2026年6月，北京通用人工智能论坛上，北京通用人工智能研究院（BIGAI）发布通通3.0。比起又一个会聊天、会写作、会分析的模型，这次更值得看的是它的落点：真实场景里的智能体。
这个方向并不是突然冒出来的。
2026年6月15日，人民网《人民日报》“瞰前沿”栏目刊发《物理人工智能，加速走进现实世界》。文章把物理人工智能概括为一类能感知、能行动、能在真实场景中反复试错完成工作的智能体。也就是说，AI要处理的不再只是文字、图像和代码，还要面对桌面、道路、机械臂、轮子、遮挡、碰撞，以及动作失败之后怎么办。
把通通3.0放到这个背景下，就比较容易理解BIGAI的取向。它强调因果驱动。语言模型可以靠预测下一个词获得不错的表现，但物理世界不吃这一套。杯子从桌沿掉下去，背后是重力、接触和位置关系；机械臂抓东西，力小了会滑落，力大了可能损坏物体。智能体想进入真实环境，必须理解这些约束，而不是只生成一段看起来合理的描述。
BIGAI官网对自己的介绍是：北京通用人工智能研究院是在北京市委市政府指导和支持下，由北京市科委推动成立的非营利性新型研发机构；在北京市、科技部、教育部共同扶持下，与北京大学、清华大学等单位开展合作，致力于通用人工智能领域的战略性、前瞻性、基础性科技创新，目标是打造具备人类核心认知能力的通用智能体。
这段定位里，“通用智能体”是关键词。它指向的不是单点能力，而是感知、推理、行动之间能不能连起来。
BIGAI官网近期列出的几项进展，也基本围着这条线展开。两个名字尤其值得放在一起看：SceneVerse++和TongSIM。
SceneVerse++解决的是场景从哪里来。BIGAI官网科研进展中写到，SceneVerse++可以从海量视频中提炼真实3D场景，让智能体真正走进物理世界。对机器人训练来说，只靠少量人工搭建的样板间显然不够。真实环境里的光照、材质、遮挡、摆放方式太多，靠人工一项项采集，很难覆盖。
TongSIM则像一个训练场。BIGAI官网称，TongSIM是AI“全能物理空间训练场”，已经开源上线，并在上线两天后登上Hugging Face热度趋势榜单第一。这个细节至少说明一件事：研究者确实需要这样的物理仿真环境。智能体可以在里面反复尝试、失败、修正，而不必一开始就把成本压到真实设备和线下场景上。
一个提供更接近真实世界的3D场景，一个提供可训练、可验证的物理空间。SceneVerse++偏场景和数据，TongSIM偏仿真和训练。BIGAI要搭的，不只是一个模型，而是一套让智能体练习行动的环境。
难点并不在“看起来很真”。3D场景如果只是视觉上逼真，对物理智能帮助有限。物体之间怎么碰撞，材质如何影响抓取，光照变化会不会干扰识别，动作能不能连续执行，这些才会影响训练结果。物理AI的门槛，往往藏在这些不显眼的细节里。
BIGAI官网还列出了一项与宇树相关的成果：双方提出通用运动控制框架OmniXtreme，让机器人解锁“托马斯全旋”等极限动作。这个例子容易被当作炫技，但它真正指向的是控制能力。复杂动作要求身体姿态、受力和平衡持续协调；如果控制框架只能处理规则动作，就很难支撑更广泛的适应能力。
通通3.0、SceneVerse++、TongSIM和OmniXtreme连起来看，就不像几条分散的科研新闻。它们分别对应认知与因果、真实3D场景、仿真训练、运动控制。问题被拆得很具体：智能体怎样理解环境，在哪里练习，如何试错，最后怎么把动作落到身体上。
这也是物理智能和文本智能很不一样的地方。文本模型出错，通常是答非所问、引用不准、逻辑跳跃；物理智能出错，可能是抓错物体、撞上障碍，或者让真实设备执行失败。物理世界的反馈更硬，也更难靠话术遮过去。
当然，从仿真到现实仍然有距离。TongSIM可以提供训练场，SceneVerse++可以补足真实3D场景，但真实环境里仍有噪声、磨损、遮挡和意外。物理AI能不能成立，最后还是要看智能体在真实场景中能否稳定完成任务，而不只是演示视频是否流畅。
BIGAI这次把通用智能推向物理世界，值得注意的地方不在口号，而在路径变得更清楚：通通3.0处理认知和因果，SceneVerse++处理场景，TongSIM处理训练，OmniXtreme处理运动控制。AGI如果要离开屏幕，这几件事绕不过去。
物理人工智能听起来很大，落到现场其实很朴素：看懂环境，动得起来，失败后还能再试一次。BIGAI现在押注的，正是这条路。
