当前聚生智能赛道热度高，但机器人本体背后的训练和调教尤为重要。直接拿数字世界的视频模型去微调和适配机器人是取巧的捷径。物理世界的数据瓶颈在于数据采集标准不统一、模态多样且精度要求不确定，导致难以形成标准化的数据格式。

物理世界的数据缺乏具体标准，不同公司对所需数据形式和模态的要求各异。此外，每个模态的数据精度也未达成共识，导致数据采集困难。在精度和成本之间取得平衡是关键，但目前尚无明确答案。

真实数据包括真机数据和无本体数据，前者质量要求高，后者数量需求大。互联网数据作为补充，虽然量大但无法完全满足物理世界的需求。仿真数据在特定场景下有用，但在通用机器人领域应用受限。

全站大脑2.0通过分层解耦的方式解决技术难题，逐步积累技术能力。模型发布越来越多是因为触碰了更多技术难题，未来将尝试将这些能力融合在一起。全站的概念是指在多个技术方向上取得进展。

凌波Video模型解决了推理效率问题，并通过MOE架构提高了生成视频的真实感。该模型加入了大量机器人相关数据，强化了对物理规律的理解，使其更适合指导机器人理解物理世界。

聚生智能的安全问题主要在于围栏式安全无法穷举所有风险。真正的安全需要机器人具备高阶智能，理解安全概念。应在预训练阶段就让机器人理解安全，培养类似生物对死亡的恐惧，从而衍生出安全行为。

机器人技术的普及需要一个关键转折点，类似于ChatGPT通过聊天功能让大众了解其价值。这个转折点可能是机器人能够走进家庭并更好地服务人类，或者通过大众参与产生数据来提升机器人的性能。

自动驾驶技术的发展得益于大量车辆在路上行驶时收集的数据。类似地，如果能让每个人在不影响日常生活的情况下为机器人生成训练数据，将有助于推动机器人行业的进步。

讨论了从物理世界的数据到全栈大脑视频模型、VI世界模型以及安全问题，探讨了AI从数字世界走向物理世界时面临的挑战。真正的智能拐点可能不是某个酷炫的演示，而是机器人与人之间更加自然和真实的互动。