RSS 2026 悉尼，斯坦福大学李飞飞实验室的黄文龙给出一个反直觉的路线：机器人能力的扩展，不该靠「把动作录下来背下来」，而该靠在 3D 大脑里把「万一」先演一遍。他提出的 Point-World 让机器人在零演示下预测物理演变——2D 预训练 + 15 小时 3D 微调，效果反超 500 小时训练。
注：数字条均引自演讲幻灯片与公开论文数据，其中「反超 500 小时」来自作者在演讲中预告的未发表结论。
大语言模型靠「读遍互联网文本」拼出了通往智能的通途。这种由 Scaling Law 带来的暴力美学，让具身智能行业在过去两年里陷入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百万小时视频，机械臂就能在物理世界中无所不能。
但物理世界的数据有一个根本特性——时空不可逆。文本可以被瞬间复制亿万次，机械臂抓一次杯子，却必须实打实地消耗掉那几秒；更致命的是长尾效应：摩擦、形变、流体……人类不可能靠穷举法，收集齐机器人将要面对的所有场景。
一句话：把大模型的 Scaling Law 原样搬进物理世界，坐标系从一开始就错了。
行业共识是：只要能演示出来的行为，策略就能学会。但这也是天花板——没有演示过的新问题，策略不会创造解法。
拥有一条标准任务轨迹后，模型评估：「如果我采取一组完全不同的动作，结果会怎样？」在想象中试错，而不是在现实中堆数据。
这套逻辑并非空谈。AI 史上最著名的一步棋，早就演示过它的威力。
出自 AlphaGo 论文：如果移除测试时的搜索过程，模型需要增加 10 万倍数据量，才能维持同等性能。AlphaGo 著名的「第 37 手」从未出现在人类棋谱中，它靠搜索与推演判断为最优解。黄文龙的推断很直接：如果机器人学比围棋和编程更难，反事实推理与搜索就不可或缺。
如果搜索是答案，该在什么空间里搜索？黄文龙先排除了两个选项：语言与代码空间，2021 年就试过——能拆解任务步骤，但遇到翻袜子这类底层物理交互，语言完全无法描述细节；动作空间也不可行——机器人形态各异，夹爪长度、指尖材质各不相同，很难建立统一的低级动作空间。
他给出的答案：基于机器人几何结构的 3D 空间。
能拆解任务步骤，但描述不了物理细节。
形态各异，没有统一的低级动作空间。
从每个连杆采样点，把观测与动作统一成「3D 点云流」。
注：三个方框为演讲中对比的三种候选空间；结论是 3D 几何空间最适合作为反事实推理的载体。
具体做法：给定 RGB-D 输入与机器人的 URDF 描述文件，从每个连杆采样点、计算正运动学，把场景观测与机器人动作全部统一进「3D 点云流」。训练出的 Transformer 模型，本质上是一个零样本真实世界模拟器。
可变形物体隐式建模，不需要预先做物体分割。
推、拉、堆叠等刚体交互，直接由点云流预测。
能发现冰箱门的运动关节，无需人工标注。
第一人称看不到盒子背面，仍能推断接触几何。
注：「零样本」指模型在目标环境与机械臂上没有训练过；作者展示其在完全没见过的环境与机械臂上仍保持高物理保真度。
行业默认 3D 数据是稀缺品。团队的解法是：用先进的视觉几何模型，对大规模交互数据（Joy 数据集）重新标注，生成仿真级精度的深度信息与相机位姿，总计约 3500 小时。
但真正惊人的，是下面这组对比。
注：柱形为示意，非等比例缩放；对比结论来自作者在演讲中预告的未发表工作，尚未经过同行评审。
更值得注意的是方法本身：先用近乎无限的 2D 视频预训练拿到通用视觉先验，再用极少量 3D 交互数据「点睛」。这暗示物理世界稀缺昂贵的交互数据，可以被互联网规模的 2D 数据大幅撬动——这正是「15 小时胜过 500 小时」的底层逻辑。
黄文龙把通往人类水平物理交互的路径，拆成了两步：
获得关于行为与动力学的通用先验——也就是世界模型。
把先验在物理世界落地，通过反事实推断与搜索不断探索、获取新行为，并编译进已有模型。
真正的学习应当伴随机器人的一生。行业习惯把目光放在「更多数据 → 更好的零样本泛化」上，但这不是全貌。
具身智能的下半场，比的或许不再是「谁录得更多」，而是「谁能先在 3D 大脑里，把『万一』演上一千万遍」。
诚实注脚：15 小时反超 500 小时，来自演讲中预告的未发表工作，未经同行评审；零样本模拟器也还没有在真实产线上接受物理世界的终审。当数据采集车还在路上奔波时，这场发生在想象空间里的搜索竞赛，已经悄悄改写了下一代的胜负手。
VoxPoser 与 ReKep 的项目主页可自行查阅；Point-World 论文尚未公开，建议把 RSS 2026「Data-Centric Robotics」Workshop 的后续论文释放，加入你的关注清单。
关键词：Point-World · 反事实机器人学 · 3D 世界模型