一句话定义
Physical World Scaling Law（物理世界缩放定律）指的是：当机器人在真实物理世界中积累的交互数据、经历的任务种类、以及模型本身的规模一起增大时，它的操作能力也会随之提升，并且在相当一段区间内，这种提升是可预测的。
需要先说清楚：它目前更像一条经验观察和研发信念，而不是像牛顿定律那样被严格证明的公式。它借用了语言模型 Scaling Law 的叙事框架，但把"数据"换成了物理世界的交互。
为什么不能照搬语言模型那一套
语言模型的缩放定律讲的是：训练损失会随着参数量、数据量、算力的增加，按幂律（power law）稳定下降；给定算力预算，参数量和训练数据量需要大致按比例一起扩，才能拿到更好的效果。这条规律成立的关键前提是——互联网上的文本已经存在，复制一份的边际成本几乎为零。
物理世界不是这样。
打个比方：训练语言模型像在图书馆读书，书已经写好了，你只要多借几本、多读几遍，复印几乎不花钱。训练机器人像学做菜，每道菜都得真刀真锅做一遍——食材会消耗，火候会失控，厨房会弄脏，而且今天用这口锅炒好了青菜，明天换一口锅，手感和结果可能又不一样。
一张表看清区别
| 维度 | 语言模型 Scaling Law | 物理世界缩放定律 |
|---|---|---|
| 数据从哪来 | 互联网上已有的文本、代码 | 必须由真机、遥操作或仿真"生产"出来 |
| 边际成本 | 复制一份近乎为零 | 每次采集都消耗时间、电力、设备磨损与人力 |
| 采集速度上限 | 主要受算力约束 | 受机器人台数、场地、安全员、物理时间约束 |
| 监督信号 | 预测下一个词，天然自带标签 | 没有现成标签，只有成功/失败，失败还可能摔坏设备 |
| 长尾来源 | 表达方式、领域知识 | 光照、材质、摩擦、形变、遮挡，几乎无穷 |
| 迁移性 | 规律跨领域共享程度高 | 换机械臂、换桌面，能力就可能打折 |
| 出错的后果 | 生成一句错话 | 可能伤人、损物 |
对从业者和普通人的意义
对做具身智能（embodied AI）的团队来说，这条定律的潜台词是：瓶颈往往不在模型结构，而在数据引擎。谁能把真机采集、遥操作、仿真合成（sim-to-real）这几条管线搭得更便宜、更闭环，谁就更容易把曲线推上去。单纯堆算力，在物理世界里不一定换得来对应的能力。
对普通职场人来说，它解释了一个直觉：机器人不会像聊天机器人那样"一夜之间变聪明"。语言模型可以吃完整个互联网存量，机器人却只能一秒一秒地在真实世界里攒经验。它的进步大概率是渐进的、被数据采集速度牵着走的。
理解这一点，就能对"机器人什么时候能干活"这类问题保持合理预期：看数据管线，比看模型参数量更靠谱。