可能形成一个混合数据飞轮：互联网数据提供广度，机器人数据提