🤖 具身智能 · 顶会实录
当 Scaling Law 撞上「物理之墙」：RSS 2026 现场，机器人正从「死记硬背」走向「举一反三」
7 月的悉尼，RSS 2026 的 "Robot World Models" Workshop 给出一个明确信号：靠海量数据「喂」出来的动作模仿，正在触及天花板。机器人的下一个关键能力，是在行动之前，先在脑海里把世界跑一遍——学界管这叫「世界模型」。
来源：综合公开信息整理•
2026-07•
全文约 3 分钟读完
#RSS2026
#具身智能
#世界模型
#Cosmos 3
#物理AI
3 场
Workshop 上半场主旨演讲，指向同一转向
4B / 16B / 64B
Cosmos 3 端侧到服务器的三档模型规模
10 分钟+
物理一致仿真持续时长 @ 15 FPS
⚡ 30 秒速览
- 一句话总结：RSS 2026 达成新共识——世界模型不再是「视频生成器」，而是机器人的逻辑中枢与虚拟沙盒。
- Pi 团队：零遥操作数据，机器人看一段人类炸红薯的视频，就学会了操作空气炸锅。
- OpenDrive Lab：组合式世界模型 RISE 把「预测」与「评估」解耦，让机器人在虚拟空间里安全地犯错。
- 英伟达：全模态底座 Cosmos 3 三档模型全量开源，端侧 4B 模型终结「背着服务器跑」。
- Spotlight：10 分钟+ 物理一致仿真、几毛钱麦克风替代昂贵触觉传感器——底层基建正在变便宜。
01当 Scaling Law 撞上「物理之墙」 数字世界的神话，止步于真实世界
2026 年 7 月的悉尼，RSS 会场内弥漫着一种复杂的情绪：一半是火焰，一半是海水。火焰来自大模型在云端的持续狂飙；海水来自具身智能在现实落地中的「物理阵痛」。
过去几年，全球 AI 行业笃信一套「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。它在文本、图像乃至视频生成上无往不利。但当这套逻辑被直接「平移」到机器人身上时，一道无形却坚硬的墙出现了。
云端世界
数据可以被无限复制和合成，Scaling Law 一路奏效。
物理世界
每一次抓取、每一步行走，都受限于时间的线性与空间的约束。
注：左右对比的是同一套「大力出奇迹」逻辑在两种介质里的表现——数字世界与物理世界，对数据密度的容忍度完全不同。
于是，那个在数字世界里几乎无所不能的 Scaling Law，在拧开一颗生锈的螺丝钉时，表现出了令人沮丧的笨拙。
问题不在模型不够大，而在它缺少一个在行动之前「想象」的环节。
02「世界模型」：从视频生成器到逻辑中枢 共识在 Workshop 上达到顶峰
在 "Robot World Models" 主题 Workshop 上，这种判断从个例上升为共识：世界模型不再被视为「视频生成器」，而是被重新定义为机器人的逻辑中枢与虚拟沙盒。一年前，议题还是「生成的视频有多逼真」；今天，议题只剩一个——如何让机器人摆脱死记硬背，学会举一反三。
机器人需要在行动前，先让未来在脑海里发生一次。
想象未来→因果校验→评估价值→执行行动
读法：这是世界模型介入后的决策链路——预测与评估都发生在物理执行之前，「试错」被搬进了虚拟沙盒。
在沙盒里，机器人可以追问：如果我伸出这只手，杯子会碎吗？如果我推开这扇门，后面会坍塌吗？只有当这种视觉推演与因果校准成为行动的前置条件，智能才不再是飘在空中的 Token 组合，而是真正扎根于大地的物理生存能力。
上半场的三场演讲，正是这场集体转身的三个切面。
03三场演讲，三个切面 从零样本泛化到全模态底座
从 Pi 的零样本泛化，到 OpenDrive Lab 的组合式逻辑，再到英伟达的全模态底座——三支团队选择了三条路，反对的却是同一种路径依赖：单纯靠「喂数据」来模拟动作。
🎯 Pi 团队 Laura Smith：先「脑补」终态，再动手零遥操作数据
- 一台从未学习过「操作空气炸锅」的机器人，在没有任何遥操作数据的前提下，仅凭看了一段人类炸红薯的视频就成功完成任务。
- 机制在于：世界模型不负责「拍电影」，它提供目标图像（Goal Image）——机器人把人类视频中的常识与自身基础技能做「逻辑插值」。
- 跨身体迁移：只要世界模型给出「衣服被叠好后的样子」，叠衣服技能就能从一款机器人迁移到形态完全不同的 UR5 机械臂。
意义：视觉推理提供了一条不依赖动作标签的学习路径——「想象力」成了跨越长尾任务、降低数据依赖的武器。
🧩 OpenDrive Lab 陈立：把「预测」与「评估」拆开RISE 框架
- 全像素生成路径有一个隐形瓶颈：模型很难同时兼顾生成质量与评估准确性。
- 解法是拆开——RISE 框架中，动力学组件负责「想象未来」，价值组件负责判断未来是否安全、是否贴合任务目标。
- 红利直接落在安全与数据效率上：机器人在虚拟空间里大量模拟「失败路径」，不必在真实世界撞 100 次车，也能学会敬畏物理法则。
意义：资源受限的团队不必训练全能的「上帝模型」——专业模块各司其职，也能跑通具身闭环。
🌌 英伟达 Max Li：全模态底座 Cosmos 3，押注「安卓式」生态全模态 · 全量开源
- 全球首个在统一 MoE Transformer 架构下打通文本、视觉、音频与动作的全模态世界基础模型。
- 「推理器 + 生成器」协同，把逆动力学反推与状态转移机制深度结合，让状态理解自然转化为行动策略。
- 三档模型全部开源：端侧 Cosmos Edge（4B）可在 Jetson 上实时推理，与服务器级 Nano（16B）、Super（64B）纵向呼应——机器人不必再「背着服务器跑」。
野心：从算力垄断走向生态主宰——英伟达正用开源底层底座，抢占物理 AI 时代的「安卓位」。
三种尺度，同一个转向：一种证明数据依赖可以被想象力替代；一种证明安全不必用真实碰撞来换取；一种证明智能不必背着服务器奔跑。
04Spotlight：让仿真变久，让触觉变便宜 2026 年机器人底层基建的两个飞跃
当天 Spotlight 环节的几项硬核技术，展示了机器人底层基建的另类进化——不卷参数，卷「成本」与「寿命」。
10 分钟+物理一致视频预测 @ 15 FPS
Interactive World Simulator
机器人可以在一个完全虚拟但物理一致的「世界」里「活」上很久。研究者在 0 真实数据训练下，让机器人直接在现实环境中稳健完成绳索理顺与杯子抓取。
几毛钱微型扬声器 + 麦克风
声学触觉：让机器人「听见」压力
用声音在空腔中的反射感知碰撞与压力，替代昂贵脆弱的视触觉传感器。「形态学计算」的奇思妙想，让触觉感知的成本下降了几个数量级。
注：左侧是「仿真寿命」的量级跃升，右侧是触觉感知的硬件成本骤降——两条曲线指向同一件事：具身实验的门槛正在被拉低。
052026：从「大力砖飞」到「想象力驱动」 一个转折点的注脚
把三场演讲与 Spotlight 放在一起，2026 年的行业轨迹已经清晰：机器人正在从「死记硬背」动作的机器，进化为拥有「预判与想象」能力的智能体。世界模型不再是实验室里的视频 Demo，它正在变成机器人的「大脑皮层」。
当机器人开始学会举一反三，当英伟达把大脑塞进边缘设备，当仿真与现实的边界彻底模糊——具身智能才算真正跨过那个名为「通用性」的门槛。
但一个诚实的注脚，必须写在这里。
编辑核心判断
「想象力」正在成为具身智能的第一生产力，但它今天依然高度依赖人类示范视频与仿真环境。真正的护城河，将从数据与算力的堆叠，迁移到世界模型的预测精度与评估质量——谁让机器人在行动前想得对、想得快，谁就握住通用性的钥匙。
▶想跟进完整议程？
RSS 2026 的论文与 Workshop 录像已在会议官网陆续公开；Cosmos 3 全套模型与代码已开放下载。
关注 RSS 2026 官网与 Cosmos 3 开源仓库 →