从目标检测、多模态大模型到具身智能与世界模型，杨学的研究脉络始终坚守一条核心主线：让人工智能真正理解真实物理世界，实现长期、稳定、可靠的落地运行，而非仅完成实验室单次技术演示。2026年8月3日，酷哇科技官宣杨学正式出任首席科学家，同时携手上海交通大学成立通用具身智能联合实验室，聚焦模型研发、真机验证与产业人才培养，标志着酷哇正式开启世界模型产业化落地的全新阶段。
作为上海交大长聘教轨助理教授、博士生导师，杨学连续三年入选斯坦福全球前2%顶尖科学家榜单，累计发表70余篇高水平论文，谷歌学术引用超13000次。不同于学界普遍追逐榜单精度、炫酷演示的研究思路，他长期扎根真实城市场景，将实验室搬进全国50多座落地城市，依托酷哇万台级机器人常态化部署、50PB物理交互真实数据，深耕具身智能落地难题。在他看来，行业上半场比拼“能不能动、能不能做成一次”，下半场比拼的是“能不能一万次稳定做好、形成长期服务价值”。
一、行业拐点：从炫技演示到务实落地，方差比均值更能定义真实能力
在2026世界人工智能大会（WAIC）上，具身智能行业的风向已然彻底转变。过去行业热衷于打造乒乓球、拳击等炫酷演示，证明机器人具备运动能力；如今全行业聚焦真实产业场景，工厂仓储、零售药房、防汛救援等落地应用成为核心焦点，行业正式从“证明能动”迈入“证明有用”的务实阶段。
针对机器人开放环境频繁失效的行业痛点，杨学认为技术迭代本就是逐步松绑假设、扩大场景边界的过程。行业早期通过固定可控场景验证技术可行性，再逐步适配复杂开放环境，本质是解决AI的分布外泛化难题，没有捷径可走，只能依靠真实场景数据持续打磨迭代。
对于机器人是否真正具备落地可用性，他提出三大硬核评判标准，彻底跳出“平均成功率”的美化式评价：长时无故障运行稳定性、异常自主恢复能力、任务完成时间方差。其中，他格外强调“方差”的核心价值：平均成功率是可修饰的单点数据，而方差能真实反映系统稳定性。同一任务时而三分钟完成、时而半小时收尾，即便整体成功率亮眼，也会严重影响城市服务的标准化、常态化运营。真实世界对技术的评分，从来不是最优一次表现，而是波动、接管与失控的概率。
同时，真正成熟的机器人系统，从不会追求“零出错”，而是实现“出错可自愈”。单次成功只是技术可能性的证明，遭遇遮挡、障碍、环境突变后自主脱困、接续任务的能力，才是产品化的核心门槛。
二、产学研深耕：从不看好场景到看清长期价值，扎根真实场景沉淀技术底色
杨学与酷哇的合作始于2020年，依托导师严骏驰教授的牵线，基于共同的感知、自动驾驶研究方向开启学术联动，多篇高引用论文有酷哇创始人团队深度参与。创业初期，深耕低速城市服务赛道的酷哇，在追逐通用智能、前沿赛道的学术视角下，显得不够“时髦”，封闭半封闭的环卫场景，一度被认为学术价值有限。
多年深度合作后，杨学彻底改观。他坦言，2019年行业热议的通用世界模型、通用智能，受限于当时算力、数据、算法条件，根本不具备落地可能。酷哇的核心优势，在于拒绝盲目追逐热点，选择技术可落地、有真实商业价值的城市场景切入，先让机器人跑起来、活下去，再依托长期运营积累数据、打磨模型，逐步拓展场景边界。
行业大浪淘沙，许多当年主打前沿概念的企业早已退场，而酷哇凭借11年真实商业运营、全球50余座城市常态化部署、万台级真机迭代，沉淀了行业稀缺的真实物理交互数据与工程落地经验。曾经看似传统的城市服务场景，如今成为世界模型研发最珍贵的真实底座。
谈及学术与产业的评价差异，杨学表示，学界聚焦模型精度提升、算法创新与理论突破，而产业只关注核心落地结果：精度提升能否减少犯错、优化执行、降低人工干预。这也重塑了他的研究理念：不再追逐年度热点课题，而是长期深耕核心问题，兼顾算法创新、可复现性与工程落地性。具身智能是系统性工程，单模块最优毫无意义，系统上限取决于误差传递与模块耦合能力，而非单一模块的最高分。
此次出任首席科学家，是双方合作的关键升级：从短期项目制学术合作、以论文为产出，转向长期稳定的技术攻坚，聚焦真机长期运行、长尾异常、系统迭代等真实难题，让前沿研究持续反哺产品迭代。
三、世界模型核心：不止看见世界，更要预判因果、理解社会规则
当前多数机器人已实现基础感知、指令理解与动作生成，但依旧算不上“理解物理世界”。在杨学看来，感知只能解决“物体是什么、在哪里”的问题，真正的世界模型，需要掌握因果预判与物理可供性。机器人能识别桌边杯子只是基础，判断触碰后是否会掉落、碰撞、是否需要终止动作，才是理解物理世界的核心。
此外，成熟的城市服务机器人，既要懂物理规律，也要懂人类社会规则。纯物理逻辑无法支撑服务落地：物理层面可清扫的路边纸箱，若旁边有人停留，机器人需主动暂停避让。这种“安全优先、分寸感把控”，是服务价值的核心，也是当前模型研究的薄弱环节，需要将社会规则、服务标准转化为可学习、可验证的模型能力。
针对大模型“一键生成答案”的行业惯性，杨学指出单一模型全包全链路存在致命缺陷：任务失败后无法精准归因，信用分配混乱。分层架构才是落地关键，通过拆分任务理解、状态判断、动作推演等环节，实现各模块独立优化、精准迭代。同时，机器人的因果推演存在最优时间窗口，0-4秒的短期推演既能预判核心物理变化，又能规避长时预测误差累积，适配真实动态场景。
四、数据真相：50PB真机数据，有效信号远重于体量
依托长期城市部署，酷哇积累了约50PB物理交互数据，但杨学明确强调：数据体量不等于模型能力，有效信号密度才是核心。大语言模型文本信息密度高，而机器人数据中充斥着大量平稳、重复、无增量的运行记录，参考价值极低。
真正能推动模型迭代的，是占比极少的长尾场景、人工接管片段、任务超时、动作纠错等异常数据。一千条精准标注的异常数据，价值远超一万条常规运行数据。团队核心工作，是搭建自动化数据筛选 pipeline，通过任务异常、轨迹偏移、人工介入等信号精准挖掘高价值数据，形成“现场出问题-数据沉淀-模型迭代-真机验证”的闭环迭代体系。
对于行业热议的Scaling Law，杨学认为具身智能无法照搬大模型逻辑。设备规模化部署只是增加遇见问题的概率，唯有提升有效信号提取效率、完善闭环迭代机制，才能真正突破模型能力上限。未来行业将实现认知能力跨机型复用，执行动作按设备形态特化，最终打通多机协同，实现动态环境共享、任务协同调度，从单机智能升级为城市级群体智能。
五、下半场核心命题：舍弃噱头，用长期稳定交付定义产品价值
杨学明确划分了具身智能行业的上下半场边界：上半场比拼技术可能性，靠单次炫酷演示、功能亮点获取认可；下半场比拼产业服务力，靠长期稳定、低成本、低干预的持续交付赢得市场。
行业商业模式也将彻底重构：从售卖一次性设备，转向持续性城市服务。客户的评价标准，从“是否具备某项功能”，变为“任务是否准时完成、人工介入频率、故障自愈效率、综合运营成本”。用户最终感知的不是模型技术参数，而是更干净的街道、更准时的服务、更少的人工重复劳动。
出任首席科学家后，杨学团队将优先攻坚三大核心难题：极端场景鲁棒性、轻量化决策实时性、真机系统可靠性，其中场景鲁棒性是第一优先级。工程优化可解决速度、延迟问题，但复杂场景的因果判断、异常决策能力，是决定模型能否落地的根本。
在人才培养上，团队主打“跨界复合型”标准，不唯论文论，重点吸纳愿意解决真问题、能啃脏活累活的研究者与工程师：既要懂模型算法、数理理论，也要能拆机复盘、落地真机、排查故障，打造“带着扳手的科学家、懂微积分的工程师”的人才梯队。
结语
世界模型的下半场，早已脱离实验室的概念博弈与炫酷演示，进入真实城市的生产力交付时代。正如杨学所言，机器人单次成功是技术亮点，一万次稳定成功才是产业价值。依托万台级真机部署、海量真实交互数据与产学研深度联动，酷哇正持续补齐世界模型的落地短板，将技术可能性，真正转化为城市服务的长期确定性。