五个核心问题与回答
为什么最聪明的模型仍会产生幻觉？
扩大参数、数据和推理时间，不能持续压低幻觉吗？
苏昊把问题追到数据来源：语言是世界的投影，模型学习的是人类描述过的经验，却没有身体、重力、摩擦和行动后果。规模化可以让语言预测更准确，但不能自动补上未被语言完整记录的物理知识。模型可以在屏幕里雄辩，却不能说服重力。
物理智能和给大模型装上传感器有什么区别？
接入摄像头、机械臂和控制器，就算拥有物理智能了吗？
演讲所说的物理智能要求更完整：系统要把视频、方程、真机数据、人类操作直觉和环境反馈聚合起来，形成可持续修正的知识。传感器只提供观察，执行器只提供动作；若系统不能理解行动造成的后果、不能从失败中更新，它仍只是把语言模型接到了设备上。
为什么“知识聚合”可能比模型架构更关键？
物理 AI 的突破不应该首先来自新的模型结构吗？
苏昊认为，物理世界的知识分散在论文、工程方程、操作视频、仿真和真机经验中，任何单一来源都不完整。突破口在于让这些异构知识相互校验，而不是孤立地继续堆大模型。当然，这一判断仍需实证：传感器、控制、硬件和架构各自贡献多少，不能仅凭演讲下结论。
Demo 与产品之间最大的鸿沟是什么？
机器人已经能完成越来越惊艳的演示，为什么仍难进入照护和工业现场？
因为真实用户购买的是长周期可靠性，而不是一次成功。照护、搬运和高危作业要求系统面对未见状态、硬件磨损、环境变化和错误代价。通用性可以是远期目标，可靠性却是进入场景的起点。需要观察的不是最佳视频，而是失败率、人工接管率和持续运行时间。
为什么物理智能需要行业共同建设？
一家模型公司不能独立完成数据、仿真和评测闭环吗？
演讲提出共建数据、标准、仿真与评测基础设施，因为物理数据昂贵、场景分散且安全要求不同。但行业协作并不天然发生：企业缺乏共享真实失败数据的动力，标准统一也可能很慢。共同基础设施是必要方向，同时也是这条路线最现实的组织难题。
沿着对话，回到问题如何展开
苏昊：大模型的进步有目共睹，但最聪明的系统也会幻觉。根本原因是语言只是世界的投影：模型学习了人类如何描述杯子、道路和动作，却没有真正承受重量、碰撞和失败。
苏昊：物理世界不会因为语言流畅而改变规则。系统若要照护老人、搬运物体或进入危险环境，就必须让现实反馈参与认知，而不能把语言概率当作最终真相。
苏昊：物理智能不仅要感知，还要行动，并从行动后果中学习。视频提供动态观察，方程提供约束，真机数据记录现实摩擦，人类操作包含难以文字化的直觉。只有把这些来源聚合，系统才可能形成比语言更完整的世界知识。
纪要：“聚合”不是把更多文件塞进训练集。不同来源相互矛盾时如何判断，仿真与真机存在差距时如何修正，都是系统必须显式处理的问题。
苏昊：演讲将物理智能定位为人的协作者。机器可以承担重复、危险或对体力要求高的任务，但现实场景中的目标、责任和价值判断仍需要人设定。协作不只是伦理表达，也是一种可靠性设计：系统在不确定时要暴露边界并允许接管。
苏昊：从演示到产品之间隔着一道可靠性鸿沟。实验室可以筛选环境、重复拍摄，真实世界却不会为模型配合。产品必须在长周期中面对噪声、故障和极端状态。
苏昊：因此，通用性是终点，可靠性才是起点。评价物理 AI 项目，首先应看它在具体任务中连续运行多久、失败如何恢复、人工何时接管，而不是它能展示多少动作。
苏昊：新知识来自实验。若 AI 能提出行动、进入实验并用结果修正自身，它才可能从阅读已有科学，走向参与知识创造。但这需要行业共同建设数据、标准、仿真和评测，也意味着成果必须接受真实实验而非语言一致性的检验。
现场画面
