2026年6月12—13日，北京中關(guān)村國(guó)際創(chuàng)新中心，第八屆智源大會(huì)如約而至。

這場(chǎng)大會(huì)的主題覆蓋了二十余個(gè)AI行業(yè)熱度最高的議題，嘉賓陣容更是涵蓋靈獎(jiǎng)得主、頂級(jí)科學(xué)家、頭部AI企業(yè)創(chuàng)始人等眾多行業(yè)大咖，線下參會(huì)人數(shù)突破萬(wàn)人。

回顧以往的智源大會(huì)，會(huì)發(fā)現(xiàn)一個(gè)有趣的“預(yù)告”：在大語(yǔ)言模型最火熱的時(shí)刻，智源就已經(jīng)將世界模型標(biāo)記在了AI演進(jìn)的路徑上：大語(yǔ)言模型——多模態(tài)——世界模型——物理AGI，這也使得智源研究院成為國(guó)內(nèi)最早提出并開(kāi)展世界模型研究的科研機(jī)構(gòu)。

2023年智源大會(huì)上，楊立昆（Yann LeCun）闡述了新一代世界模型的概念；2024年，智源研究院提出的人工智能大模型技術(shù)路線預(yù)判，明確指出世界模型是下一代大模型技術(shù)；其2024年發(fā)布的悟界·Emu3和2025年發(fā)布的悟界·Emu3.5，更是全球首個(gè)原生多模態(tài)世界模型。

基于這些技術(shù)沉淀，今年的智源大會(huì)上集中釋放了一批優(yōu)異的科研成果——有媒體稱之為“悟界五連發(fā)”：原生多模態(tài)大模型悟界·Emu3.5；多模態(tài)神經(jīng)科學(xué)大模型悟界·Brainμ1.0；AI驅(qū)動(dòng)藥物發(fā)現(xiàn)模型悟界·OpenComplex2.5；通用世界基座模型悟界·Physis-v0.1與以物理狀態(tài)預(yù)測(cè)為核心的具身大腦悟界·RoboBrain Orca。

而在當(dāng)下世界模型敘事的浪潮中，悟界·Physis-v0.1與悟界·RoboBrain Orca成為了這次智源大會(huì)的絕對(duì)主角。

悟界·Physis-v0.1作為全球首個(gè)通用世界基座模型，以”預(yù)測(cè)下一物理狀態(tài)”為核心。它不再依賴傳統(tǒng)像素、幀級(jí)預(yù)測(cè)方案，而是通過(guò)物理隱空間表征學(xué)習(xí)真實(shí)世界運(yùn)行規(guī)律，將視頻、深度RGB、3D點(diǎn)云、力觸反饋等多模態(tài)信息統(tǒng)一編碼為物理狀態(tài)Token，讓模型得以完成跨場(chǎng)景的通用物理規(guī)律強(qiáng)化學(xué)習(xí)，支持復(fù)雜物理場(chǎng)景的長(zhǎng)程推理。

而悟界·RoboBrain Orca作為下一個(gè)物理狀態(tài)預(yù)測(cè)為核心的具身大腦，構(gòu)建了"統(tǒng)一表征—建?！A(yù)測(cè)—交互"完整閉環(huán)，具備統(tǒng)一表征、因果推演、模態(tài)解碼三大核心能力，可同時(shí)生成語(yǔ)言思考、視覺(jué)預(yù)測(cè)與動(dòng)作決策，支撐具身智能機(jī)器人在物流場(chǎng)景、酒店服務(wù)場(chǎng)景等真實(shí)環(huán)境中的長(zhǎng)期自主作業(yè)。

“智源目前認(rèn)為現(xiàn)有的世界模型技術(shù)可分為四類。最廣為人知的應(yīng)該就是視頻生成模型?！蓖踔龠h(yuǎn)表示，“而目前來(lái)看，大家都在叫的世界模型都不是真正意義上的世界模型。這是一種對(duì)世界模型的誤讀，視頻生成不等于世界模型，這是智源非常清晰的態(tài)度?！?/p>

事實(shí)上，當(dāng)Sora、VLA、World Action Model都被冠以“世界模型”的名號(hào)，行業(yè)確實(shí)陷入了一場(chǎng)概念混戰(zhàn)。在這個(gè)定義尚未收斂的全新戰(zhàn)場(chǎng)上，智源選擇先亮出自己的坐標(biāo)。在王仲遠(yuǎn)看來(lái)，這是一次“正本清源”。

以下為與王仲遠(yuǎn)的對(duì)話全文，略有刪減：

創(chuàng)投家：為什么智源定義世界模型是通往物理AGI的必經(jīng)之路？

王仲遠(yuǎn)：世界模型是面向真實(shí)物理世界的下一代基座模型，它讓機(jī)器人真正"理解"物理世界，而不是只背誦訓(xùn)練軌跡。從"預(yù)測(cè)下一個(gè)Token"到"預(yù)測(cè)下一個(gè)物理狀態(tài)"的變革，我們認(rèn)為也是人工智能的一次重大范式變革，將會(huì)產(chǎn)生面向物理世界、物理AI的基座模型誕生的機(jī)會(huì)。

世界模型不僅能感知、理解、推理真實(shí)物理世界的時(shí)間、空間、物理規(guī)律和物理常識(shí)，同時(shí)能涵蓋文本、視頻、深度、力覺(jué)、感知等全模態(tài)數(shù)據(jù)，還具備主動(dòng)交互能力，能夠支撐各種物理世界的下游應(yīng)用。

通用世界基座模型，不僅需要能夠?qū)崿F(xiàn)物理的正確，還要能夠有動(dòng)作因果的可溯和長(zhǎng)時(shí)間序列的一致性以及通用泛化能力。我們開(kāi)發(fā)世界基座模型最核心的原因，就是認(rèn)為世界模型是具身智能可行的技術(shù)解決方案?，F(xiàn)在這個(gè)產(chǎn)業(yè)需要一次核心技術(shù)突破，而世界模型就是那座橋。

創(chuàng)投家：據(jù)您的觀察，當(dāng)下世界模型有哪些技術(shù)路線上的分歧？

王仲遠(yuǎn)：今年可以明顯感覺(jué)到世界模型的熱度非常高，很多不同的技術(shù)路線、不同的場(chǎng)景模型都冠以世界模型。簡(jiǎn)單來(lái)看，智源將現(xiàn)有的世界模型梳理為四種主流技術(shù)定義方式：以語(yǔ)言為中心、以像素為中心、以三維結(jié)構(gòu)為中心，以及以視覺(jué)表征為中心。

第一類是以以語(yǔ)言為中心的世界模型，包含大語(yǔ)言模型、VLM、VLA都是歸類為以語(yǔ)言為中心。世界模型的核心就是能夠讓人工智能進(jìn)入物理世界，感知、理解、推理，跟物理世界交互，語(yǔ)言也有總結(jié)很多世界的知識(shí)，只是以文字的方式表達(dá)，VLM、VLA是把其它模態(tài)、其它能力映射到語(yǔ)言空間，所以以語(yǔ)言為中心也是屬于一類世界模型。

第二類是以像素為中心的世界模型，這也是當(dāng)前被誤用最廣泛的方向。OpenAI將Sora定義為"World Simulator"，本質(zhì)上是在預(yù)測(cè)下一個(gè)2D像素場(chǎng)景，這類模型在視頻生成上有廣泛應(yīng)用。但由于訓(xùn)練數(shù)據(jù)大量來(lái)自影視作品和科幻片，模型會(huì)生成不符合真實(shí)物理規(guī)律的內(nèi)容——比如物體憑空消失、違背重力邏輯、流體動(dòng)力學(xué)錯(cuò)誤等。Yann LeCun也曾多次公開(kāi)批評(píng)，生成像素并不等同于理解物理因果。

第三類是以三維結(jié)構(gòu)為中心的世界模型。李飛飛教授2024年創(chuàng)辦World Labs，提出"空間智能"理念，其發(fā)布的Marble可以從單張圖片生成可交互的持久化3D環(huán)境，本質(zhì)上瞄準(zhǔn)的是數(shù)字世界的構(gòu)建，將來(lái)可能應(yīng)用于元宇宙、游戲場(chǎng)景和數(shù)字孿生。但模型重建3D空間不等于理解世界，幾何結(jié)構(gòu)也不代表物理狀態(tài)。

第四類是以視覺(jué)表征為中心的世界模型。比如楊立昆的JEPA系列模型，預(yù)測(cè)的是視覺(jué)表征的壓縮，但視覺(jué)嵌入演化不等于物理規(guī)律演化。

創(chuàng)投家：智源的世界模型走的是哪一條路線？

王仲遠(yuǎn)：事實(shí)上，我們認(rèn)為將來(lái)也許會(huì)有第五個(gè)分類，或者智源嘗試的很有可能是第五個(gè)分類：就是以語(yǔ)言為中心的分類和以視覺(jué)表征為中心的分類的融合，也叫做潛空間表征。

我們依然延續(xù)悟界·Emu3.5模型的訓(xùn)練思想，就是將各種文字圖像視頻模態(tài)全部壓縮，原生統(tǒng)一訓(xùn)練，壓縮在同一個(gè)語(yǔ)義空間，通過(guò)統(tǒng)一潛空間表征各種真實(shí)物理世界的狀態(tài)，Decode成為Action、畫(huà)面或者其它真實(shí)物理世界需要的狀態(tài)。

我們認(rèn)為將來(lái)統(tǒng)一的潛空間建模不僅僅是視覺(jué)空間，而是全模態(tài)潛空間。這很有可能是世界模型的下一個(gè)可能性路徑，但因?yàn)檫@條路徑還沒(méi)有完全走通，所以現(xiàn)在并不打算定義這個(gè)分類，期待明年和后年，智源再次分享最新成果的時(shí)候能夠走通。

創(chuàng)投家：全行業(yè)世界模型的卡點(diǎn)到底在哪里？

王仲遠(yuǎn)：第一個(gè)卡點(diǎn)是物理理解。

現(xiàn)在主流的視頻生成模型能做出一分鐘、兩分鐘的畫(huà)面，畫(huà)面看起來(lái)沒(méi)問(wèn)題，但物理規(guī)律是錯(cuò)的。一瓶蓋著蓋子的水和一瓶沒(méi)蓋的水掉在地上，人類大腦會(huì)立刻預(yù)判后果——沒(méi)蓋的水會(huì)灑出來(lái)，蓋著的可能彈起來(lái)。這種物理后果的預(yù)判，現(xiàn)在的模型完全沒(méi)有。我們不是在教模型生成視頻，我們是在教它理解物理規(guī)律，然后基于這個(gè)理解去預(yù)測(cè)下一個(gè)狀態(tài)。

第二個(gè)卡點(diǎn)是時(shí)間一致性。很多模型從五秒到十秒到一分鐘，看起來(lái)時(shí)間跨度在增加，但本質(zhì)上還是在解決"下一幀像不像"的問(wèn)題。你給一個(gè)瓶子加水，旁邊放一個(gè)時(shí)鐘，鏡頭移開(kāi)再移回來(lái)，時(shí)鐘走了十秒還是二十秒？模型不知道。長(zhǎng)時(shí)間序列的一致性，不是畫(huà)面連貫就夠了，是瓶子里到底有多少水、時(shí)鐘走了多少秒、物體的位置關(guān)系有沒(méi)有改變——這些狀態(tài)變量必須在時(shí)間軸上保持一致。

第三個(gè)卡點(diǎn)，也是最大的卡點(diǎn)——世界模型最終要服務(wù)于行動(dòng)。人類看到瓶子要掉下去，會(huì)自動(dòng)伸手去扶。這個(gè)Action不是從視頻里學(xué)來(lái)的，是從物理交互里學(xué)來(lái)的。我們需要把多模態(tài)感知、物理規(guī)律理解和動(dòng)作執(zhí)行三者打通，而不是讓它們各自為政。具身智能在大量采集真實(shí)物理世界的數(shù)據(jù)，這些數(shù)據(jù)是有意義的，但怎么讓模型從"看懂"變成"會(huì)做"又是另一個(gè)層面的問(wèn)題。

這很像當(dāng)年大語(yǔ)言模型依賴互聯(lián)網(wǎng)數(shù)據(jù)爆發(fā)，世界模型也需要一個(gè)足夠規(guī)模的、真實(shí)物理交互的數(shù)據(jù)底座，才能迎來(lái)真正的拐點(diǎn)。

創(chuàng)投家：訓(xùn)練世界模型，最需要什么樣的數(shù)據(jù)？

王仲遠(yuǎn)：視頻數(shù)據(jù)是第一性原理。

去年我接受媒體訪談時(shí)舉過(guò)一個(gè)例子：一個(gè)兩歲小女孩，父母從來(lái)沒(méi)有手把手教過(guò)她怎么拆糖果、怎么串藍(lán)莓。但她每天刷短視頻，看著屏幕里的小姐姐吃，看著看著，自己就會(huì)了。她通過(guò)視頻觀察真實(shí)物理世界的交互，然后在自己的世界里嘗試、犯錯(cuò)、修正，最終掌握了這些能力。

視頻是她唯一的信息輸入，但輸入的是物理世界的因果鏈條。她看到"手伸向藍(lán)莓→串起來(lái)→送進(jìn)嘴里"，這個(gè)畫(huà)面里包含了動(dòng)作、物體、空間關(guān)系、時(shí)間順序，這些不是文字描述，而是物理過(guò)程本身。這說(shuō)明一個(gè)核心道理：視頻數(shù)據(jù)天然攜帶了物理世界的結(jié)構(gòu)化信息，只是我們現(xiàn)在還沒(méi)有充分挖掘它的潛力。

創(chuàng)投家：所以核心還是海量的視頻數(shù)據(jù)？

王仲遠(yuǎn)：視頻是底座，但不夠。那個(gè)兩歲女孩，她看視頻之后還要真實(shí)物理交互——自己拿藍(lán)莓、自己串、掉了再撿。這個(gè)環(huán)節(jié)是視頻給不了的。

所以第二層數(shù)據(jù)是真實(shí)物理世界的異構(gòu)感知數(shù)據(jù)：機(jī)器人的關(guān)節(jié)角度、觸覺(jué)反饋、力矩變化、傳感器讀數(shù)……這些"身體感受"是視頻里沒(méi)有的。悟界·Physis在訓(xùn)練時(shí)就是雙層結(jié)構(gòu)：底層用海量視頻數(shù)據(jù)建立物理世界的概念模型，上層用真實(shí)物理交互數(shù)據(jù)來(lái)精調(diào)動(dòng)作和決策。兩者缺一不可。

創(chuàng)投家：您認(rèn)為世界模型與VLA模型的本質(zhì)區(qū)別是什么？

王仲遠(yuǎn)：現(xiàn)在的VLA和具身模型，最大的痛點(diǎn)是不具備泛化性，也不具備自我推理和決策能力。

你把它放在訓(xùn)練過(guò)的場(chǎng)景里，它能做；換一個(gè)場(chǎng)景，它就蒙了。因?yàn)樗?世界理解"不是從足夠豐富的物理經(jīng)驗(yàn)里學(xué)來(lái)的，而是從有限的、標(biāo)注過(guò)的軌跡里硬背下來(lái)的。

像那個(gè)兩歲女孩，如果她只看過(guò)三段串藍(lán)莓的視頻，她一定學(xué)不會(huì)；但如果她看了三百段，再加上自己試了幾十次，她大腦里的"世界模型"就泛化出來(lái)了。

所以我們的判斷是：真實(shí)物理世界的數(shù)據(jù)需要持續(xù)累積，最終和視頻數(shù)據(jù)一起，喂給世界基座模型，才能迸發(fā)出真正的泛化能力。

好消息是，現(xiàn)在具身智能和AI硬件正在大量采集真實(shí)數(shù)據(jù)，這些數(shù)據(jù)的匯總和積累，正在逐步觸及物理世界基座模型的爆發(fā)點(diǎn)。很像當(dāng)年大語(yǔ)言模型需要依賴互聯(lián)網(wǎng)數(shù)據(jù)，數(shù)據(jù)量到了，拐點(diǎn)就來(lái)了。

創(chuàng)投家：那VLA和世界模型的終局關(guān)系是？

王仲遠(yuǎn)：VLA是當(dāng)下、世界模型是未來(lái)。VLA也不會(huì)被完全取代，但會(huì)分層。在特定場(chǎng)景的落地上，VLA依然非常有效，比如工廠里分揀包裹，這種特定任務(wù)、特定場(chǎng)景，搜集特定數(shù)據(jù)就能完成，VLA是完全夠用的。

但VLA有幾個(gè)結(jié)構(gòu)性局限：

第一個(gè)是模型太大，部署端響應(yīng)速度不夠。真實(shí)物理世界執(zhí)行動(dòng)作是有頻率要求的，機(jī)器人要實(shí)時(shí)反應(yīng)，VLA的Latency太高了，滿足不了。

第二個(gè)是剛剛提到的泛化性。它是在一個(gè)固定場(chǎng)景里用固定數(shù)據(jù)訓(xùn)出來(lái)的，場(chǎng)景一變就需要重新采集數(shù)據(jù)重新訓(xùn)練。

第三個(gè)，也是最關(guān)鍵的，VLA解決不了長(zhǎng)程規(guī)劃和復(fù)雜空間物理規(guī)律的推理。

創(chuàng)投家：所以VLA是階段性的過(guò)渡方案？

王仲遠(yuǎn)： 你可以把它理解成沿途下蛋。VLA促進(jìn)了機(jī)器人在特定場(chǎng)景落地，這本身有價(jià)值。但它不是終局。十年后，7B、10B甚至3B的小模型會(huì)越來(lái)越順暢，部署問(wèn)題會(huì)緩解，但底層問(wèn)題還在。換一個(gè)場(chǎng)景，它依然不懂物理，不會(huì)推理。

世界模型是解決泛化性和物理推理的終局。短期VLA繼續(xù)落地，長(zhǎng)期世界模型接管。兩條路不是對(duì)立的，是接力的關(guān)系。

創(chuàng)投家：世界模型到底能在哪些場(chǎng)景落地？

王仲遠(yuǎn)：場(chǎng)景分為兩條主線：具身智能和物理仿真引擎。

具身是最確定的場(chǎng)景。整個(gè)具身產(chǎn)業(yè)正卡在一些核心技術(shù)瓶頸上：機(jī)器人的泛化能力。而世界模型就是來(lái)解決這個(gè)問(wèn)題的。雖然現(xiàn)階段它還做不到通用，但會(huì)沿途下蛋，在解決具體場(chǎng)景問(wèn)題的過(guò)程中不斷積累。

理想態(tài)的世界基座模型既可以用于具身，也可以用于物理仿真、科學(xué)實(shí)驗(yàn)，包括其它物理世界的真實(shí)場(chǎng)景，應(yīng)用應(yīng)該非常廣泛。

創(chuàng)投家：世界模型在數(shù)據(jù)采集層面的價(jià)值，是不是主要就是生成合成數(shù)據(jù)？

王仲遠(yuǎn)：生成數(shù)據(jù)是其中之一，但遠(yuǎn)不是主要價(jià)值。我們當(dāng)然不否認(rèn)視頻生成模型在無(wú)人駕駛、自動(dòng)駕駛和具身場(chǎng)景都有獨(dú)特價(jià)值——悟界·Physis和悟界·RoboBrain Orca也確實(shí)展示了真實(shí)的畫(huà)面生成能力。但如果把世界模型只當(dāng)成"數(shù)據(jù)生成器"，那就把它用小了。

創(chuàng)投家：那在數(shù)據(jù)層面，它更大的價(jià)值是什么？

王仲遠(yuǎn)：是決策前置。世界模型真正強(qiáng)調(diào)的是：基于當(dāng)前Context和狀態(tài)，預(yù)測(cè)未來(lái)可能發(fā)生的各種情況，然后做出最優(yōu)決策。這跟《奇異博士》有點(diǎn)像——他不是只能看到一種未來(lái)，他能看到幾千種未來(lái)，然后選擇那一種最好的結(jié)果。

創(chuàng)投家：這和數(shù)據(jù)采集有什么關(guān)系？

王仲遠(yuǎn)：關(guān)系在于，它能指導(dǎo)你采什么數(shù)據(jù)。傳統(tǒng)數(shù)據(jù)采集是"掃街"式的——開(kāi)著車滿世界跑，遇到什么采什么。有了世界模型，你可以先問(wèn)它：如果我要解決這個(gè)場(chǎng)景的泛化問(wèn)題，哪些物理狀態(tài)變量最關(guān)鍵？哪些邊緣情況最可能發(fā)生？然后我有針對(duì)性地去采集，而不是盲目堆數(shù)據(jù)。這樣數(shù)據(jù)效率是數(shù)量級(jí)的提升。

世界模型不是造數(shù)據(jù)的工具，而是規(guī)劃數(shù)據(jù)需求的大腦?；趯?duì)未來(lái)狀態(tài)的預(yù)測(cè)，它能告訴你"缺哪塊數(shù)據(jù)"，而不是"幫你生成一堆似是而非的數(shù)據(jù)"。悟界·Physis和悟界·RoboBrain Orca確實(shí)能生成畫(huà)面，但那只是驗(yàn)證手段，不是核心應(yīng)用。

創(chuàng)投家：訓(xùn)練世界模型對(duì)算力的要求是不是更高？

王仲遠(yuǎn)： 要看你走哪條路。世界模型目前技術(shù)路線沒(méi)有完全收斂，不同路線對(duì)算力的需求天差地別。

如果你把語(yǔ)言體系包進(jìn)去，走生成路線，那算力需求就是海量的，和GPT-4、Sora一個(gè)量級(jí)。這些路線本身也是世界模型技術(shù)路徑的一種探索，但它們天然就是算力黑洞。

創(chuàng)投家：智源走的是什么路線？對(duì)算力要求高嗎？

王仲遠(yuǎn)： 悟界·Physis的設(shè)計(jì)思路是不包含語(yǔ)言，專注在視覺(jué)和物理狀態(tài)的Latent學(xué)習(xí)。Latent學(xué)習(xí)方法的本質(zhì)是極致壓縮——不是把整個(gè)世界打成像素重建，而是在隱空間里學(xué)習(xí)物理狀態(tài)的抽象表示。這省下來(lái)的算力是數(shù)量級(jí)的。所以我們現(xiàn)在推進(jìn) 悟界·Physis，算力需求是相對(duì)可控的，不需要堆萬(wàn)卡集群才能跑。

創(chuàng)投家：您預(yù)期世界模型距離技術(shù)成熟還需要多久？大家都覺(jué)得大語(yǔ)言模型上中美的差距是六到十二個(gè)月，那世界模型呢？

王仲遠(yuǎn)：必須承認(rèn)物理AI特別是世界基座模型的研究，全世界范圍依然處在非常早期，甚至是概念和技術(shù)路徑都遠(yuǎn)沒(méi)有收斂，因此我們的模型才稱之為0.1版本。距離成熟，至少還需要三到五年，甚至更久?？蒲刑剿鬟@件事說(shuō)不準(zhǔn)，可能卡在一個(gè)難點(diǎn)三五年也沒(méi)突破，但也可能突然迎來(lái)技術(shù)爆發(fā)。

而在世界模型這個(gè)賽道上，我覺(jué)得中美沒(méi)有差距。