五个核心问题与回答
“目标到动作”为什么不够？
机器人能根据指令完成动作，不就已经具备策略了吗？
直接映射容易在环境变化时失效。WAM 路线要求系统先理解任务、推演未来状态，再选择与执行动作，使策略不只模仿肌肉轨迹，而能评估行动后果。
物理 AI 为什么比语言模型更缺数据？
互联网上不是有海量视频吗？
视频缺少机器人自身状态、动作和接触反馈；真机数据又昂贵、慢且难规模化。演讲估计物理 AI 数据量只有语言模型的数万分之一，差距决定了不能只靠扩大参数等待涌现。
仿真能否替代真机？
闭环世界模拟器足够好以后，还需要大量机器人吗？
仿真扩大训练和失败探索，真机验证现实动力学与误差。二者需要循环：仿真产生策略，真实部署暴露 gap，数据回流继续校正模型。只做 Sim 或只做 Real 都很难规模化。
百台真机在线强化学习证明了什么？
数量增加是否等于智能涌现？
它证明真实环境的并行采集和后训练可以系统化，而不是单机实验室演示。仍需观察任务多样性、设备利用率、失败成本以及同一经验能否迁移到新本体。
三道墙分别是什么？
数据墙、表征墙、闭环墙怎样相互影响？
数据墙限制经验规模，表征墙限制系统理解物理状态，闭环墙阻断行动结果回流。单独突破任何一项都不够，只有采集、治理、模拟、训练、评测和部署真正循环，才形成可进化系统。
沿着对话，回到问题如何展开
姚卯青：物理智能不应只是从感知到动作的映射，而要理解任务、推演未来并选择行动。
纪要：这使世界模型成为策略之前的内部环境。它要回答“做了以后会怎样”，而不只是“人类通常怎么做”。
姚卯青：团队构建了闭环世界模拟器，让动作改变环境后，新的状态继续进入下一步决策。
纪要：闭环比生成一段未来视频更难，因为每一步误差都会累积并影响后续策略。
姚卯青：物理 AI 的数据大约只有语言模型的数万分之一，真机交互成本高且难规模化。
纪要：因此数据采集设备、机器人本体和治理平台不是模型之外的配套，而是决定能力上限的基础设施。
姚卯青：在线强化学习系统在真实环境和真实任务上支持百台级机器人并行验证。
纪要：集群把采集速度提高，也带来数据版本、设备差异、安全中止与训练稳定性问题。规模本身需要新的运营系统。
纪要：互联网数据提供广度，无本体第一视角数据补充人类行为，真机数据提供动作与反馈。Migo 采集设备、G2 Air 本体和 Migo Engine 试图把这些层级连接起来。
姚卯青：模型决定智能涌现的起点，数据定义终局；只有飞轮真正转动，智能涌现才会出现。
纪要：3C 柔性制造案例提供了场景验证，接下来要看同一套飞轮能否以更低边际成本迁移到更多任务和客户。
现场画面
