开场：为什么语言模型解释不了接住小孩的那双手

节目以嘉宾的一段宣言开场：他最想训的是一个人24小时的活动数据，从第一天起就不相信语言模型能表达物理世界。主持人交代嘉宾身份与本期核心问题——空间智能究竟该如何理解、需要什么数据。

脑科学证据：大脑不是逐词生成的语言模型

嘉宾引用脑科学观察，指出人思考时大脑各区域几乎同时闪烁，并非一个词一个词往外吐。语言模型对应慢思考，而接住坠落小孩的直觉反应属于另一套系统，世界模型恰好位于这个位置。

给物理智能做减法：行动与对结果的预测

嘉宾批评物理智能一词被滥用，把仿真引擎、3D世界都塞进来。他收敛出最小定义：行动加对行动结果的预测，并回溯人类站起来、空出双手、使用工具改造世界的演化逻辑。

莫拉维克悖论与两条学习路径

从松鼠捡果子比下棋更难讲起，讨论AI该像人一样在物理世界试错，还是学习人类抽象过的二手经验。嘉宾认为两条路径难以严肃切分，本质都是下个状态预测，但今天必须先解决动作与观测的配对采集。

为什么他不相信语言模型能通向AGI

嘉宾明确赞同杨立昆对语言模型的批评，认为AGI必须进入物理世界改造世界，而大量场景没有语料支持。他用拿杯子举例：词可以无限细分，语言是表达物理世界极不高效的表征。

三条世界模型路线的优缺点拆解

逐一评述李飞飞的3D路线、杨立昆的JEPA隐空间路线与莫刻的生成式视频加动作路线。批评3D在数据侧天然劣势、易陷解释陷阱；质疑JEPA的action定义与benchmark缺失；介绍莫刻先定义benchmark、只保留video与action两个模态的思路。

隐式与显式表征之争，以及如何用探针验证物理理解

讨论隐空间表征是否要显式注入物理规律。嘉宾主张极致自监督、减少外部标注，同时用桌面冰壶等游戏化任务作为探针，反向观测模型是否理解了摩擦力与碰撞。

数据配比：为什么暂时少用互联网视频

以拉电闸为例说明互联网数据用于概念回填而非主力训练。嘉宾强调数据的关键是分布与配比，愿意放弃高精度重复操作，换取更宽广、更复杂、精度略低的数据。

正面挑战VLA：放宽数据入口才能泛化

批评VLA靠样板房重复采集限制了模型泛化，提出让一万个人在一万个场景用一万种方式拿一万种杯子。算了一笔效率账：模型架构提效叠加数据宽容度提升，形成指数级弯道超车。

触觉与语言都是后验模态

触觉加PID就能完成pick and place，但那不是AGI；语言标注的成本与显式标注摩擦力差不多。嘉宾主张从最原生模态中通过推理自己学到物理认知，符合bitter lesson。

长序列、Agent分层与世界模型的想象功能

嘉宾最想训的是一个人24小时的活动数据，目标从30秒逐步扩到两小时。讨论物理智能是否需要类似Agent的分层架构，并强调世界模型不仅承载规划，还承载对未来的直觉想象与预测。

人形还是异构：一场关于信息密度与规模效应的辩论

主持人从信息密度与规模效应论证人形是终局，嘉宾则指出双腿与腰关节可能是白痴成本，轮式加升降平台在工业场景更合理，真正的目标是让叉车自己开自己、家务自己完成家务。

人机共享世界模型：安全感作为人形的另一个理由

主持人提出人形机器人进入人类社会需要与人共享相似世界模型，Atlas的360度髋关节在工厂是优势、在人类社会可能引发恐惧。嘉宾回应机器人应做人做不到的事，而非替代人。

小形态先落地：扫地机器人加机械臂的商业路径

嘉宾设想扫地机器人加四轴小臂这类形态威胁感更低、更早进入家庭，其pick and place能力可从第一视角数据迁移。双方在「类人形」这一更宽泛定义上达成部分共识。

从扫地机器人到语言模型：什么变了

讨论扫地机器人为何没能泛化，嘉宾认为关键在于行业正在正经地scaling交互性操作数据，让AI长出手。他抛出暴论：机器人最终就是消费电子。

为什么现在创业：一场勇敢者游戏

嘉宾解释放弃大厂选择创业的原因：技术土壤已具备，数据在scaling，几千张H卡足以做架构迭代。他批评「我是中国的OpenAI」式叙事，认为物理智能没有北美对标，剩下的是信仰与专注。

点兵点将与结尾：给外婆讲说明书的那一天

嘉宾说最想拉进团队的是Hinton，也希望与AMI深化合作。结尾他给这期节目立flag：两年后回看这些判断；最期待的终局是跟奶奶讲这项技术时，像讲一份最粗暴的说明书。