Physical Token经济学：下一项能力更便宜，机器人才能真正规模化

在8月19日于北京举行的WRC 2026「物理AI引领者论坛」上，跨维智能创始人贾奎发表了《Physical Token经济学》主题演讲，提出将机器人的智能生产能力转化为可计量对象的概念。Physical Token被定义为「物理智能体能够生产的单位可靠物理智能」，其经济学关注的不是单次动作计价，而是生产单位可靠物理智能所需的人力、数据和算力。

这一概念的提出背景是具身智能面临的现实矛盾：机器人需要的动作、接触、受力和失败经验大多需在真实世界中通过交互获得，每次采集和试错都意味着设备、算力和工程人力投入。如果每学会一项新技能都投入近似相同的成本，机器人能力增加只是项目数量的增加，无法形成规模经济。

跨维将成本归结为三个方面：基础设施能否从重复人力投入沉淀为长期工具资产；能否用少量昂贵真实数据获得更多有效训练经验；数据和模型能否跨本体、跨场景、跨任务复用。这些投入最终指向同一指标——获取新能力的边际成本（Marginal Cost of New Capability）。

只有当新增技能、场景或本体时所需的新增投入随积累不断减少，Physical AI才具备规模经济。因此，衡量通用物理智能能否成立，不能只看单次Demo成功率，更要看能力边界能否持续扩张且成本曲线向下。

跨维将技术栈概括为四个环节：Experience（人类经验）、Leverage（合成杠杆）、Condensation（能力聚合）、Expansion（飞轮扩张）。Experience强调统一数据表达和预训练，使一次学习成为可复用能力资产；跨维通过统一坐标系和Dexterity-BEV实现多源数据对齐。

Leverage利用Real2Sim和生成式仿真将试错转移到虚拟环境，用少量真实数据撬动更多训练经验。据跨维介绍，自研DexVerse引擎可生成高保真仿真环境，GS-World引擎将仿真任务环境搭建时间从数天缩短至10余分钟。Condensation解决如何用更少任务专用数据将通用能力转化为可靠技能；Expansion则通过真实部署反馈闭环，让部署数据回流模型，降低下一次部署成本。

WRC现场，跨维展示了手机装机质检、商超自主扫码、冰淇淋与爆米花连续操作三类任务，分别来自工业制造、零售和商业服务。这些Demo指向同一问题：一套数据、模型和仿真体系能否以较低新增成本进入不同场景。但展会Demo不能直接等同于规模化验证，关键看场景迁移时新增投入是否真的减少。

关于Zero-shot，跨维认为它未必是规模化的前提，而可能是规模经济持续运行后逐渐逼近的结果。当获取新能力的边际成本足够低，Zero-shot才从模型目标变成产业状态。这也解释了为何商业化与模型研究不能割裂：商业化提供真实世界稀缺数据，模型增强后降低下一场景成本，形成闭环。