“烧”掉了百亿美元，世界模型的概念都还没有统一

2026-07-17 06:53:23 [休闲] 来源：盘星资讯网

作者 | 洞见新研社辰纹

过去一年，烧“世界模型”（World Model）从学术圈的掉百都还黑话迅速膨胀为AI与机器人行业的核心关键词。与此同时，亿美元世作为具身智能主流技术路线的界模VLA（Vision-Language-Action，视觉-语言-动作模型），概念也在这场技术浪潮中被反复推上风口浪尖。烧

在过去18个月内，掉百都还超过100亿美元资金涌入世界模型与机器人AI领域，亿美元世资本押注的界模正是世界模型“理解物理世界”的颠覆性潜力。

乐观派代表、概念先进机器智能实验室（AMI Labs）创始人杨立昆公开预言：“三到五年内，烧世界模型将取代LLM成为主流AI范式。掉百都还”英伟达机器人业务负责人Jim Fan更是亿美元世抛出“VLA已死”的言论，引发了关于技术路线更替的界模激烈争论。

然而，概念尽管争论不休，业界对于“什么是世界模型”至今未达成共识。渲染器、模拟器、规划器、视频生成、潜空间预测……五花八门的定义和路径各自圈地，仿佛一群人在不同维度上谈论同一件事。这种概念上的混沌，与落地时间表的迫切预期，形成了巨大的反差。

01 “下一个Token”与“下一个物理状态”

要理解世界模型，首先需厘清其与大型语言模型（LLM）的本质区别。

LLM的核心机制是“预测下一个Token”。给定上下文，模型预测下一个词出现的概率。它知道“玻璃杯掉到地上会碎”，是因为该句式在训练数据中高频出现，而非真正理解了弹性模量、应力传导或冲击能量等物理原理。

世界模型的初衷正是填补这一认知空缺。它预测的不是下一个词，而是下一个物理状态——物体在空间中的位置变化，以及一个动作引发的连锁反应。

正如智源研究院院长王仲远所言，人工智能的范式迭代正从“预测下一个Token”迈向“预测下一个物理状态”。世界模型作为面向真实物理世界的下一代基座模型，以“预测下一物理状态”为核心，标志着AI的重要范式跃迁。

然而，“世界模型”目前并非一个边界清晰的技术概念。不同团队的研究差异远超名称所暗示的范围。李飞飞与World Labs团队直言，“世界模型”是当今AI领域最重要、同时也最被过度使用的术语之一。

针对概念泛化与误用现状，王仲远将现有技术路线划分为四大类：

以语言为中心的世界模型：包括VLM、VLA等。
以像素为中心的世界模型：如视频生成类模型，在视觉空间中学习视频或图像。
以三维结构为中心的世界模型：包括3D重建及相关空间模型。
以视觉表征为中心的世界模型：例如JEPA系列模型。

在此基础上，智源研究院正在探索第五种可能：基于统一潜空间的全模态表征融合。通过将文字、图像、视频等模态压缩至同一语义空间进行原生训练，并未来纳入更多物理世界模态，王仲远判断，全模态潜空间建模可能是世界模型真正的突破路径。

如果说王仲远的分类基于技术实现路径，那么李飞飞和World Labs团队则从功能维度提供了更清晰的框架。李飞飞引入强化学习中的经典结构，将当前的生成模型、物理模拟系统与具身智能方法划分为三类：

渲染器（Renderer）：输出供人眼观看的像素画面，核心指标是视觉保真度。
模拟器（Simulator）：输出符合客观规律的环境状态。李飞飞特别指出，模拟器虽受关注最少，却最为关键，是连接渲染与规划的桥梁。
规划器（Planner）：输出智能体的动作指令。

李飞飞判断，目前这三个方向正开始彼此融合。“当它们的边界消失时，它们将共同重塑更宏大的东西：机器智能与其所处物理世界之间的关系。”终点即是一个统一的世界模型，既能渲染照片级真实视图，又能生成物理准确的结构，还能规划行动序列。

02 落地还需翻越两座“大山”

如果说大语言模型的瓶颈是算力，那么世界模型的瓶颈首先是数据，这也是其落地需要翻越的第一座“大山”。

在今年的思科AI峰会上，李飞飞指出，物理世界AI的发展滞后于语言模型，核心瓶颈在于数据信噪比。文本数据语义清晰、易于获取；而物理世界的像素、体素数据充满噪声，且3D、4D维度的高质量数据极度稀缺。

一个直观的对比是：当前数字世界的大语言模型训练数据量已达上百万亿Tokens级别，而物理世界的视觉-语言-动作模型训练数据量往往仅为前者的万分之一。真实数据的匮乏直接导致了模型能力的薄弱。

王仲远也坦言，世界模型当前的瓶颈主要体现在真实物理数据匮乏、技术路线尚未收敛、评测体系不完善等方面。物理世界的数据采集不仅成本高昂，且极端工况样本稀缺。

在数据之外，世界模型面临的第二个挑战是：生成逼真的画面，不等于理解物理规律。

视频生成模型可以合成“一群猪在天上飞”的画面，因为它从科幻电影中学到了这种模式，但它并不理解“猪不会飞”这一物理常识。此外，当前模型在因果推理和复杂动态系统预判两大核心能力上存在较大短板，对物理场景的推演结果尚达不到实用标准。

既然问题重重，世界模型的落地前景究竟如何？要回答此问题，需先厘清世界模型与VLA的关系。

VLA（Vision-Language-Action）是当前具身智能的主流技术路线，旨在将视觉、语言、动作统一于端到端大模型中，输入图像和指令，直接输出动作序列。过去两年，VLA一度被视为具身智能的“标准答案”。谷歌DeepMind的RT-2论文发布后，分析师甚至据此将具身智能的商业化时间表提前了三年。

然而，随着VLA运行两年，其短板逐渐暴露：机器人能识别物体，却不懂“推杯子会掉”；能听懂指令，却无法预判“拧瓶盖需要多大的力”。工程师们评价，VLA学到的物理是一种基于表面关联的“伪物理”。

于是，行业开始争论：VLA与世界模型应如何相处？

智平方创始人兼CEO郭彦东在2026年智源大会上给出了新解：世界模型不是VLA的竞争路线，而是VLA体系中的核心组成部分。

郭彦东重新定义了VLA：多种模态融合、大数据驱动的端到端模型架构的总称。在此定义下，世界模型与VLA无本质区别，更非替代关系。通俗来说，世界模型负责理解世界，VLA负责作用于世界，两者并非对立，而是天然统一的整体。这种分工类似于“大脑皮层”与“小脑”的关系：大脑皮层负责理解与规划，小脑负责预测与纠偏。

智源研究院理事长黄铁军持类似观点：VLA与世界模型不矛盾。企业采用VLA是现实选择，而世界模型的目标是打造通用大脑，一个强大的世界模型应是VLA的“潜意识”和“直觉模块”。

在实际落地中，这一融合思路已现端倪。小鹏汽车在CVPR 2026上首次展示的世界模型技术图谱，采用了“VLA+世界模型”双支柱架构：VLA依托海量真实驾驶数据学习行驶逻辑，世界模型则专注于交通场景的前瞻性判断和多步推演。

具体到机器人领域，VLA目前比世界模型更成熟。原因在于，当前机器人多落地于工业场景，任务明确、动作种类有限，企业可采集大量数据将模型训练至接近100%的成功率。而世界模型的优势在于跨场景、多任务泛化，更适合家庭等开放环境，但家庭场景距离成熟商业化仍有不小距离。

总体而言，这两条路线在短期内或特定场景下已实现一定规模的商业落地，但其执行的动作和任务范围仍较为有限。