WAIC 2026 круглий стіл: для досягнення загального втіленого інтелекту спершу потрібно подолати спеціалізовані сценарії; у майбутньому фокус конкуренції переміститься на отримання високоякісних даних і валідацію замкнених сценаріїв

За моніторингом Beating від , заступник ректорки Фуданьського університету Цзян Юган, партнер компанії ZhiYuan Robotics Яо Маоцін, CEO компанії Itu Shizhi Hang Чень Їлун, а також CEO компанії Liangyuan Xinchuang Цзян Сюй у 2026 році на Всесвітній конференції з питань штучного інтелекту проведуть круглий стіл і дискусію, зосереджену на world model. Учасники дійшли спільної думки, що ядро world model полягає в розумінні закономірностей роботи фізичного світу та прогнозуванні наступного стану або дії, а не лише в рендерингу зображень; потрібно нативно опанувати злиття мультимодальності, фізичні закони, причинно-наслідкове міркування та здатність до довгострокового прогнозування. Наразі найбільша перешкода — дані. Чень Їлун зазначив, що відеодані бракує важливих модальностей, таких як сила та дотик; ідеальні навчальні дані мають відповідати трьом умовам: повний набір модальностей, високочастотні інтеракції та походження з реальних сценаріїв, а також вимагати ситуацій, коли для опанування потрібні мільйони годин реальних інтеракцій із операційною складністю, або коли потрібні тисячі годин справжніх взаємодій; Яо Маоцін провів аналогію з обсягом мовного навчання на сотні мільярдів годин для великих мовних моделей і оцінив, що фізичному світу може знадобитися «понад 100 мільйонів годин» реальних даних, аби опанувати буденні, загальновідомі фізичні прогнози. На рівні архітектури Цзян Сюй вказав, що нинішні домінантні архітектури змішують обробку прогнозування станів і прогнозування дій, через що виникає конфлікт між генеративними та розуміннєвими можливостями, і складно оптимізувати їх одночасно.

Щодо шляхів практичної реалізації, троє гостей вважають виробництво найбільш визначеним масштабованим сценарієм у найближчі три роки:

Яо Маоцін повідомив, що ZhiYuan Robotics уже реалізувала на виробничій лінії роботи з шістьма днями і шістдесятьма тисячами операцій, роботизовану роботу рою з 99,99% успішністю;

Чень Їлун робить ставку на виробництво, і причини включають: високу концентрацію даних, наявність чітких критеріїв завершення завдань, а також велику кількість демонстраційних даних від людей. Itu Shizhi Hang уже співпрацює з автоконцернами, просуваючи розгортання промислових роїв тілесних (embodied) роботів у масштабі тисяч одиниць, і підкреслює, що китайське виробництво є найбільш сконцентрованим у світі — ідеальним випробувальним полігоном для фізичного AI;

Цзян Сюй вважає, що embodied intelligence є розширенням мультимодальних великих моделей: інтернет уже має 10 мільярдів годин відеоданих, придатних для попереднього навчання, а стрибок у можливостях уперше з’явиться в повсякденних сценаріях на кшталт дому та офісу; однак для комерціалізації потрібні умови з високою стійкістю до помилок, тож пошук сценаріїв для великої моделі не менш простий, ніж пошук сценаріїв для навченої моделі.

Тристоронній консенсус полягає в тому, що наразі до загального embodied intelligence ще далеко; прорив у вузьких сценаріях — обов’язковий етап, а майбутній фокус конкуренції зміститься з архітектури моделей на здатність отримувати дані високої якості та виконувати валідацію в замкненому контурі сценаріїв.

Натисніть посилання на оригінальний текст нижче, приєднайтеся до каналу новин Beating · Feishu AI та отримуйте моніторинг глобальних гарячих тем і новин у сфері AI безперервно 7×24 години.