神仙打架之外：环卫车里长出的世界模型什么样

作者｜ 张志峰

编辑｜周远方

2026年5月，世界模型赛道至少有三件事值得记住。智元GE 2.0在WorldArena登顶，星动纪元Ctrl-World拿了具身任务能力全球第一，北京人形Pelican-Unify成了双冠王。

它们都在回答同一个问题。机器人到底该先建一座虚拟健身房，还是直接在真实世界里摔打。

同一个月，酷哇科技发布了CooWAIM 2.0。前三个在刷榜，酷哇在刷街。它的测试场是芜湖某条辅路，主角是一台正在贴边作业的无人清扫车。

假如这时路口突然冲出一辆逆行电动车，它不会停下来把整条街的三维画面在脑子里推演一遍，而是边减速边微调方向，在三百毫秒内完成避让。

酷哇相关负责人把这个能力概括为一句话，CooWAIM 2.0在打麻将般的博弈和切菜式的精细操作中，比同类模型更快。他进一步解释，就像人类打麻将时会预判他人反应、切菜时会感知食材触感，真正的智能源于动作与环境的实时闭环。

这个闭环本身并非酷哇独有。智元用GE 2.0建全功能世界模拟器，让机器人在虚拟环境里试错进化。星动纪元走VLA与世界模型融合路线，用分频端到端打通感知与动作。北京人形则以国家队身份推进大一统物理智能回路。它们代表了当前世界模型的三条主路。

但酷哇走了一条更轻的路。它不问机器人能不能在虚拟世界里推完一万次杯子，只问下一秒别撞上那辆电动车。

三路分兵，一路刷街

目前，全球科技巨头在世界模型赛道上呈现出不同的技术流派。

第一拨做视频生成，谷歌Genie 3、阿里Happy Oyster、OpenAI Sora，核心能力是生成逼真的未来画面，一帧一帧预测像素变化。图灵奖得主杨立昆曾指出，预测像素变化不等于理解物理世界，生成一段杯子掉落的视频，不代表模型懂得重力和材料力学。但在舆论场里，视频生成和世界模型常被混为一谈。Meta的V-JEPA 2走另一条路，不渲染画面，只提炼物理规律的因果理解，像一位只看棋谱不摸棋子的理论派。

第二拨做自动驾驶仿真。Waymo、特斯拉、蔚来NWM，这拨人其实最老资格，早就在用闭环仿真器测试极端路况、跑安全corner case，只是以前叫仿真器或数字孪生，生成式AI能力提升后，虚拟场景真假难辨，顺势把名字升级成了世界模型。他们的核心任务是预测自车响应和交通流演化，动作空间被严格限制在方向盘、油门、刹车两三个自由度里，目标是避免接触，而非理解接触。

第三拨做机器人与具身智能。智元、星动纪元、北京人形都在这个阵营，他们强调世界模型必须是动作条件化的，即预测的不是下一帧画面，而是我做了这个动作以后世界怎么变。这拨人要处理的是手指、手腕、肩膀几十甚至上百个自由度的协调，要理解推杯子会不会倒、拧瓶盖用多大力、叠毛巾时布料如何形变。道路有车道线和交通灯，规律性强，家庭与工厂里的物体材质、摆放方式、任务目标变化巨大，没有天然的几何约束，数据形态和计算复杂度与自动驾驶不在一个量级。

自动驾驶的世界模型，核心是避免接触，动作空间就两三个维度。人形机器人的世界模型，核心是怎么接触物体，手指、手腕、肩膀几十处关节配合，还得处理软体形变和摩擦力。从车到机器人，不是同一个模型放大，而是换了一个考场。

技术取舍：效率与精度的平衡

酷哇的特殊之处，在于它从第二拨往第三拨跳。

它从另一条路走过来，和中联环境成立合资公司，在十七个城市跑智慧环卫，2021年营收就过了五亿元。创始人何弢早年提出先难后易，把最难的城市场景先啃下来，再降维做环卫和城配。五十PB非结构化真实世界数据和万台终端，意味着它的模型是在真实的雨雪、逆行、拥堵里喂出来的。这份履历让它有资格做减法。

这种减法不是等技术成熟后拿来即用，而是基于自己的场景和数据，在世界模型的路线上做务实取舍。城市开放道路的数据和运营网络，对同场景的移动智能有复用价值，但向人形精细操作迁移，鸿沟仍在，目前未见公开验证。

CooWAIM 2.0的核心是DAWN架构，其底层为WAIM交互式世界动作模型。它不渲染高分辨率未来画面，而是通过Auto-Encoder Resampler模块，将繁杂的视觉特征压缩成16个核心语义Token。

这个取舍很像切菜时剔除筋膜，只保留最精华的部分。路网几何、障碍物拓扑、本体状态，这些被精准保留，冗余信息被剔除。

推理延迟因此压到331.3毫秒，效率提升近3倍。在NAVSIM基准测试中，其PDMS得分达89.1；在nuScenes闭环规划中，平均轨迹误差降至0.33米。

WAIM交互式世界动作模型通过在隐式空间中进行短程推演，与不推演（Fast-WAM）和全程推演后再执行动作预测的两个极端相比，取得了效果和效率上的最佳平衡

更关键的是推演策略。

市面上有些世界模型遵循先预测后规划的范式，就像一个人打麻将，必须先把所有人的出牌可能都推演完，再决定自己怎么出。这种单向滞后的方式，往往忽略了出牌本身就在实时改写牌局。

DAWN架构不再将世界预测和动作生成视为两个独立任务，而是让它们在推理过程中像辩论一样互相修正。模型在隐空间中进行短时推演，动作降噪器与世界预测器通过多轮迭代交互，实现边推演边执行。

这种交互式推演，恰好处于不推演与全程推演后再执行两个极端之间。不推演意味着盲动，全程推演再执行则意味着单向滞后。DAWN只推演2到3秒的短程未来，不赌长局。在nuScenes闭环规划测试中，平均轨迹误差降到0.33米，NAVSIM的PDMS得分89.1。

现实挑战：从榜单领先到规模化落地

这种轻量化有代价。跟英伟达Cosmos那种千亿级参数的闭源大模型比，酷哇的生态完善度和商业配套成熟度确实弱。世界模型赛道目前也还没有统一标准，从榜单到真实场景，中间隔着规模化落地的鸿沟。

智元GE 2.0近期在WorldArena特定赛道登顶，星动纪元Ctrl-World拿下具身任务能力全球第一，北京人形Pelican-Unify成为双冠王，但这些成绩主要发生在榜单和实验室环境。作为新发布的世界模型，它们的生态成熟度和真实场景验证周期仍待观察。对酷哇而言，虽然已在智慧环卫、出行等领域积累五十PB数据并实现万台级终端部署，但如何将这些数据优势转化为跨场景、跨本体的通用泛化能力，仍是行业共同面临的难题。大多数世界模型公司仍处于高投入期，数据采集成本极高，系统复杂，真正实现大规模商业化盈利的企业仍是凤毛麟角。

酷哇的DAWN架构已经全面开源。在Robotaxi、城市服务、特种作业等高价值场景中，这种具备交互式物理推演能力的模型或许有更大想象空间，但目前主要闭环仍在环卫与城配领域。世界模型赛道仍处于早期收敛期，技术路径尚未完全统一。

智能的本质是交互，不是预测

酷哇科技技术负责人表示：“我们相信，世界模型的价值不在于被动描绘未来，而在于让推演与行动在交互中共同演化。CooWAIM 2.0不仅是算法架构的升级，更是对‘智能源于交互’这一本质的回归。”

随着DAWN架构的全面开源，酷哇科技正推动具身智能从“单一任务执行”向“通用物理推理”演进。在Robotaxi、城市服务、特种作业等高价值场景中，这种具备“交互式物理推演”本能的机器人，或将重新定义人机共存的城市生态。

当机器人不再只是“执行者”，而是能像人一样在动作与环境的互动中实时思考，我们离真正的通用具身智能确实更近了一步，但这一步的跨越，仍需要时间的沉淀与产业链的协同。