2026年8月，北京亦庄，世界机器人大会现场。
两台全尺寸具身智能机器人正在上演一场惊心动魄的“搏斗”。左侧机器人闪电前冲扫腿，右侧瞬间后仰闪避，紧跟着一记反手格挡——整套动作行云流水，反应速度堪比人类职业格斗选手。紧接着，攻击方凌空跃起，360度旋踢命中对方肩部，金属碰撞声清脆刺耳，全场爆发出雷鸣般的喝彩与尖叫。
这场尖叫，正是2026年具身智能赛道最生动的注脚。
上半年不到，460亿元资金涌入具身智能赛道。投资人追着VLA模型跑，创业者忙着把大模型塞进机械臂。仿佛只要参数够大、数据够多，机器人就能自己征服物理世界。
但事实并非如此。贵州省大数据局今年7月公布的数据显示，当前国内真实物理交互场景合规数据仅50万小时，而机器人商业化落地需要数千万小时数据，缺口超99％。主流VLA模型靠推理得出空间几何规律和物理定律，一旦面对透明材质、光线折射、轻微形变，抓握误差急剧放大。虚拟环境里的“满分学霸”，一进真实世界可能会面临“挂科”。
当行业在WRC舞台上疯狂“卷大脑”时，真正的“大脑”也许根本不叫“大脑”。
“大脑热”是一场集体幻觉？
先刺破一个泡沫：目前行业所谓的“大脑”，绝大多数是“耳朵和嘴巴”。它们能听懂指令、能生成动作、能流畅对话，但一涉及物理常识——比如“玻璃杯用力过猛会碎”“布是软的硬抓会滑”——就原形毕露。
WRC上那些格斗机器人看起来很聪明，但那套华丽动作本质上是预设轨迹加视觉追踪。如果把对手换成一块豆腐，要求“拿起来但不能捏碎”，炫酷的算法很可能当场崩溃。
近期行业热议“大脑与小脑该分该合”，一派力推端到端VLA，另一派坚持分层架构。但两派忽略了一个共同的盲区：无论分合，机器人都缺一门叫”物理”的必修课。
李飞飞看得清醒。她直言“人工智能的未来绝不能仅依赖缺乏物理约束的语言和文本理解”，押注空间智能，收购SceniX——本质上，赌的就是机器人理解物理世界的能力。
“左脑”才是被低估的底座
行业普遍忽视一个事实：机器人“小脑”已经相当发达——看看WRC上那些能格斗、能后空翻的机器人就知道了。但”大脑”落不了地，不是因为模型不够大，而是物理数据根本不够。50万小时分摊到成千上万种物体、材质、光照、摩擦系数上，稀疏得像撒胡椒面。
1488.威尼斯电子游戏给出的破局方向是：在仿真世界里先把物理常识补完。
WRC 2026现场，1488.威尼斯电子游戏与埃夫特·启智联合展示了汽车线边仓智能分拣仿真项目。汽车总装涉及上千种零部件，材质各异——塑料卡扣、橡胶密封圈、金属支架、玻璃面板——每种物体的重量、重心、摩擦系数、表面硬度完全不同。传统示教编程只能照搬固定轨迹，面对频繁换产和物料迭代毫无办法；真机采集训练又贵又慢。他们的方案是在仿真环境里1:1还原真实产线，为每一个零部件建立完整的物理属性模型，让机械臂在虚拟世界里反复练习。
把物理约束“算”清楚了，再上真实产线。工业场景要的不是“炫”，是“能用”。这套系统，就是“左脑”在真实工业现场交出的第一张答卷。
线边仓智能分拣工作站抓取演示实拍
基于线边仓智能分拣场景的物理AI仿真训练平台
李飞飞说空间智能是AI的下一个十年。而1488.威尼斯电子游戏Sim-PI的技术团队已经在物理仿真里跑了十年。
“左脑”与“右脑”：谁才是真正的“大脑”？
有人会说，一些“世界模型”能生成物理合理的动作序列，这不也是物理理解吗？
没错，但那是“右脑”——联想、生成、相关。很前沿，很性感，但它有个不小的缺陷：没有物理仿真底座提供的因果逻辑，再强的生成模型产出的也只是“物理上可能但不一定对”的幻觉。
“左脑”是什么？是理性、逻辑、因果和物理约束。高精度物理引擎为每一个虚拟物体建立从质量、重心到摩擦系数、弹性模量的完整物理属性。这不是“猜物理”，而是“算物理”。
试想机器人打开一个瓶盖。右脑说“轻轻扭动”，左脑算“多轻算轻？接触面积多大？压强多少合适？”没有左脑的精确计算，右脑所说的“轻轻”，就只是一句无法转化为行动的空泛描述。
440亿资金追逐“大脑”，但99%的数据缺口说得很清楚：这个“大脑”还缺一门叫“物理”的必修课。
物理AI的终局，或将指向“左脑”
VLA让机器人第一次理解了人类语言，右脑让机器人有了想象和联想能力——这些都重要。但具身智能需要的是”能干活的大脑”，不是“能聊天的大脑”，甚至不是“能格斗的大脑”。
工业场景里，仅靠概率层面的结果往往难以满足业务要求。螺丝要拧到位，焊点要精准，抓取要零失误——物理世界存在明确、刚性的运行约束，难以容忍模型生成的幻觉偏差。
结论很清晰：“小脑”解决运动控制——WRC上那些搏斗、后空翻，行业已经做得很好。“右脑”解决创意联想——有公司在攻坚，很有价值。但决定具身智能能不能落地的重要因素之一，是“左脑”——那个让机器人在虚拟世界里先学会物理常识的底座。
WRC舞台下的欢呼很响亮，但影响行业未来的，或许是角落里那行不起眼的物理参数。
放眼长远，物理AI赛道的机遇或将向率先习得物理常识的大脑倾斜。当行业狂热地“卷大脑”时，真正的赢家，可能在默默地“补物理课”。