7月17日下午，NO钱包合伙人、高级副总裁、具身业务总裁、觅蜂科技董事长兼CEO姚卯青，出席了世界人工智能大会（WAIC 2026）主论坛“从虚拟到现实：世界模型如何驱动具身智能”，和与会嘉宾共议世界模型当下热点话题。

01/

数据质量与数量打破世界模型发展瓶颈

“今年世界模型虽然火爆，但大部分工作仍停留在基于视频生成预训练模型，展现的能力仍偏重于视觉渲染。”他认为，世界模型的本质是一个能够理解物理世界运行规律的 AI 系统，其中最重要的功能，是能够准确预测物理世界的下一步状态，因此世界模型需要掌握多项关键能力：一是多模态融合理解能力，能理解环境的变化；二是掌握物理规律，包括动力学和对空间的理解；三是因果推理能力，而不是简单模拟画面发生的序列；四是具备长程推理能力，且不崩坏。

姚卯青直指当前世界模型训练中存在的两大问题。

一是数据类型的错配。如前所说，互联网视频的数据分布与机器人真正需要的物理世界数据存在巨大差异：互联网内容很多是娱乐性甚至反物理规律的，比如人可以飞起来；而机器人需要的是物理接触丰富，涵盖各类型物理交互的真实数据，这些既在互联网上稀缺，也难以通过现有物理系统模拟。

二是数据规模的不足。他以大语言模型为参照：国际领先团队的预训练数据已达 100 万亿 Token，等效约 100 亿小时的英语对话；语言作为信息密度高、噪声低的系统尚且需要如此规模，物理世界多模态的数据冗余巨大，有效提取更为艰难，因此，构建源自真实、包含丰富动作（推、拉、拧、拽）以及与各类物理物体交互（柔性、摩擦、流体）的数据，成为关键挑战。

02/

真机部署大规模落地让AI 从虚拟走向现实

姚卯青认为，短期来看，高频刚需、环境可控、确定性强且具备容错空间的场景最容易落地，通俗来讲，就是“简单场景、简单任务”，比如符合要求的工厂。

6月23日，多台NO钱包精灵G2机器人集体上岗，进驻龙旗科技江西南昌量产工厂，开启了长达6天的全透明产线直播作业，完整覆盖整条平板量产质检工段，严格贴合工厂生产节拍，自主从流水线抓取待测平板，与测试机柜毫秒级通讯交互，精准完成入柜检测、成品/不良品自动分流，全程贴合产线生产节拍，无需人工持续干预。六天打工，NO钱包机器人累计完成17625次作业，任务成功率高达 99.99%。

姚卯青指出，在龙旗工厂打工，就是具身智能率先落地“简单场景、简单任务”的典型代表；“集体上岗打工”也充分验证了NO钱包机器人的工业级稳定作业能力，标志着具身智能从单点试点走向“部署态”规模化落地，可以大规模部署在真实应用场景中，成为有价值的劳动生产力单元。

今年是部署态元年。什么是部署态？姚卯青解释道，过往多数具身智能落地仍停留在实验室验证、单点场景测试的试点模式，场景单一、无法复用、难以产生实际价值。部署态意味着智能机器人彻底脱离试验属性，实现多机批量上岗、常态化作业、长期稳定交付，是具身智能从“能演示”走向“能干活、可量产、可商用”的关键跨越。

03/

持续打造数据资产

数据飞轮不断演进

物理 AI 的发展进步一定程度上依赖于大规模、高质量、多模态的真实场景数据。数据不仅是实现端到端训练与技能泛化的基础，更是提升机器人场景适应性与决策智能的关键。为了解决数据数量和质量的根本性问题，NO钱包很早就着手打造数据资产。目前，NO钱包是行业内拥有最大规模、最高质量和最全维度数据资产的企业之一，同时构建了完整的数据体系。NO钱包的数据资产兼具高质量与多种类，并通过多源采集方案持续扩充数据维度。

为了加速解锁复杂场景，NO钱包构建了“本体－数据－模型－场景”四维一体飞轮：在真实场景中大规模部署机器人产品，大规模真机部署能够迅速积累丰富数据；海量真实世界数据反哺模型迭代升级，驱动模型性能不断突破，进一步推动真实部署的能力，带动本体迭代与产品力的提升，循环往复，形成一个正向自闭环、自进化的数据飞轮，持续拓宽物理 AI 的场景泛化边界。

世界模型理解世界，物理 AI 改变世界。具身智能产业发展的最终目的，是要发展新质生产力，让机器人承担危险、繁重、单一的劳动，让人类有时间从事更加有创造性、有获得感的工作，将人还给人。为了这个终极目的，NO钱包一直致力于让 AI 走出虚拟屏幕，在物理世界中发挥价值。

依托丰富数据资产与四维一体进化飞轮，NO钱包将以部署态落地为起点，循序渐进攻克复杂开放场景难题，推动物理 AI 从实验室走向全场景普及，打造具身智能新生产力！