WAIC观察｜都在谈世界模型，说的是一回事吗？

今年WAIC期间，世界模型这个词被反复提及，但仔细听下来，大家说的未必是同一件事。

7月19日，在上海西岸国际会展中心，同一场论坛上，两种截然不同的声音先后登台。中国科学院院士、南京大学副校长周志华谈到了决策层世界模型依然面临的现实困境：推演误差和交互试错的高昂成本。他的团队最近取得了一些进展，但这也只是他口中“正在探索的方向”之一，远未到可以落地的阶段。

昆仑万维董事长兼CEO方汉则给出了一个更激进的判断。“2026年是‘世界模型元年’。AI不再只停留在生成内容，而是开始理解世界怎么运行，预判行动会带来什么结果。”

一个说“探索中”，一个喊“元年”。产业已经在抢跑，但世界模型的地基，显然还没打完。

同一个世界模型，公司各自“解题”

每家公司对世界模型的界定，几乎都精准地卡在自己正在做的事情上。

腾讯不做硬件本体，只承担具身大脑平台的角色。腾讯首席科学家张正友认为，机器人行业就像iOS与安卓、Mac与Windows，也会分化出“全栈自研”和“平台+生态”两条路，腾讯选的是后者。在模型上，他认为VLA（视觉语言动作模型）短板很明显，没有预测能力，而世界模型可以基于行动后果做预测。世界模型下一个有价值的方向，在于模型能同时传递语言和图像信息，具备推理和想象力。

智象未来创始人兼CEO梅涛认为，一个真正的世界模型有三个要素：表达、推演、构造世界。实现这些的关键在于，让模型真正建立起对物理世界统一的认知。这也正是智象未来坚持原生全模态大模型的初衷：不是做一个更大的拼接模型，而是在最底层把“世界的运行规律”刻进模型的DNA里，以统一的方式理解视觉、语言、动作和空间关系。梅涛指出，如果我们仅仅是把世界进行复现，本质上只是在做现有知识的压缩、拟合与复刻。在这样的范式下，人类五千年文明积累的信息量上限，就是AI的能力上限。但他也坦言，现在包括视频、多模态、具身、3D在内的各种世界模型，离真正的世界模型还比较遥远。

生数科技同样基于视频数据训练世界模型，强调对物理世界的理解。CEO骆怡航认为，世界模型必须同时具备感知理解、预测想象、行动三个维度：“世界模型一定要刻画整个人与世界的交互规律，同时能驱动人与数字、物理世界打交道，这个定义应该具备很强的Foundation（基础）属性。”

作为PhysX物理引擎奠基人之一的张立华，判断标准则落在是否符合物理规律上。他认为，现有的主流世界模型基本还是数据驱动的视觉模型，难以把物理规律准确地嵌入模型里。“虽然你看了很多图像、视频等数据，形成了一定的物理直觉的能力，但这个能力也存在限制，就像人的物理直觉一样，虽然能够在某些条件下给出相对准确的趋势判断，但并不能保证所有情况下判断的准确性和真实性。虽然你看了很多，但不等于你抓住了这些表象背后的物理机制。”

世界模型定义还存在争议，但并不影响各大公司卡位。昆仑万维不再局限于视频（SkyReels）、音乐（Mureka）等AI生成内容的业务线，开始向世界模型、机器人模型等物理AI叙事框架转变。生数科技并不瞄准单一场景，而是希望做好通用能力，用同一个模型驱动不同本体去做不同的任务，半天到一天内就能适配部署。飞捷科思则发起“物理智能创新联合体”，联合32家单位，定位成国产世界模型的操作系统底座。

谁能先抓住“世界模型”这顶帽子，谁就先占住了故事的入口。一位投资人不无感慨地透露，他年初见过一家具身智能公司，能讲出非常好的应用场景，时隔三个月后便开始讲世界模型的故事，“这是很现实的问题”。

模型存短板，不能完全信任

世界模型对物理世界的理解，还存在欠缺。

破壳机器人创始人许华哲提到，即便现在的模型已经能做到不错的像素级预测，也不能完全信任它。“只要是模型生成出来的东西，就一定带着模型自己的特性，如果在这样的仿真器里学策略，很容易拟合到模型的特性，而不是真实世界的特性。”

要补上这个缺口，模型需要两个方向：一是让模型本身更懂物理规律，二是让模型学习的环境足够真实。

前一个方向，是视频生成厂商正在做的事，赌的是底层算法架构和高质量数据实现跃升后，模型自己能把物理规律“悟”出来。智象未来选择视频、全模态到世界模型这条路径，因为“互联网视频数据非常多，这些数据已经包含许多物理规律、因果关系在内”。他们自研了UiT（Unified Transformer）架构，在数据端则涵盖了20万小时版权数据，覆盖超70%华语电影资源的行业多模态语料库。生数科技则用MoT架构（一种稀疏、多模态Transformer架构）把理解、生成和行动整合在一起，而非“先理解、再规划、再动作”的分步路线。

模型“悟”出规律，还得放到仿真环境里训练和验证。如果仿真环境本身的物理规律不够真，模型学到的东西再像，也经不起真机上的检验。这就是飞捷科思正在做的事，给模型提供可信的训练地基。

一切源于张立华团队的踩坑经历。他的复旦实验室团队，早年也用过其他商用具身仿真平台做仿真训练，“仿真的时候机器人表现得非常完美，但我们把实机都造出来后，再一验证就发现不行”。后来团队排查发现，其底层的物理引擎动量并不守恒，仿真训练了很久，但因为模拟的物理规律并不符合现实世界的物理规律，导致训练好的算法不能在真机上复现。

经历了这个教训，团队没有急于继续扩大模型训练，而是转向自研底层物理引擎和仿真训练平台，目的就是要提升物理引擎和仿真训练平台的精度和能力。更进一步，他们做出了全新一代物理世界模型Fysiverse，其架构是创新的“显式物理模拟器+生成式渲染器”双驱动，让生成模型继续发挥视觉表达优势，用物理引擎补因果建模的短板。

张立华认为，现在绝大部分模型还是以端到端为主，很少体现推理能力，但一个真正通用、有泛化性的模型，未来一定要具备推理能力。“遇到物体位置突然变化这类情况，机器人应该可以像人一样及时做出判断并调整策略，而不是只靠预训练学到的反应去执行。”而这种推理能力的训练，同样需要物理真实的仿真环境来支撑。

第一人称视角数据缺失，补法却不一样

模型要学好，除了要有对的架构和环境，还需要足够多的数据。具身智能下一步，需要大量第一人称视角的操作数据，也就是以人的视角拍到的、真实操作物体时的视频。

视频生成厂商正在把自己的生成能力延伸向用于模型训练的数据供给。这背后是世界模型对高质量数据的渴求。梅涛提到，目前容易获取的数据基本已经被拿得差不多了，但真正高质量、有私域价值的数据反而越来越难拿到。

梅涛谈到智象未来与一家机器人公司的合作：对方提供人类带着夹爪操作的仿真数据，每个关节点精度大概在毫米级；智象未来反过来生成一份不带夹爪的真人第一人称实操视频，和原始数据一一对齐。“用这样的视频可以做增广，一份高精度、带夹爪的视频，能生成出上百到上千份不同背景、肤色、形态的版本，同样保持高精度。”

C端的数据采集，目前还停留在比较原始的阶段。许华哲提到，现在主要是靠58同城、猎聘这类公司，派人带着采集设备上门去拍；下一步可能是把采集设备直接寄到普通人家里，让人边带娃或边做自媒体，边采数据赚点钱。

究竟需要多少量级的数据，行业还在探索。启明创投给出一个参照：头部机器人公司的有效数据，会从2025年的“万小时级”，跃升到2027年的“百万小时级”，其中人类第一视角数据将占绝对主导。

而数据恰恰是行业难以共享的东西。许华哲提到，数据是具身智能里最核心的资产，几乎没人会真正把它开源出来，网上很多号称开源一万小时的数据集，点开可能只有五十小时。

当行业有人喊出“元年”时，学界在解理论“死结”，厂商在用同一个词争不同的定义。模型在往前跑，地基在往下打，中间还缺数据。世界模型在还没被讲清楚前，就已经被相信了。