作者丨岑峰
在 AGI 的演进版图中，大语言模型凭借 Scaling Law 和海量文本数据开辟了智能通途。然而，具身智能领域若盲目复制这一“数据崇拜”路径，试图通过喂入百万小时视频让机械臂无所不能，将面临物理世界的严峻挑战。
2026 年悉尼 RSS 大会指出，物理数据具有时空“不可逆性”：文本可瞬间复制，而机械臂的一次抓取需实打实地消耗时间。更致命的是长尾效应——摩擦、形变、流体等复杂变量，使得人类无法通过穷举法收集机器人面临的所有场景。
针对这一困境，来自斯坦福大学李飞飞实验室的黄文龙（Wenlong Huang）在"Data-Centric Robotics"主题 Workshop 上提出了“降维打击”式的解法：抛弃对海量“演示数据”的死记硬背，转向“反事实推理”与“脑内搜索”。
作为具身智能领域的明星学者，黄文龙此前因 VoxPoser 和 ReKep 两项里程碑式研究闻名。他利用大模型作为空间规划器，将抽象指令转化为三维空间的“关键点约束”和“价值场”，首次让机器人在无行为演示下，仅凭几何常识即可完成复杂操作。
此次 RSS 2026 分享中，黄文龙将这一理念推向终极形态——Point-World。该模型赋予机器人“零样本预测未来物理演变”的数字孪生大脑，使其能在行动前于脑海中虚拟尝试成千上万种反事实可能性，从而自主创造出如“将袜子由内而外翻转”等未见过的独创性行为。
实验数据显示，仅需 15 小时的 3D 交互数据配合 2D 预训练，即可撬动世界模型的惊人扩展能力。这为具身智能走向“递归自我改进（Recursive Self-improvement）”推开了大门，为全球开发者提供了一套突破算力与数据封锁的进化算法。
以下是黄文龙演讲内容的精编实录：
01 通过反事实推断实现机器人数据的跨越式扩展
演讲者：斯坦福大学 黄文龙（导师：李飞飞）
一、动机：从“演示学习”到“自主探索”
本次 Workshop 聚焦“以数据为中心的机器人学”。核心观点在于：我们或许可以通过“反事实推断（Counterfactuals）”有效扩展机器人的能力边界。
过去几年，开放世界机器人在算法架构（如扩散策略、VLM、世界模型）和低成本硬件普及方面进展显著。行业共识认为：“只要我们能演示出来的行为，策略就能学会。”
然而，Physical Intelligence 展示的一个任务揭示了局限：机器人仅用普通平行夹爪完成“将袜子由内而外翻转”。这一动作难以用语言或代码精确描述，必须依赖视频理解。更重要的是，人类拥有“独创性（Ingenuity）”，能在新问题面前即兴创造解法，而这种自主获取新行为的能力正是当前机器人所缺失的。仅依赖互联网规模数据或历史数据，机器人难以跨越某些能力鸿沟。
二、反事实推断与搜索的价值
复制人类独创性的关键在于反事实思维，即评估：“如果我采取一组完全不同的动作，结果会怎样？”
回顾 AI 发展史，AlphaGo 著名的“第 37 手”便是通过搜索和推演得出的最优解，而非人类既有经验。数据显示，若移除测试时的搜索过程，模型需增加 10 万倍的数据量才能维持同等性能。鉴于机器人学比围棋更复杂，“反事实推理”和“搜索”能力不可或缺。
三、为什么是 3D 几何空间？
反事实推理应在何种维度进行？
1. 语言与代码空间： 虽逻辑可行，但在涉及底层物理交互（如翻袜子）时，语言模型无法描述物理细节。
2. 动作空间： 机器人形态各异，难以建立统一通用的低级动作空间。
结论：推理的最佳空间是基于机器人几何结构的 3D 空间。
最新工作Point World的核心理念是：给定 RGB-D 输入和机器人描述文件（URDF），将动作空间统一定义为"3D 点云流（3D Point Flows）”。通过采样连杆点并计算正运动学，场景观测与机器人动作被统一在 3D 点云流中。训练出的基于 Transformer 的模型，本质上是一个“零样本真实世界模拟器”。
该模型不仅能模拟刚体，还能处理流体、布料等可变形物体，无需物体分割。它能隐式识别关节结构，并在遮挡情况下根据物理常识推断接触几何关系。
四、弥补 3D 数据的匮乏
针对 3D 数据稀缺问题，团队利用视觉几何模型对大规模交互数据（Joy 数据集）进行重标注，生成了约 3500 小时具有仿真级精度深度信息和相机位姿的 3D 点云。
更具突破性的是未发表成果：利用 2D 视频数据预训练，辅以仅15 小时的 3D 交互数据微调，即可获得优于此前 500 小时训练的环境动力学预测能力。该模型在未见过的环境和机械臂上，依然保持极高的物理保真度。
五、总结与展望
在算力和数据扩展时代，关注点不应仅限于“获取更多数据以实现零样本泛化”。真正的学习应伴随机器人的一生。机器人必须具备自主获取新行为并将其编译进现有模型的能力。
通往人类水平物理交互的路径如下：
1. 前提条件： 获得关于行为和动力学的通用先验（世界模型）。
2. 关键步骤： 将先验在物理世界落地，通过反事实推断和搜索，不断探索并获取新行为。
这正是具身智能领域追求的“递归自我改进（Recursive Self-improvement）”。