文 | 洞见新研社，烧作者 | 辰纹

过去一年，掉百都还“世界模型”（World Model）从学术圈的亿美元世黑话迅速膨胀为AI与机器人行业的核心关键词。与此同时，界模作为具身智能主流技术路线的概念VLA（Vision-Language-Action，视觉-语言-动作模型），烧也在这场技术浪潮中被反复推至风口浪尖。掉百都还

在过去18个月内，亿美元世超过100亿美元的界模资金涌入世界模型与机器人AI领域，资本押注的概念正是世界模型“理解物理世界”的颠覆性潜力。

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

然而，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……五花八门的定义与路径各自圈地，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。

“下一个Token”与“下一个物理状态”的本质区别

要理解世界模型，必须厘清其与大型语言模型（LLM）的本质差异。

LLM的核心机制是“预测下一个Token”。它基于概率预测下一个词的出现，知道“玻璃杯掉到地上会碎”，是因为训练数据中此类句子出现频率极高，而非因为它真正理解了弹性模量、应力传导或冲击能量等物理原理。

世界模型的出发点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——即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范式的又一次重要跃迁。

概念泛化下的四大技术路线

尽管愿景宏大，但“世界模型”并非边界清晰的技术概念。李飞飞与World Labs团队直言，这是当今AI领域最被过度使用的术语之一。

针对概念泛化现状，王仲远将现有技术路线划分为四大类：

1. 以语言为中心的世界模型：包括VLM（视觉语言模型）、VLA等，侧重语义理解。
2. 以像素为中心的世界模型：如视频生成模型，在视觉空间中学习视频或图像生成。
3. 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，侧重几何结构。
4. 以视觉表征为中心的世界模型：如JEPA系列模型，侧重特征提取与表征学习。

此外，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。该路径将文字、图像、视频等模态压缩至同一语义空间进行原生训练，并计划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。

李飞飞的三维功能框架

如果说王仲远的分类基于技术实现，那么李飞飞与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经典结构，将当前复杂的生成模型、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）：输出贴合客观规律的环境状态。李飞飞特别指出，这是连接渲染与规划的桥梁，虽受关注最少，却最为关键。
• 规划器（Planner）：输出智能体的动作指令。

李飞飞判断，当这三者的边界消失时，它们将共同重塑机器智能与其所处物理世界之间的关系，最终形成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。

落地需翻越两座“大山”

如果说LLM的瓶颈是算力，那么世界模型的瓶颈首先是数据，这也是其落地面临的第一座“大山”。

在2024年2月的思科AI峰会上，李飞飞指出，物理世界AI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。

• 数据量级对比：当前LLM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模型能力薄弱。
• 采集成本高昂：王仲远坦言，物理世界数据采集价格昂贵，且极端工况样本匮乏，技术路线尚未收敛，评测体系也不完善。

生成真实画面 $\neq$ 理解物理规律

世界模型面临的第二大挑战是：生成看起来真实的画面，并不等于理解物理规律。

视频生成模型可以合成“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显著短板，对物理场景的推演结果尚难达到实用标准。

VLA与世界模型：对立还是共生？

面对诸多问题，行业开始重新审视VLA与世界模型的关系。

VLA（Vision-Language-Action）曾被视为具身智能的“标准答案”，通过端到端大模型将视觉、语言、动作统一，输入图像和指令直接输出动作序列。谷歌DeepMind的RT-2论文曾让分析师将具身智能商业化时间表提前三年。

然而，运行两年后，VLA的短板暴露无遗：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”。

重新定义VLA：世界模型是VLA的核心组件

针对这一困境，智平方创始人兼CEO郭彦东在2026年智源大会上提出了新观点：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：它是多种模态融合、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没有本质区别，更不是替代关系。

• 分工协作：世界模型负责理解世界，VLA负责作用于世界。
• 类比大脑：两者关系类似于“大脑皮层”与“小脑”。大脑皮层负责理解与规划（世界模型），小脑负责预测与纠偏（VLA的执行部分）。

智源研究院理事长黄铁军持类似观点：VLA是世界模型落地的现实选择，而世界模型旨在打造通用大脑，成为VLA的“潜意识”和“直觉模块”。

落地现状：工业场景VLA领先，家庭场景世界模型潜力更大

在实际落地中，这一融合思路已初见端倪。小鹏汽车在CVPR 2026上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更成熟：适用于任务明确、动作种类有限的工业场景，企业可采集大量数据将模型训练至接近100%的成功率。
* 世界模型潜力大：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距离。

总体而言，两条路线在特定场景下均实现了小规模商业落地，但能完成的动作和任务仍较为有限。

动作闭环：下阶段竞争焦点

分析表明，行业下一阶段的竞争焦点将从“能预测”转向“能行动”。

星源智在2026年智源大会上发布的全球首个具身交互世界模型“ω-EVA”，首次实现了世界模型落地机器人行动决策闭环。该模型设置了“预演、验证、行动”的决策流程：机器人执行指令前，先预判动作带来的环境变化，再根据推演结果优化方案。

这一发布揭示了一个重要趋势：世界模型不能只做离线的“思考者”，而要做实时的“决策者”。它需要从一次性的预测和动作生成，走向持续感知、想象、修正，并从真实交互中更新自身。

从全球技术路线看，动作驱动路线正在成为主流。该路线跳过不必要的像素生成步骤，将计算资源集中在“理解物理交互”和“生成最优动作”上，更接近生物智能本质——人类在行动时，无需在脑中渲染高清3D电影，而是基于对物理世界的直觉理解直接产生反应。

落地时间表与商业化前景

世界模型距离真正进入生产落地环节还有多久？

王仲远给出了谨慎乐观的判断：“至少未来三到五年，都会是世界模型持续演进迭代的阶段。”科研探索充满不确定性，可能长期卡在难点，也可能突然迎来爆发。这一判断得到了多方呼应，智源研究院预判未来三到五年是持续演进期。

阶段性发展预测

• 短期：世界模型更可能作为数据引擎、训练工具、环境构造工具在生产环节发挥作用，而非大规模部署到真机进行实时推理。
• 中期：竞争重点将转向状态保持、物理一致性和跨镜头连续能力。
• 长期：有望进一步接入机器人、游戏、数字孪生和Agent任务闭环。

商业化信号

行业正从“多模态生成”走向“可交互工作流”：
* 英伟达发布开源全模态物理AI模型Cosmos 3，打通了视觉推理、世界生成、动作预测三大核心能力。
* 阿里巴巴发布千问具身智能大模型Qwen-Robot系列，包含VLA操作模型、VLN移动模型和世界模型三大模块。

这些迹象表明，行业正从技术探索走向产品化验证。

结语

回顾过去，大语言模型让机器能够谈论世界；世界模型的出现，让机器能够理解、想象、推理并与世界互动。

目前，这场从数字世界走向物理世界的跃迁才刚刚开始。未来的三到五年，将是决定谁能率先抵达彼岸的关键窗口。