当 AI 从数字宇宙走向物理宇宙，模子面对的将不再只是“回应错了能不可再行生成”“代码写错了能不可回滚”。一朝 AI 运行驾驶车辆、操作机械拓荒、参与坐褥，致使参预家庭，诞妄就可能径直振荡为现实宇宙中的安全风险和经济亏损。

数字宇宙允许先步履、再纠错，而物理宇宙更需要在步履之前进行预测和推演。因此，具身智能要信得过参预现实宇宙，只是领有一个更大的模子可能还不够，它还需要形成对物理宇宙的预测技艺，并在确凿环境中通过响应络续修正。

这恰是物理宇宙模子试图责罚的问题。

9月17日，在星连成本结合 AI 蓝鲸汇、异日旯旮举办的“宇宙模子的异日与瞻望”行径上，清华大学自动化系副教诲、博士生导师、系统工程研究所副长处封硕围绕《物理宇宙模子的 Scaling Law》进行了共享。

算作始终深耕物理AI范围的后生学者，封硕曾于2023年以安闲第一作家身份在《Nature》正刊发表物理AI筹商封面论文，先后获取MIT TR35、达摩院青橙奖、宇宙东说念主工智能大会云帆奖、智源后生学者等荣誉，并于2026年入选国度当然科学基金后生科学基金名堂A类（原国度了得后生科学基金名堂）。这些研究阅历，也组成了他执续探索物理宇宙模子过头Scaling律例的学术基础。

与当下不少围绕模子参数、架构和骨子伸开的权术比较，他把问题进一步上前追问了一步：如若物理宇宙模子要信得过完结 Scaling，它首先需要责罚的究竟是什么？

封硕给出的谜底是：数据。

机器东说念主不可像东说念主一样，在现实宇宙里“长大二十年”

东说念主类刚毅物理宇宙，并装假足依赖径直步履。

比如走到一条河滨，东说念主不时不会先设计竣工的流体方程，而是通过不雅察水流、浅深、河床和落脚点，对下一走路动形成判断。信得过踏入水中后，身体获取的响应又会进一步修正底本的判断。

从感知、预测，到步履，再到响应，东说念主类执行上一直在保重一个对于外部宇宙的里面模子。

宇宙模子的想想也并非最近才出现。1943年，英国面孔学家肯尼斯·克雷克就提议，如若有机体在头脑中领有一个外部现实的“小标准模子”，就不错在面对热切情况之前，事先检会不同可能性。自后，适度表面中的内模旨趣，以及深度学习范围的 World Models 等研究，齐激动了这一想想的发展。

但物理宇宙与围棋、游戏等数字环境存在根底各别。游戏中的诞妄不错重来，环境不错反复 reset；物理宇宙却不会因为机器东说念主的一次诞妄而再走运行。拓荒存在成本，动作可能形成损坏致使安全事故。

封硕以为，东说念主不错花二十年在确凿宇宙中成长、试错和辘集教会，但机器东说念主等不了这样久。

因此，机器东说念主需要在信得过步履之前，通过宇宙模子进行“盘曲推行”，先在里面预测可能发生什么，再参预确凿环境步履，并运用确凿响应络续修正。

大讲话模子络续变大，能否绕开宇宙模子？

跟着大讲话模子和多模态模子技艺络续栽植，一个当然的问题也随之出现：如若模子络续扩大参数范围、加多教养数据和算力，能否径直获取敷裕强的物理清爽技艺？

封硕并莫得抵赖这种可能性。模子不错把物理问题振荡为数据、时势或仿真问题，也不错运用更多算力进行推演；视频模子雷同可能从无数视觉数据中学习部分物理律例。

但问题在于效果。

如若模子需要络续经过文本、图像、视频、标志和时势等不同端倪，才能盘曲清爽物理宇宙，那么它或者能够得到谜底，但距离物理律例本人仍然存在距离。

东说念主类的好多物理判断则来自始终形成的“物理直观”。拿杯子、踩台阶、推开一扇门时，东说念主不会每次齐再行设计竣工的物理经由，而是依靠里面形成的教会模子预测步履后果，并在步履之后运用响应修正。

因此，在封硕的设计中，异日智能可能由不同技艺协同完成：通用贯通模子施展清爽主义、组织常识和长程推理，物理宇宙模子则施展物理直观、变化预测和步履响应。

而这最终又回到了一个更基础的问题：这样的模子拿什么教养？

信得过稀缺的，不是机器东说念主，而是可 Scale 的物理数据

算力、算法和数据，是诠释 AI 技艺增长最常见的三个变量。

互联网时间，无数文本、代码、图片和视频当然千里淀，为大模子提供了海量教养材料。算力也不错跟着硬件发展络续栽植，算律例执续迭代。

但物理宇宙的数据不会我方堆起来。

收集一份物理数据，常常需要确凿拓荒、确凿场景、东说念主员和时刻，还伴跟着拓荒磨损和失败成本。因此，封硕以为，现时具身智能和物理宇宙模子信得过的中枢瓶颈，是数据范围。

这也诠释了为什么具身智能很难径直复制自动驾驶的数据飞轮。

自动驾驶范围，一种旅途是依靠专用车辆和测试体系执续收集数据，质地相对可控，但车辆、里程和地域齐受到成本握住；另一种旅途则依托量产车辆，让用户平方使用经由中当然产生数据，数据获取的旯旮成本更低。

机器东说念主濒临的问题愈加了得。一辆莫得高档智能驾驶技艺的汽车，仍然不错算作交通器具被用户购买和使用；但一台莫得敷裕智能的机器东说念主，好多时候很难踏实完成任务，也就更难通过范围化销售参预确凿场景。

于是形成了一个冷启动轮回：莫得敷裕机器东说念主，就莫得范围数据；莫得范围数据，模子技艺就难栽植；模子技艺不及，又适度机器东说念主参预更多场景。

这意味着，物理宇宙模子的产业化问题，最初不是“再造些许台机器东说念主”，而是寻找能够执续产生确凿物理数据的场景。

这亦然 DenseAI（幂级智能）确立的广博起点：把宇宙模子带入确凿产业场景，从已有确凿业务中寻找可执续产生物理数据的进口，让场景、数据与模子形成始终闭环。

Scaling 的着手，需要从“骨子”转向“数据”

因此，封硕提议了一个与传统旅途不同的模范：先作念数据，再作念模子，终末赋能骨子。

这并不是说机器东说念主骨子不广博，而是意味着在早期阶段，更需要优先责罚的是数据源。

什么样的数据，才可能成为物理宇宙模子始终 Scaling 的燃料？

最初，旯旮成本要敷裕低，最佳接近于零。一个关节问题是：如若不作念宇宙模子，这些数据会不会也当然产生？如若车辆本人就在确凿说念路上行驶，那么行驶经由中产生的数据，就不需要实足由 AI 名堂非凡承担收集成本。

其次，数据需要包含确凿的物理信息。它不一定一运行就障翳竣工的触觉、力学和复杂交互，但至少应该纪录空间筹商、景色变化、物体灵通，以及动作可能带来的驱散。

第三，数据源需要从 Day 1 就具备扩展技艺。名堂一运行就需要商酌，这条旅途能不可从咫尺的范围扩大一万倍、十万倍。

封硕将这三个条目详尽为：旯旮成本、物理含量和 Day 1 可扩展性。短少其中任何一个条目，齐可能成为异日范围化的瓶颈。

对于 DenseAI 而言，真刚巧得寻找的是一类能够执续产生数据、能够跟着业务范围当然延长真的凿场景。场景本人成为数据进口，数据进一步成为模子迭代的燃料，模子技艺栽植后再反过来赋能场景。

这样的闭环一朝确立，Scaling 才不再只是模子参数的扩大，而可能成为确凿宇宙中数据、模子和应用共同增长的经由。

从 Demo 到 Scale，第一天就要商酌范围化

往时几年，具身智能范围出现了无数令东说念主印象深远的 Demo，但可演示并不就是可部署，更不就是可范围化。

在特定场景中，通过高精舆图、东说念主工端正或者场景设计，不错让系统获取较好的暴露。但当环境参预绽放宇宙，长尾情况和成本会赶紧加多。

因此，在 AI 期间快速迭代的时间，比“现时期间能不可作念到”更广博的问题，是这条期间阶梯是否存在底层物理休止。

对于物理宇宙模子而言，Scaling 不应该成为期间纯熟之后才商酌的问题，而应该成为 Day 1 的设计握住。

数据、算法和算力齐需要具备范围化技艺：数据需要低旯旮成本并能够执续扩展，算法需要能够执续接管低成本数据并快速迭代，算力则确立在硬件和动力执续发展的基础之上。

归根结底，物理宇宙模子的 Scaling Law 需要回应三个问题：

数据从那处来？成本由谁承担？范围怎样执续扩大？

如若能够找到一条执续产生确凿物理数据的旅途，算法不错络续迭代，算力不错执续加多，模子技艺也就有了 Scaling 的基础。

因此，在封硕看来，物理宇宙模子信得过的契机，可能不是粗浅地制造更多机器东说念主，而是找到一个能够以接近零的旯旮成本、执续产生确凿物理数据的数据源。

先让数据范围化，再让模子范围化，最终让智能参预更多确凿宇宙。

这或者是物理宇宙模子从 Demo 走向范围化落地之前体育游戏app平台，需要回应的第一个问题。亦然 DenseAI始终探索的问题。