WAIC觀察｜都在談世界模型，說的是一回事嗎？

今年WAIC（世界人工智能大會）期間，許多人都在談?wù)撌澜缒Ｐ停f的未必是同一件事。

7月19日，在上海西岸國際會展中心，同一場論壇上，兩種不同的聲音先后登臺。中國科學(xué)院院士、南京大學(xué)副校長周志華講述了決策層世界模型依然面臨的現(xiàn)實(shí)：推演誤差和交互試錯(cuò)的高昂成本。他的團(tuán)隊(duì)最近有些許進(jìn)展，但這仍是他口中“正在探索的方向”之一，而非已經(jīng)解決的問題。

昆侖萬維董事長兼CEO（首席執(zhí)行官）方漢則給出一種判斷。“2026年是‘世界模型元年’。AI不再只停留在生成內(nèi)容，而是開始理解世界怎么運(yùn)行，預(yù)判行動會帶來什么結(jié)果。”

一個(gè)“探索中”，一個(gè)“元年”。產(chǎn)業(yè)已經(jīng)在搶跑，但世界模型的地基還沒打完。

同一個(gè)世界模型，公司各自“解題”

每家公司對世界模型的界定，幾乎都精準(zhǔn)卡在自己正在做的事情上。

騰訊不做硬件本體，只承擔(dān)具身大腦平臺的角色。騰訊首席科學(xué)家、Robotics X實(shí)驗(yàn)室主任、福田實(shí)驗(yàn)室主任張正友認(rèn)為，機(jī)器人行業(yè)就像iOS與安卓、Mac與Windows，也會分化出“全棧自研”和“平臺+生態(tài)”兩條路，騰訊選的是后者。

在模型上，他認(rèn)為VLA（視覺語言動作模型）短板明確，沒有預(yù)測能力，而世界模型可以基于行動后果做預(yù)測。世界模型下一個(gè)有價(jià)值的方向，在于模型同時(shí)傳遞語言和圖像信息，能推理，也具備想象力。

智象未來創(chuàng)始人兼CEO梅濤認(rèn)為，一個(gè)真正的世界模型有三個(gè)要素：表達(dá)、推演、構(gòu)造世界。實(shí)現(xiàn)這些的關(guān)鍵在于，讓模型真正建立起對物理世界統(tǒng)一的認(rèn)知。這也就是智象未來堅(jiān)持原生全模態(tài)大模型的初衷：不是做一個(gè)更大的拼接模型，而是在最底層把“世界的運(yùn)行規(guī)律”刻進(jìn)模型的DNA里，以統(tǒng)一的方式理解視覺、語言、動作和空間關(guān)系。

梅濤認(rèn)為，如果我們僅僅是把世界進(jìn)行復(fù)現(xiàn)，本質(zhì)上只是在做現(xiàn)有知識的壓縮、擬合與復(fù)刻。在這樣的范式下，人類五千年文明積累的信息量上限，就是AI的能力上限。

但他也坦言，現(xiàn)在包括視頻、多模態(tài)、具身、3D在內(nèi)的各種世界模型，離真正的世界模型還比較遙遠(yuǎn)。

生數(shù)科技同樣基于視頻數(shù)據(jù)訓(xùn)練世界模型，強(qiáng)調(diào)對物理世界的理解。生數(shù)科技CEO駱怡航認(rèn)為，世界模型必須同時(shí)具備感知理解、預(yù)測想象、行動三個(gè)維度：“世界模型一定要刻畫整個(gè)人與世界的交互規(guī)律，同時(shí)能驅(qū)動人與數(shù)字、物理世界打交道，這個(gè)定義應(yīng)該具備很強(qiáng)的Foundation（基礎(chǔ)）屬性。”

作為PhysX物理引擎奠基人之一的張立華，同時(shí)也是復(fù)旦大學(xué)長聘特聘教授、飛捷科思創(chuàng)始人、中國人工智能學(xué)會人機(jī)融合智能專委會主任，他的判斷標(biāo)準(zhǔn)落在是否符合物理規(guī)律上。

他認(rèn)為，現(xiàn)有的主流世界模型基本還是數(shù)據(jù)驅(qū)動的視覺模型，難以把物理規(guī)律準(zhǔn)確地嵌入模型里。“雖然你看了很多圖像、視頻等數(shù)據(jù)，形成了一定的物理直覺的能力，但這個(gè)能力也存在限制，就像人的物理直覺一樣，雖然能夠在某些條件下給出相對準(zhǔn)確的趨勢判斷，但并不能保證所有情況下判斷的準(zhǔn)確性和真實(shí)性。雖然你看了很多，但不等于你抓住了這些表象背后的物理機(jī)制。”

世界模型定義還存在爭議，但不影響各大公司卡位。

昆侖萬維不再局限于視頻（SkyReels）、音樂（ Mureka ）等AI生成內(nèi)容的業(yè)務(wù)線，開始向世界模型、機(jī)器人模型等物理AI敘事框架轉(zhuǎn)變。生數(shù)科技并不瞄準(zhǔn)單一場景，而是希望做好通用能力，用同一個(gè)模型驅(qū)動不同本體去做不同的任務(wù)，半天到一天內(nèi)就能適配部署。飛捷科思則發(fā)起“物理智能創(chuàng)新聯(lián)合體”，聯(lián)合32家單位，定位成國產(chǎn)世界模型的操作系統(tǒng)底座。

誰能先抓住“世界模型”這頂帽子，誰就先占住了故事的入口。一位投資人曾透露，他年初見過一家具身智能公司，能講出非常好的應(yīng)用場景，時(shí)隔三個(gè)月后便開始講世界模型的故事，“這是很現(xiàn)實(shí)的問題”。

模型存短板，不能完全信任

世界模型對物理世界的理解，還存在欠缺。

破殼機(jī)器人創(chuàng)始人許華哲提到，即便現(xiàn)在的模型已經(jīng)能做到不錯(cuò)的像素級預(yù)測，也不能完全信任它。“只要是模型生成出來的東西，就一定帶著模型自己的特性，如果在這樣的仿真器里學(xué)策略，很容易擬合到模型的特性，而不是真實(shí)世界的特性。”

要補(bǔ)上這個(gè)缺口，模型需要兩個(gè)方向：一是讓模型本身更懂物理規(guī)律，二是讓模型學(xué)習(xí)的環(huán)境足夠真實(shí)。

前一個(gè)方向，是視頻生成廠商正在做的事，押注的是底層算法架構(gòu)和高質(zhì)量數(shù)據(jù)實(shí)現(xiàn)躍升后，模型自己能把物理規(guī)律“悟”出來。

智象未來選擇視頻、全模態(tài)到世界模型這條路徑，因?yàn)椤盎ヂ?lián)網(wǎng)視頻數(shù)據(jù)非常多，這些數(shù)據(jù)已經(jīng)包含許多物理規(guī)律、因果關(guān)系在內(nèi)”。并自研了UiT（Unified Transformer）架構(gòu)，在數(shù)據(jù)端則涵蓋了20萬小時(shí)版權(quán)數(shù)據(jù)，覆蓋超70%華語電影資源的行業(yè)多模態(tài)語料庫。

生數(shù)科技則用MoT架構(gòu)（可以理解為是一種稀疏、多模態(tài)Transformer架構(gòu)）把理解、生成和行動整合在一起，而非“先理解、再規(guī)劃、再動作”的分步路線。

模型“悟”出規(guī)律，還得放到仿真環(huán)境里訓(xùn)練和驗(yàn)證。如果仿真環(huán)境本身的物理規(guī)律不夠真，模型學(xué)到的東西再像，也經(jīng)不起真機(jī)上的檢驗(yàn)。這就是飛捷科思在做的事，給模型提供可信的訓(xùn)練地基。

一切源于張立華團(tuán)隊(duì)的踩坑經(jīng)歷。他的復(fù)旦實(shí)驗(yàn)室團(tuán)隊(duì)，早年也用過其他商用具身仿真平臺做仿真訓(xùn)練，“仿真的時(shí)候機(jī)器人表現(xiàn)得非常完美，但我們把實(shí)機(jī)都造出來后，再一驗(yàn)證就發(fā)現(xiàn)不行”。后來團(tuán)隊(duì)排查發(fā)現(xiàn)，其底層的物理引擎動量并不守恒，仿真訓(xùn)練了很久，但因?yàn)槟M的物理規(guī)律并不符合現(xiàn)實(shí)世界的物理規(guī)律，導(dǎo)致訓(xùn)練好的算法不能在真機(jī)上復(fù)現(xiàn)。

經(jīng)歷這一教訓(xùn)后，團(tuán)隊(duì)沒有急于繼續(xù)擴(kuò)大模型訓(xùn)練，而是轉(zhuǎn)向自研底層物理引擎和仿真訓(xùn)練平臺，目的就是要提升物理引擎和仿真訓(xùn)練平臺的精度和能力。進(jìn)一步，他們做出了全新一代物理世界模型Fysiverse，其架構(gòu)是創(chuàng)新的“顯式物理模擬器+生成式渲染器”雙驅(qū)動，讓生成模型繼續(xù)發(fā)揮視覺表達(dá)優(yōu)勢，用物理引擎補(bǔ)因果建模的短板。

張立華認(rèn)為，現(xiàn)在絕大部分模型還是以端到端為主，很少體現(xiàn)推理能力，但一個(gè)真正通用、有泛化性的模型，未來一定要具備推理能力。“遇到物體位置突然變化這類情況，機(jī)器人應(yīng)該可以像人一樣及時(shí)做出判斷并調(diào)整策略，而不是只靠預(yù)訓(xùn)練學(xué)到的反應(yīng)去執(zhí)行。”而這種推理能力的訓(xùn)練，同樣需要物理真實(shí)的仿真環(huán)境來支撐。

第一人稱視角數(shù)據(jù)缺失，補(bǔ)法卻不一樣

模型要學(xué)好，除了要有對的架構(gòu)和環(huán)境，還需要足夠多的數(shù)據(jù)。具身智能下一步，需要大量第一人稱視角的操作數(shù)據(jù)，也就是以人的視角拍到的、真實(shí)操作物體時(shí)的視頻。

視頻生成廠商正在把自己的生成能力延伸向用于模型訓(xùn)練的數(shù)據(jù)供給。這背后是世界模型對高質(zhì)量數(shù)據(jù)的渴求。梅濤提到，目前容易獲取的數(shù)據(jù)基本已經(jīng)被拿得差不多了，但真正高質(zhì)量、有私域價(jià)值的數(shù)據(jù)反而越來越難拿到。

梅濤談到智象未來與一家機(jī)器人公司的合作：對方提供人類帶著夾爪操作的仿真數(shù)據(jù)，每個(gè)關(guān)節(jié)點(diǎn)精度大概在毫米級；智象未來反過來生成一份不帶夾爪的真人第一人稱實(shí)操視頻，和原始數(shù)據(jù)一一對齊。“用這樣的視頻可以做增廣，一份高精度、帶夾爪的視頻，能生成出上百到上千份不同背景、膚色、形態(tài)的版本，同樣保持高精度。”

C端的數(shù)據(jù)采集，目前還停留在比較原始的階段。許華哲提到，現(xiàn)在主要是靠58同城、獵聘這類公司，派人帶著采集設(shè)備上門去拍；下一步可能是把采集設(shè)備直接寄到普通人家里，讓人邊帶娃或邊做自媒體，邊采數(shù)據(jù)賺點(diǎn)錢。

究竟需要多少量級的數(shù)據(jù)，行業(yè)還在探索。啟明創(chuàng)投給出一個(gè)參照：頭部機(jī)器人公司的有效數(shù)據(jù)，會從2025年的“萬小時(shí)級”，躍升到2027年的“百萬小時(shí)級”，其中人類第一視角數(shù)據(jù)將占絕對主導(dǎo)。

而數(shù)據(jù)恰恰是行業(yè)難以共享的東西。許華哲提到，數(shù)據(jù)是具身智能里最核心的資產(chǎn)，幾乎沒人會真正把它開源出來，網(wǎng)上很多號稱開源一萬小時(shí)的數(shù)據(jù)集，點(diǎn)開可能只有五十小時(shí)。

當(dāng)行業(yè)有人喊出“元年”時(shí)，學(xué)界在解理論“死結(jié)”，廠商在用同一個(gè)詞爭不同的定義。模型在往前跑，地基在往下打，中間還缺數(shù)據(jù)。世界模型在還沒被講清楚前，就已經(jīng)被相信了。

新京報(bào)貝殼財(cái)經(jīng)記者 韋英姿

編輯 王進(jìn)雨

校對 穆祥桐