8月19日，WRC 2026期间，由跨维智能主办的「物理AI引领者论坛」在北京召开。论坛汇聚了多位在物理AI领域具有影响力的专家，包括跨维智能的创始人兼CEO贾奎、智象未来的创始人兼CEO梅涛，以及大晓机器人董事长王晓刚等，参与者还包括来自清华大学和香港中文大学的一些教授和研究员。论坛涉及多个技术方向，从生成式世界模型到仿真训练，聚焦于一个核心主题：物理AI如何从“理解世界”转向“完成具体任务”，并探讨如何实现成功案例的可持续大规模落地。

贾奎在论坛中发表了名为《Physical Token经济学》的主题演讲，深入探讨了物理智能的生产成本及其经济性。他指出，随着跨维智能在近期完成了10亿元的B轮融资并且估值超过百亿元，物理AI行业正面临一个重要挑战：推动通用物理智能的发展是否能在经济上长期可行？

通用物理智能的理想状态是机器人在新环境中能够快速适应，利用已经掌握的知识完成多样化的任务，而这一目标需要规模经济的支撑。然而，机器人学习新技能过程中的数据采集和训练往往需要大量的人力和资源投入，这使得具身智能的普遍应用面临矛盾。没有充足的物理经验，模型难以达到通用性；而每次适应新环境都需重新投入资源，阻碍了规模化的落地。

如果为每项新能力的学习投入的成本相似，那么机器人实际上仅是增加了项目的数量。为了有效克服这一困境，已有数据和经验必须可持续复用，所有任务所生成的数据能够服务于更多的目标，同时不断减少在新场景下的培训和调整需求。因此，具身智能的发展需依赖于规模经济的实现，以便降低获得新能力的成本。

倘若机器人能够在真实场景中不断积累经验并持续优化模型，最终将导致成本的下降。这一转变的关键在于从“机器人能学什么”转向“获得新能力需要多少资源”。

贾奎定义的“Physical Token”并非传统意义上的简单动作命令，而是“物理智能体能够产生的单位可靠物理智能”。Physical Token经济学的核心问题在于，以实现通用物理智能为目标，生产每个单位可靠物理智能需要多少人力、数据和算力。在机器人完成抓取等动作时，表面上看来只需短短几秒，但背后所需的准备，如数据采集和模型训练，才是成本的真正来源。

根据跨维的定义，这些成本的来源主要分为三个方面：基础设施能否在反复的人力投入中沉淀为长期的工具资产；能否用尽可能少的真实数据获取更多的有效训练经验；数据和模型是否能够在不同的应用场景间实现复用。这些努力的最终目标指向的是新增能力的边际成本。

当机器人不断扩展其技能时，若每项新增技能都需投入相似的数据和算力，虽然能力在数量上有所增加，但实质上仍是项目交付的重复。因此，只有随着新技能的增加，所需投入的成本不断降低时，物理智能才能具备真正的规模经济。

因此，评估通用物理智能的前景不仅要看单次示范的成功率，更要关注模型能力是否能不断扩展，以及获取新能力的成本曲线是否下降。重新审视机器人发展的技术栈时，可以发现数据、预训练、仿真、后训练以及真实部署各环节实际上是相互联系的，最终目标都是降低能力生产成本。