# 机器人终局：物理AGI路线图与LLM类比

- 来源：Jim Fan (@DrJimFan)
- 发布时间：2026-05-08 22:32
- AIHOT 分数：79
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmox17w0i006zsl8vaax2o24p
- 原文链接：https://x.com/DrJimFan/status/2052758642781487237

## 精选理由

Jim Fan 这 20 分钟把机器人做成了 LLM 的平行故事，从 World Action Models 到 Dexterity Scaling Law，信息密度大到建议 0.5 倍速，做硬件的该换地图了。

## AI 摘要

演讲者以“Robotics: Endgame”为题，提出解决物理AGI的路线图，直接类比LLM的成功路径。核心观点包括视频世界模型作为第二预训练范式、世界行动模型（WAM）、机器人数据收集策略（类似FSD的物理数据飞轮）、EgoScale和灵巧性缩放定律、物理强化学习 bridging the last mile，以及DreamDojo端到端神经物理引擎。预测物理AGI的实现比预期更近，并提及2016年参与OpenAI DGX-1签署与Jensen和Elon的个人经历。

## 正文

我保证这将是你今天花得最值的20分钟！机器人：终局之战，这是我去年红杉AI Ascent演讲"物理图灵测试"的续篇。我勾勒出了解决物理AGI的路线图，将其简单类比为大语言模型成功故事。做个好科学家，抄作业吧 ；）

请一直看到最后，还有更多彩蛋和预测，供你在Polymarket上使用！

00：30 DGX-1在OpenAI的起源故事--2016年我就在现场，与Jensen和Elon一起签署协议。现在前往计算机历史博物馆！ 01：42 伟大的并行 03：31 机器人：终局之战 03：39 为什么VLA模型仍有不足 04：32 视频世界模型作为第二个预训练范式 06：09 世界动作模型（WAM） 07：46 机器人数据收集策略，以及物理数据飞轮在机器人操作领域的FSD等效方案 11：06 EgoScale和我们近期发现的灵巧性缩放定律 14：00 物理强化学习：打通最后一百米 15：39 DreamDojo：一个用于在硅基环境中规模化RL的端到端神经物理引擎 17：00 文明科技树以及我对近未来的预测。剧透：比你想象得更近。

感谢我在红杉的朋友们今年再次邀请我参加AI Ascent！我玩得非常开心！如果你错过了我去年的演讲，附在帖子里了。