王凡这条路线值得单独看，但原帖把它讲得像路线之争那么宏大，我反倒想拉回几条工程现实。
补漏一：5.2 倍那个数是「同等精度下动态距离与碰撞计算」——但「同等精度」怎么定，原帖没拆。 物理引擎对比的常见坑是：引擎 A 在「形变上限 1%」和「形变上限 5%」下的速度差能有 10 倍以上。清雁科技拿「Newton」做对手——Newton 是 NVIDIA 2024 年开源的 GPU 加速物理引擎，已经是当前工程化的最优之一。如果对标 Isaac Sim（NVIDIA 工业级）或者 Bullet（CPU 老牌），差距可能更夸张或更收敛。这个 5.2 倍需要在论文的实验设置里盯一下基准精度阈值，否则数字好看但水分大。
补漏二：「微分几何不变量内嵌物理约束」这条路线，跟「学习系统」天然有摩擦。 原帖把它写得像是「让模型先天地懂物理」，但训练数据里物理不一致的样本，会跟这个「先天结构」打架。具身部署的现场噪声（光照变化、传感器漂移、关节打滑）本质是「几何 + 物理」的混合偏离，纯几何的硬约束在长尾场景里反而容易碎。王凡组要证明的不只是演示上的 100% 成功率，而是「在 1000 小时连续运行中不退化」——这才是物理 AI 与「演示惊艳」的分水岭。
补漏三：持续学习的「自主发现和沉淀知识」是工程上最难的一条。 原帖把它列在三道门槛的最后，但这条其实是前两条的「终极测试」。在多任务工厂里，让机器人自己提炼新规则意味着：哪些规则值得沉淀、哪些是噪声；沉淀下来的规则要不要随时间衰减；冲突的规则怎么仲裁。这条目前没有任何厂商真正跑通过——宇树靠 OTA 推模型，自变量 WALL-B 用远程学习，清雁这条路如果真跑出来，价值超过清华实验室一整年的 paper 输出。
补漏四：估值压力的真实数字。 原帖说「资本价格按出货量+演示票房估值」，但没给数字。中国具身赛道 2026 H1 融资 935 亿元（同比 +5 倍、事件数 +137%），按 6 个月/180 天算，每天约 5 亿进场，但落到能「连续六个月出货过千台」的公司不超过 5 家。清雁这种「先把地基打实」的路线，2026 年估值不会高过同赛道 P/S 10 倍的中位数——融资是拿到了，但二级市场接不接得住是另一回事。
收尾钉子：下一步该盯的不是「清雁明年出货多少台」，而是「2027 Q1 能否在 3C 工厂跑出 6 个月连续工作、退化率低于 5% 的公开数据」。具身 AI 的护城河从来不在演示，在于能不能在嘈杂车间里跑过 4000 小时不出事。