邵天兰提出一个极简但残酷的判据：识别当前技术是梯子还是火箭。梯子能从3米搭到5米，但永远登不了月；火箭一开始飞得低，但原理上能到月球。自动驾驶里那些在高架特定路段堆数据、强行让车跑起来的公司，就是在搭一架很高的梯子——效果看似不错，但注定无法规模化。这个框架的价值不在于技术本身，而在于帮企业决定往哪砸钱：火箭还没出现时保持诚实，别把梯子当成火箭吹。

世界模型想让AI拥有物理常识——能推演做完一个动作后世界会怎样。但2026年它已分裂成两大阵营。表征派以杨立昆为代表，主张不生成像素，只在抽象状态空间里做因果推断，效率高但难以可视化。生成派以OpenAI Sora和谷歌Genie为代表，靠预测视频帧隐式学习物理规律，效果直观但计算量巨大、物理一致性弱。李飞飞的「空间智能」路线走第三条路——用3D高斯泼溅构建可编辑的持久化三维环境。三条路都还没达到理想形态，但已是通往AGI的共识路径。

邵天兰从交付经验出发，反复强调「诚实」。但行业内另一种声音是：硬件已经成熟，软件才是瓶颈。星动纪元的人形机器人在快递分拣中每小时处理1200件包裹、达到人类熟练工水平，已开始千台级交付。智平方的轮式机器人在7大行业跑通了盈利闭环。这些案例说明：在邵天兰说的「那5%已到拐点的场景」里，飞轮已经在转——数据降本→部署放量→模型进化。争议不在「火箭还是梯子」，而在「火箭在哪些场景已经飞起来了」——两边的观察窗口不同。

邵天兰点出了世界模型从雏形到火箭的关键卡点：中间表征。当前能看到三个可追踪的信号。第一，千诀科技刚在ICML 2025证明神经网络会自发形成简洁的物理世界模型，首次为「世界模型的学习」建立了数学定义。第二，LeCun团队连发三文攻克稀疏表征和梯度规划，目标是把世界模型推上低功耗硬件。第三，工信部2026年发布的具身智能标准体系要求算力工业级≥500TOPS——当芯片和算法同时收敛，世界模型才可能从实验室「砍瓜切菜」般推出来。但关键突破来的时候没人能精准预测。

邵天兰点出服务业规模化最棘手的变量不是技术，是安全定义。一个机器人打开了火但没关——每个动作分开看都安全，组合起来就不安全。更麻烦的是：如果用户指挥它开火、忘了让它关，责任算谁的？这不是算法微调能解决的问题。当前法律框架下，机器人没有法律主体资格，责任必须追溯到背后的「人」（生产者、运营者、用户）。但家庭场景中「人控人责」原则会极度模糊。机器人专属保险已在开展——太保的「机智保」、人保的「本体+第三者」双轨保障——但这只能兜底经济赔偿，不能解决安全定义本身。