顶会具身辩论赛实况：徐丹飞激辩，PI连输三轮，谷歌大佬倒戈
数据从哪来？控制靠像素还是动作？
作者丨 张 璐
编辑丨 齐铖湧
在具身智能与机器人领域迅速演进的今天，一个问题正在浮出水面：
要想让机器人真正走进千家万户，我们到底该靠特定硬件采集的“具身数据”，还是该拥抱浩瀚如海的“互联网与人类行为数据”？
2026年RSS大会最后一天的workshop圆桌讨论，现场火药味十足。五位专家围绕世界模型的实际落地展开激烈交锋。
来自Georgia Tech和Nvidia的 徐丹飞 ，以组合世界模型的研究闻名；Google与NYU的 Sherry Yang ，专注物理代理的世界模型评估与改进；Physical Intelligence的 Laura Smith ，强调具身智能的实践落地；NVIDIA的 Max Li ，长期深耕大模型架构；OpenDriveLab的 Li Chen ，则在机器人数据与控制领域有丰富经验。
主持人抛出三个核心辩题，让五位专家分成两派正面碰撞。雷峰网 (公众号：雷峰网) AI科技评论小队在现场记录下这场思想碰撞，以下是完整实录：
01
第一轮辩论：
世界模型和策略模型，应该合体还是分开？
大家都知道现在搞AI都在追求大一统，但在机器人领域，这条路真的走得通吗？主持人一上来就抛出问题—— 世界模型和策略模型，应该合体还是分开？现场的几位大佬瞬间根据各自的学术立场分成了两大阵营。
▎ 本轮对阵的双方是：
“大一统”合体派： PI科学家Laura Smith、英伟达Max Li（主张把所有功能塞进一个超级模型里，既动脑又动手）
“各司其职”分开派： 谷歌Sherry Yang、源策未来陈立（Lee）、徐丹飞（主张分开搞，看重工程运行效率和调试清晰度）
支持“合体”的一方 认为，现在AI的大趋势就是Everything in One。Laura认为，MoE模型都能把成百上千个专家塞进一个网络，为什么世界模型和策略不能合并？最终我们肯定想要一个超级模型，既能理解世界，又能直接行动。
她的观点得到了同阵营 Max Li 的赞同。从长远来看，Max 也相信未来的终局一定是全能的大模型，但他非常务实地补充道：现在AI“能想象到什么”和机器人“实际能做到什么”之间，其实存在着一条巨大的鸿沟。
视频模型学得再好，动作数据太少也发挥不出来，所以目前的当务之急，是怎么通过表征学习把世界模型的想象力翻译成机器人的执行力。
听到这里，坐在“分开派”阵营的 陈立（Lee） 坐不住了，他直接从底层工程的“运行效率”出发，给合体派泼了一盆冷水。
陈立强调，机器人是要在现实中实时干活的，策略模型的响应速度和运算效率是命根子，必须保证它跑得飞快。
要是为了盲目追求合体，把世界模型这个庞然大物强行塞进同一个网络里，导致策略模型被拖慢、机器人动作卡顿，那在实际落地中根本没办法用。为了效率，必须分开调试 和特殊化处理。
陈立的说法得到了 Sherry Yang 的强烈声援。Sherry 指出：“目前绝大多数模型其实还处于欠拟合阶段。世界模型要吃下海量具身交互数据已经非常吃力，如果再强行塞进策略学习的任务，两个目标会互相打架， 训练效果反而下降。”
她进一步解释了两个模块的本质差异：世界模型需要大量失败数据来真正理解物理规律，比如机器人撞到东西、滑倒、抓不稳等场景，这些对提升模型鲁棒性非常重要。但策略模型的主要目标是学习成功行为。如果强行合体，失败数据可能会污染策略，让机器人学到更多错误的动作模式。
徐丹飞也站在分开派这一边。他补充道：分开还有一个很大实际好处—— 调试和迭代更清晰 。
当机器人任务失败时，我们能快速定位：到底是世界模型没想对（预测未来不准），还是策略没执行好（动作选错了）。如果全塞到一个黑箱模型里，出了问题就很难指责具体哪个部分。