10月28日，2026首尔未来会议（Seoul Future Conference，SFC）在韩国首尔举行，无界动力创始人兼CEO张玉峰受邀出席。作为本届SFC唯一受邀在主论坛发表主题演讲的中国具身智能企业代表，张玉峰围绕具身智能的技术演进、产业化路径与全球生态合作，结合无界动力的技术突破与工程实践，分享行业判断与发展思考。同日，张玉峰在「中韩科技创新交流大会」主题分论坛上发表演讲，进一步阐述中韩产业优势互补、携手推进协同创新的合作前景。

在这一汇聚政策领袖、产业代表与国际学者的顶尖平台上，无界动力带来了中国具身智能技术研发与商业实践的思考：什么样的技术能够成为真实生产力，全球产业如何通过开放协作共同推动具身智能发展。

由韩国首尔新闻社主办的SFC已走过十余年，是韩国连接全球学术、产业与政策讨论的重要国际论坛。本届大会以“未来的起源”为主题，汇聚韩国及全球产学研与政商界代表，诺贝尔经济学奖得主托马斯·萨金特（Thomas J. Sargent）、前NASA宇航员迈克·马西米诺（Michael J. Massimino）、SK海力士副总裁等重量级嘉宾共同出席。

无界动力创始人兼CEO张玉峰（左）

诺贝尔经济学奖得主托马斯·萨金特（Thomas J. Sargent）（右）

在无界动力即将登上SFC之际，百度集团执行副总裁、百度智能云事业群总裁沈抖博士，KG集团总裁郭正铉（Kwak Jung-hyun）及在华韩国创新中心主任金钟文（Jong-moon Kim），分别送来视频寄语，表达对中韩科技与产业协同发展的期待，以及对无界动力技术创新与潜力的看好。三段寄语在大会现场播放，传递出中韩产业界与创新合作机构对中国具身智能发展的期待与关注。

百度集团执行副总裁、百度智能云事业群总裁沈抖博士（左）

KG集团总裁郭正铉（Kwak Jung-hyun）（中）

在华韩国创新中心主任金钟文（Jong-moon Kim）（右）

分论坛上，由中国外文局亚太传播中心与韩国首尔新闻社联合制作的纪录片《走出实验室的中国智造》正式发布。无界动力作为重要中国具身智能企业代表参与拍摄，通过技术路径、研发成果与商业落地实践，展现中国具身智能企业快速发展的进程。镜头中呈现出的探索，也正是回应了本次大会的重要议题：前沿智能如何走出实验室，进入产业现场。

此次受邀出席SFC，集中体现了无界动力与韩国产业生态日益深入的连接，以及公司在具身智能技术创新与实践中持续提升的国际影响力。也为中韩产业界共同探索技术演进与协同发展，创造了交流契机，吸引了多家韩国权威媒体的关注与报道。

 立足技术判断 

 参与全球产业对话 

全球科技企业与汽车制造商正在加速布局具身智能，GPT-6 Astra 和 DeepSeek 等通用大模型也在持续拓展智能的能力边界。但从数字世界的复杂推理到物理世界的可靠操作，仍有一道尚待跨越的鸿沟：仿真中，时间是无限的，棋步即使走错也不留痕迹；但现实中，无论推演变化千万种，你只能落下一子，且必须一击即中。让机器人更快、更经济地完成任务，并适应不断变化的环境，是全球产业共同面对的课题。

张玉峰认为，中国快速的模型迭代、敏捷的供应链和丰富的应用场景，与韩国的AI及机器人创新、精密制造和全球市场经验形成互补。双方通过开放协作贯通研发、制造与应用，将共同推动具身智能技术演进与产业发展。

围绕这一课题，张玉峰以“具身智能成为真实生产力所面临的四大挑战”为切入点，阐述了无界动力的技术判断与实践路径。

 突破四大挑战 

 构建面向物理世界的智能 

一、突破泛化边界，让智能拥有“物理直觉”

具身智能的泛化，始于理解行动如何改变世界。张玉峰认为，物理AI绝非通用大语言模型的简单延伸，核心是要建立面向物理因果的认知与行动能力。

乌鸦不懂高级语言，却懂得投石饮水；章鱼也能够通过触手拧开瓶盖。这是一种对物理因果规律的原生掌握：理解行动与结果的关系，预判自己的动作将带来什么变化。体积远小于人脑的乌鸦大脑，也启发了具身智能的发展方向：让物理直觉扎根本体，以实时的、低能耗的方式支撑行动。

无界动力做出了自己的选择——隐空间世界动作模型。近期发布的 MWA™-Phoenix 基座模型在紧凑的隐空间表征中，联合学习未来视觉隐变量与动作序列，让世界预测成为动作决策的一部分。隐空间的价值整也再次体现：通过提取与行动相关的关键信息，减少像素级生成的计算负担，并把物理经验转化为可复用的认知，让机器人实现更快的决策、更经济的运行与更强的泛化，将模型能力转化为可持续的生产力。

二、突破模仿学习局限，让机器人在自主交互中进化

达·芬奇曾说：“智慧是经验的女儿。”人类知识点燃智能的火种，却不应成为机器人学习速度与认知广度的束缚。模仿学习可以成为机器人学习的起点，但能力上限应在自主交互中持续拓展，具身智能需要在物理世界中自主闭合学习链路：提出假设、付诸行动、感知反馈、提升认知，来自真实交互中的反馈才能成为真正帮助机器人处理示范之外问题的关键。