从“像素导演”转向“具身大脑”：RSS 2026“机器人世界模型”专题现场见证，想象力正在终结具身智能的“数据暴政”。 编辑丨岑峰 2026 年 7 月的悉尼，RSS 会场内，一种复杂的情绪正在蔓延：一半是火焰，一半是海水。 火焰来自于大模型在云端的持续狂飙，海水则来自于具身智能在现实落地中的“物理阵痛”。 在此之前，全球 AI 行业笃信一套名为“暴力美学”的成功公式：巨大的参数量 + 几乎无穷的互联网数据 = 涌现的智能。 这一公式在处理文本、图像甚至是视频生成时无往不利。但当人们试图将这套逻辑直接“平移”到机器人身上，让 AGI 进入物理世界时，那道无形却坚硬的“物理之墙”出现了。 在云端，数据可以被无限次复制和合成；但在物理世界，每一次机械臂的抓取、每一次足式机器人的迈步，都受限于时间的线性和物理空间的约束。 当“暴力美学”撞上“物理硬墙”，那个在数字世界里几乎无所不能的 Scaling Law，在试图拧开一个生锈的螺丝钉或在杂乱的厨房里寻找一只空气炸锅时，表现出了令人沮丧的笨拙。 AI 行业最核心的矛盾已经转移：我们需要机器人像人类一样，拥有在行动前进行“想象”的能力。 在 R…
斯坦福团队提出：机器人不需要见过所有的失败，它只需要学会如何“脑补”另一种可能。 作者丨岑峰 在 AGI 的数字版图里，大语言模型仅靠“读遍互联网文本”就拼凑出了通往智能的通途。这种由 Scaling Law 带来的暴力美学，让整个具身智能行业在过去两年里陷入了一种盲目的“数据崇拜”：人们坚信，只要像训练大模型一样，喂下数以百万小时的视频，机械臂就能在物理世界中无所不能。 而在2026 年的悉尼 RSS 大会，AI科技评论注意到，越来越多的研究者开始讨论，物理世界的数据获取具有时间和空间的“不可逆性”——文本可以被瞬间复制亿万次，但机械臂抓取一次杯子，在物理时空中就必须实打实地消耗数秒。更致命的是长尾效应：摩擦、形变、流体……人类根本不可能通过穷举法，去收集齐机器人面临的所有场景。 来自斯坦福大学李飞飞实验室的 黄文龙（Wenlong Huang），在“Data-Centric Robotics”主题Workshop的演讲中给出了一个“降维打击”式的解法：抛弃对海量“演示数据”的死记硬背，转向“反事实推理”与“脑内搜索”。 作为近年具身智能领域的明星学者，黄文龙的名字此前因 VoxPo…