世界模型，是当前AI圈最火、也最没有共识的领域之一。

(相关资料图)

它的概念没有收敛、技术路线没有收敛、训练方式没有收敛、数据标准没有收敛、评测尺度没有收敛……

7月19日，在WAIC“世界模型六小龙”论坛上，一场信息密度极高的圆桌讨论，凑齐了六家公司的世界模型技术负责人。他们是：

• 大晓机器人首席科学家陶大程（主持人）
• 蚂蚁灵波首席科学家沈宇军
• 极佳视界联合创始人&首席科学家朱政
• 无界动力联合创始人兼CTO夏中谱
• 智元机器人AI算法总监任广辉
• 自变量机器人联合创始人兼CTO王昊

这些嘉宾的观点，代表了行业对世界模型最前沿的思考，值得一听。

什么能力重要？

共识不多讲了，嘉宾们的分歧才是最有趣的部分。

先来看世界模型的技术路线之争。

这六家公司目前押注的技术路线，按照“模型在什么空间里推演世界”的尺子，可大致归类为三派：

• 像素生成派：代表公司是极佳视界
• 隐空间（JEPA）派：代表公司是无界动力
• 融合派：代表公司是大晓机器人（理解生成预测一体化）、蚂蚁灵波（推出了多条路线的世界模型全家桶）、自变量机器人、智元机器人

由于走的技术路线不同，各家公司自然对许多焦点问题有不一样的看法。

比如：世界模型究竟该对物理世界有多大程度的理解？

一边希望它尽可能接近物理模拟器。

无界动力的夏中谱提出，评价世界模型要看它对几何、运动、力等状态的预测精度。

另一边则认为，机器人没必要先成为物理学家。

蚂蚁灵波的沈宇军认为“物理合理性”比“物理精度”更重要。机器人只需要明白同样重量的铁比棉花掉的快，但到底快多少，不需要知道，只需要观察。

他说，机器人不必算清每一条轨迹、复现每一个物理参数，只要知道哪些差异会影响眼前的动作，就够了。

对模型能力评价的标准，嘉宾们也存在分歧。

智元的任广辉认为，推理的长时物理一致性，是评价是世界模型能力必不可少的指标之一。

而自变量的王昊却直言：长程推演是“伪需求”，比起这个能力，他更看重推理的时效性。如果推理慢到错过决策窗口，再完整的理解也没有用。

在观点碰撞背后，各个嘉宾捍卫的是自家模型擅长的能力。

模型对于物理世界的理解，隐空间里可以直接回归物理量，所以敢要求物理精度；像素生成学到的天然是“看起来合理”，所以只承诺物理合理性。

而关于长时一致性，智元的世界模型，有一大用途是当仿真器，长程推演正是仿真器的生命线；自变量把世界模型与VLA整合进同一个端到端框架，预测是动作生成的前置步骤，预测铺得越长，推理就越慢，占掉的决策时间就越多。

什么将率先收敛？

除了技术路线之争，世界模型在下一阶段最可能先收敛的是什么？

大家的判断也不尽相同。

任广辉和夏中谱认为是统一表征。语言模型找到了token，具身智能还没找到自己的“token”，视觉、语言、动作这些模态得对齐进同一个表征。

王昊押的是融合，视频生成贡献未来预测、隐空间贡献推理、3D显式建模当空间记忆，各取所长拼出新架构，这在大语言模型历史上发生过一遍。

沈宇军的押注则落在触觉上。他笃定，下一阶段行业会率先形成共识：触觉将成为机器人不可或缺的模态。触觉数据一旦突破，物理世界和数字世界的世界模型，将分道扬镳。

如今许多机器人的世界模型，从数字世界的视频生成模型迁移而来；蚂蚁灵波则在开发具身原生的世界模型，从控制执行的需求出发、基于自回归架构从头预训练，让模型为“边预测、边行动”、而非为生成好看的画面而设计。

陶大程认为，世界模型最近的收敛不会发生在某一条技术路线上，而是发生在一把横向的评测标尺上。

他举例，就像深度学习的爆发，不是神经网络在论战里说服了特征工程派，而是ImageNet把所有方法拉到同一把尺子下。标尺统一了，收敛自然就会发生。

大晓机器人在论坛期间发布了PHYSICAL IQ，定位为首个具身原生、面向多场景、多本体、多任务的物理智能评测基准平台，公平量化不同机器人本体与世界模型的物理智能水平。

从Demo走向Deployment

虽然各家的技术路线有分歧，但当机器人进入物理世界，最终的评价标准会变得很朴素：它能不能稳定完成任务？

按照夏中谱的定义，叫“决策有效性”；任广辉说的偏技术，“最终为policy提升多少指标”；朱政的定义则是“多任务真机成功率”。这些指标虽然名字不同，但目标殊途同归。

Demo稳定完成任务并不难，因为为了一个Demo可以不计成本，真正难的是在真实世界中规模化部署（Deployment）。

王昊分享了一个规律：模型能力从90%提升到99%，再从99%提升到99.9%，投入的成本并不是线性增长。

实验环境里看似微小的错误率，落到部署现场，可能就是一次次人工接管、一次次返工，最后变成一笔算不过来的账。

对随机和突发情况的应对能力，也是机器人走出实验室后必须要补上的短板。

沈宇军举了商超里的例子。机器人要找一包蔬菜，顾客却可能顺手把它放进了牛奶柜。单独一起事件，可能是偶发情况；但对每天面对不同顾客的机器人来说，这就是日常。

大晓机器人的陶大程强调了端侧能力对于部署的重要性。

很多世界模型跑在云端，但机器人留给自己做判断的时间，可能只有几十毫秒到几百毫秒。网络不能永远在线，云端也不能总在等待。

他说，最难的不是让模型变聪明，而是让聪明变得便宜、可靠、及时。

一句话说：Demo展示的是能力上限，部署则考验能力下限。

最后，还有一个问题值得深思：世界模型今年上半年才真正火起来，如果两年后看，眼下的什么做对了，什么做错了？

沈宇军说，行业有时把“模型的能力”和“模型展现出来的能力”混淆了。模型的能力是泛化效率、可交互性这类内在属性；展现出来的能力是生成效果这类外在呈现。

他认为，两年后看，所有为模型架构能力做的工作，都做对了，但过于追求模型呈现出来的能力，并不好说；所有为数据链路做的准备，都做对了，但当下积累的数据最终是否会被用到、是否会被更新迭代，并不好说。

朱政说，眼下模型之外的太多事情分散了精力。在基模尚未收敛的时候，就去探索非常多的商业化场景，大概率不会成功。

任广辉称，两年后，世界模型会走向更加“具身原生”，需要更大规模的具身原生数据和为具身而生的原生架构。

这场持续一小时左右的圆桌，讨论了世界模型最值得关注的几个话题，呈现出行业现阶段代表性的共识和分歧。

陶大程的总结说得很好：分歧是论文的素材，重叠是产业的基底。对整个行业而言，分歧并不是问题，反而是当下的红利。

关键词： 算法 机器人 神经网络 世界模型