# 机器人终局：一份物理 AGI 路线图，用大语言模型的成功逻辑来推演

> 原标题：机器人终局：物理AGI路线图与LLM类比

- 来源：AI HOT 精选
- 发布时间：2026-05-08T14:32:53.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/16427
- 原文：https://x.com/DrJimFan/status/2052758642781487237

## 摘要

演讲者把机器人做成人形通用智能拆成六块：视频世界模型当第二预训练范式，世界行动模型（WAM）负责把感知转成动作，数据收集策略对标特斯拉 FSD 的物理数据飞轮，EgoScale 和灵巧性缩放定律试图量化训练规模与手部操作能力的关系，物理强化学习用来跑通最后一公里，DreamDojo 则是一个端到端的神经物理引擎。整体思路是照搬大语言模型的成功路径，但正...

## 推荐理由

我会先打个折：这是演讲者个人的路线图，不是论文或产品发布，所以别当官方公告看。但它的好处是把物理 AGI 拆成了 6 个能聊的模块，并且用 LLM 的发展阶段来类比，让做机器人的人能快速对齐讨论框架。正文没给出每个模块的具体验证结果或数据，所以这条路线图更多是观点而非实证。对从业者来说，值得扫一眼，但暂时不用太激动。

## 锐评

这篇演讲把做通用人形机器人的路线拆成了六个模块，核心逻辑很直白：大语言模型怎么从文本预训练走到能干活，机器人就怎么从视频预训练走到能动手。视频世界模型被当成第二预训练范式，相当于让机器人先看海量视频学物理常识；世界行动模型（WAM）负责把看到的转成动作指令；数据飞轮对标特斯拉 FSD 那套影子模式，靠真实场景回传数据持续迭代。EgoScale 和灵巧性缩放定律这两个概念试图量化训练规模跟手部操作能力的关系，但正文没披露具体公式或实验验证，这点先别太激动。物理强化学习被定位成跑通最后一公里的手段，DreamDojo 则是一个端到端的神经物理引擎，想替代传统仿真器。整体框架听起来自洽，但全文没有给出任何基准测试结果、成功率或成本数字，也没说明数据飞轮在真实硬件上的部署规模。演讲者还提了一嘴 2016 年参与 OpenAI 那台 DGX-1 签名的旧事，更多是个人叙事。我会先打个折：方向对，但缺验证，离落地还有距离。