被撞得四分五裂，两年后不再“翻车”？

8月22日晚，第二届世界人形机器人运动会在国家速滑馆“冰丝带”开幕。赛场上演了不少机器人“翻车”的名场面。在400米（大型组）预赛中，有机器人选手未跑出第一个弯道便摔倒在地；有选手疑似没有听到发令枪声，站在起点迟迟未动；还有选手完成冲线后，撞上赛场设备，身体被撞得四分五裂。现场工作人员不得不赶忙抬担架，“救完你的救你的”。

最出圈的一幕来自24日下午的自由体操比拼。一台程序异常、脱离比赛轨迹的机器人，没有摔倒，反而在赛场中央缓慢旋转、小幅摆动，动作竟如芭蕾舞般优雅连贯。工程师排查后认为，这可能是运动控制算法的临时波动，在故障中自主微调姿态，意外演绎出一段“芭蕾舞”。这恰恰说明随机应变的重要性。未来，机器人要读懂场景，在各种压力与意外中作出最优选择，显然需要比预设程序更复杂的智慧。

具身智能的竞争，正从身体转向大脑。两个月前的第八届北京智源大会上，北京智源人工智能研究院（以下简称“智源研究院”）院长王仲远宣布，AI正经历从“预测下一个词元（Token）”到“预测下一个物理状态”的重大变革。业内共识是，无论硬件如何“内卷”，大脑的好用程度将成为未来几年的行业分水岭。真正能打通机器人感知、决策、执行能力闭环的通用大脑，仍是稀缺资产。

而这个所有机器人翘首以盼的大脑，业内喜欢叫它“世界模型”。

蚂蚁灵波科技的R1机器人展示厨艺。本文图/视觉中国

寻找基座

如果你端着咖啡杯，问AI“我把咖啡杯松开会怎样”，普通大语言模型会回答“它会掉在地上摔碎”，因为它从训练数据里看过这个答案。

而世界模型则会观察你松手时杯子距地面的高度，结合当地重力加速度，告诉你“杯子会在0.5秒后落地”，并根据杯子材质模拟碎裂程度。它不需要读过这句话，它自己会算。

这便是世界模型，一个主攻物理环境认知和预测的系统。图灵奖得主、Meta前首席AI科学家杨立昆（Yann LeCun）将世界模型定义为能预测行动后果的内部模拟器，是机器人对世界的认知引擎。除此之外，世界模型还有许多纷繁的定义，但共同点是，承认智能体需通过学习环境的物理规则，比如杯子下落会摔碎，来构建虚拟场景，从而无须实际行动就能预判不同决策的后果。

美国斯坦福大学教授、World Labs创始人李飞飞研究空间智能，称其为AI的下一个前沿。“……AI要理解、生成、推理并与三维空间交互，构建大型世界模型，正是实现空间智能最重要的路径。”而李飞飞的学生、复旦大学通用物理智能研究院院长苏昊则专注物理智能，希望AI在物理世界里能有效完成任务，执行恰当的行动。

李飞飞

快思慢想研究院院长田丰认为，物理智能、空间智能、世界模型，是同一件事的三个切面。他告诉《中国新闻周刊》，空间智能关心“房间的几何结构记不记得住”，物理智能关心“抓、推、拧这些动作做不做得成”，而世界模型是这两者背后的推演能力。

“比起世界模型的定义，我们更关心真实物理世界需要怎样的模型。”陈博远告诉《中国新闻周刊》。他今年22岁，任智源研究院行为世界模型创新中心负责人，也是北京逆矩阵科技有限公司（以下简称“逆矩阵”）联合创始人，该公司专注于下一代通用世界基座模型的开发。今年6月的北京智源大会上，逆矩阵联合智源研究院发布了全球首个通用世界基座模型“悟界·Physis-v0.1”。Physis正是逆矩阵的英文名，源自Physics的希腊语词根，有“世界本源”之意。

在陈博远看来，世界模型与大语言模型早期的演化路径多有相似。在2022年前后，金融、法律等领域的垂类模型受到广泛关注；如今，通用大语言模型出现了。而对于面向真实物理世界的世界模型，行业也在思考，能否构建一种跨场景、跨本体、跨用途的通用基座模型，应用于不同真实场景。

现在，轮到世界模型经历“奥德赛时期”了。VLA是非常重要的一个尝试。VLA即视觉—语言—动作（Visual-Language-Action），是具身智能实现感知、理解和交互的核心技术体系之一，2023年左右开始火热。它的目标是让机器人像人类一样看懂周围环境，听懂任务目标，并执行操作。国内首个布局世界模型的企业极佳视界，旗下的世界模型GigaWorld便是VLA路线。

VLA已能够实现视觉输入和动作输出，但还不够“通用”。本届世界机器人大会上，许多观众发现，在有大量训练数据的精确环境中，机器人已可以做好指定任务，但如果稍微改变场景设置，任务很可能就会报错。一些机器人可以快速分拣和取用货品，但如果视野中的观众太多，它就会原地不动，无法执行任务。

宇树科技董事长王兴兴在这一届世界机器人大会上表示，如果一台机器人被带到任意陌生环境，甚至进入家庭后，能完成80％左右的任务，具身智能就接近了真正的临界点。

有人把VLA看作和世界模型并驾齐驱的路线，也有人把VLA看作世界模型的一条分支。更有可能的是，VLA 与世界模型非简单的“上下级”关系，二者在实际系统中可以互补融合。目前，世界模型还缺乏一个足够泛化的基座，这也解释了为什么具身智能的通用大脑迟迟没有出现。

5月22日，广东深圳市，自变量机器人工厂内，工程师训练人形机器人做家务。

“桌子有吸引力”

“‘六小龙’吵起来了！”

在今年7月的世界人工智能大会上，有一个世界模型“六小龙”圆桌论坛，凑齐了极佳视界、无界动力、自变量机器人等六家国内企业的世界模型负责人。这场谈话仿佛几大流派掌门的“华山论剑”，直指业内对世界模型技术路线最直接的争论。

极佳视界是像素空间派，希望将模型能力精进到对每一帧画面的学习和预测。无界动力则是隐空间派，这一派的“宗师”是杨立昆，其希望构建一个虚拟空间，让AI身处其中去预测未来状态。Meta在2025年6月发布的视频模型V-JEPA 2就是这一路线。

更多企业皈依了融合派，也就是吸取两方的技术特点，不完全放弃视频生成模型的训练体系，但又结合自身技术优势，推出各自领域的理解、预测模型。自变量机器人、智元机器人、蚂蚁灵波科技都是如此。

世界模型究竟该对物理世界有多大程度的理解？无界动力希望它尽可能接近物理模拟器，提出评价世界模型要看它对几何、运动、力等状态的预测精度。也有人认为，机器人没必要先成为物理学家。蚂蚁灵波科技方面表示，物理合理性比物理精度更重要。机器人只需要明白现实中，同样重量的铁比棉花落地速度快，但到底快多少，不需要知道，只需要观察。

模型能力评价的标准也存在诸多分歧。智元机器人首推AI推理的长时物理一致性，即模型还原物理世界的稳定性，而自变量机器人则认为长程推演是“伪需求”，推理的时效性更重要。如果推理慢到错过决策窗口，再完整的理解也没用。

可以说，如何实现世界模型，目前还未出现压倒性的技术方案。观点碰撞背后，企业们捍卫的是自家模型擅长的能力。世界模型想要走出“奥德赛时期”，自然需要技术上的收敛。

逆矩阵也在走隐空间这条路。陈博远指出，这条路需要独特的训练方法。世界模型可能很难照搬“堆数据”的路径。一个很重要的原因是，人们能获得的视频和真机反馈数据，存在大量视觉冗余。“如果我们希望模型学会用一支笔，笔是蓝色还是红色、放在黑板还是白板上，对于学习物理规律本身没有作用。如何去除冗余，重新采集甚至制造数据，是一大难点。”

更关键的是如何构建因果。目前的大模型都维持着“吃掉”数据、体会相关性、给出最符合相关性的预测的运作模式，而“预测下一个物理状态”并不会如此简单。陈博远指出，状态本身可以认为是基于触觉、视频、语言数据压缩出来的一个隐空间，但模型在这一空间里可能只会学习到一个数据分布，由这个分布归纳出的结论很有可能是错的。

例如，如果所有的视频里桌上都放满了物品，那么模型可能会认为“桌子有吸引力”。如果50％的视频里物品堆在桌上，另50％的视频里物品堆在地上，那模型会认为“这个世界的东西有50％的可能性被桌子吸住”。这些结论符合统计规律，但不符合物理现实。

陈博远的判断是，模型应该学习的是“Δ （delta）”。它是物理学中一个代表变化量的符号，可以认为是一个操作、一个扰动、一个变化。比如把桌上的水杯向边缘推一下，这个推力就成为一个关键的“Δ”，它促成了杯子状态的改变。模型需要预测的，不是简单的下一帧画面，而是什么样的“Δ”导致了这样一个确定的未来。

在今年6月的北京智源大会上，智源研究院发布了一套世界模型的分级体系。就像自动驾驶根据自动化程度分为L0—L5，世界模型也根据其距离真实世界的远近，被分为W0—W5。在这一体系里，W0级的世界模型多为视频生成模型或3D重建类模型，它最终的目标是生成流畅好看的视频（谷歌推出的Veo视频生成模型），或一个可以随时进入的3D空间（李飞飞World Labs旗下的Marble）。这些模型的优化目标是更高清晰度和稳定性。

W1代表的是动作交互模型，比如谷歌的Genie系列模型。它们基于视频生成模型，但开始希望模型能响应动作输入。这一模型中，用户可能没有那么在意物理正确性，这目前也是相对容易实现的。但对W0和W1模型来说，它们解决的是像素空间中的问题，距离真实世界还有距离。

W2及以上的世界模型解决的是物理正确性。在这一级别，模型开始理解真实的物理世界，可以预测真实的物理后果，目前，达到这一能力层级的世界模型还鲜有出现。

两年后，能力跃迁

即便是目前最前沿的世界模型，在严格测试下，也会暴露出短板。它们离真正的“世界模拟器”还有不小距离。

游戏中，我们能看到球凭空消失、运动轨迹错误等不符合物理规律的现象。这只是最安全的一种“翻车”，到现实世界就没那么美妙了。一项专门针对自动驾驶世界模型的测试发现，即使是目前最好的模型，如谷歌Veo 3.1，在预测物理风险如热油溅射、金属遇水反应时仍不可靠，会错过关键风险链条或误判严重程度，远未达到安全部署的要求。

王仲远曾表示，视频生成模型可能生成一群在天上飞的猪，但物理世界不会这样运行。如果机器人装上一个不能区分真实和虚幻的大脑，它可能误以为自己是钢铁侠，这会带来严重风险。

世界模型目前仍处于早期探索阶段，其面临的挑战也比大语言模型更为复杂。田丰认为，两类模型所需数据完全不同。大语言模型学的是人类已写下来的东西，是被人加工过一遍的二手经验。世界模型学的是摄像头、传感器、机械臂直接采到的一手记录。人类写下的高质量文字总量大致到头了，而视频和传感器数据每天新增的量要高出好几个数量级。

一个直观的对照是，V-JEPA 2只有12亿参数，不到主流大语言模型的百分之一，却用了超过100万小时的视频来训练。数据稀缺和昂贵是这条路最核心的瓶颈。同时，模型生成的误差会逐帧累积，导致场景漂移、物体遗忘、逻辑崩坏。当前最强的模型也只能维持几分钟的物理一致性，而业界普遍认为，连续、可靠地模拟一小时以上的物理过程，才是工业可用的门槛。

因此，世界模型需要真实硬件。“把模型用在真实的物理场景中，去收集应用这一模型得到的反馈，比如什么时候失败，什么时候成功，什么时候需要人类重点干预，这些数据是非常珍贵的。”陈博远说，就像学习骑自行车，人会在不断尝试中感受速度和风阻，保持平衡，或者摔倒。真实世界的反馈数据是模型学会归因的基础。

当下，行业多用下游任务来间接评估世界模型对物理世界的理解程度。但模型预测得准或不准，都不能直接等同于它真的理解了物理，更不能说明它学到的规律能迁移到新的场景。陈博远指出，世界模型现在仍需两套相互衔接的系统。第一套是模型生产基础设施，包括算法、数据、训练系统等，第二套则是物理基础设施，即把模型接入真实世界。前者解决“怎样造出可扩展的世界模型”，后者解决“怎样让模型在真实世界中持续学习”。

不过，陈博远认为，无论是硬件还是软件，世界模型技术都在稳步收敛的路上。他预测，明年年底之前，数据采集方式和具身智能形态可能会收敛，18—24 个月内，世界基座模型能力会出现标志性的阶跃，36个月内，能实现多个真实场景的应用落地。这与大语言模型从GPT-3到ChatGPT的路径高度吻合。

田丰指出，自动驾驶里，世界模型已得到了正反馈。特斯拉在去年10月的国际计算机视觉大会上介绍过其神经世界模拟器，用车队回传的数据训练出一个仿真驾驶环境，并称同一套系统可迁移到人形机器人。“车在路上跑的每一公里都在自动产生反馈数据，这是其他方向短期内不具备的条件。”

相比智驾这一短期最可能落地的场景，其他世界模型产品，比如Marble，田丰认为其进入市场还为时尚早。当在虚拟世界里训练的机器人，直接搬到真实世界后的成功率，超过用同样成本采集真实数据训练出来的成功率时，拐点就到了。从那一刻起，造数据比采数据划算，这也许是世界模型带给人们的最大颠覆。

在更多从业者眼中，世界模型给了人类一个重新理解物理世界的方式。世界模型的应用也绝不限于具身智能这一个载体。在陈博远看来，它的等号右边，是整个真实物理世界，包括智能制造、工业仿真、科学探索等。未来，世界模型也许能弥补和接管人类无法实操的工作，甚至自主发现未知物理规律、提出假设并进行验证。正如归乡的奥德修斯，它能激起的火花，远超当下的所有想象。

记者：周游

（nolan.y.zhou@gmail.com）

编辑：杜玮