一、困局已至大模型的物理盲区能写诗却不懂重力大语言模型读遍了人类书籍能侃侃而谈、写文章、答问题但它对世界的了解是“二手”的——从文字里学来的。它知道“杯子掉在地上会碎”这个句子却不理解重力、冲量和脆性之间的因果关系。这种“知其然不知其所以然”的特性在产业界正遭遇越来越明显的天花板。泛化能力是最大的短板智源研究院院长王仲远直言“当前具身智能的泛化能力依然严重不足。一旦将一个任务迁移到另外一个任务它的失败概率依然很高。”机器人能在一张特定桌子上成功抓取咖啡杯换到另一张桌子可能就束手无策。硬件在进步但“大脑”对物理世界的理解远远跟不上。世界模型正是为填补这一空白而生。二、本质跃迁从“预测下一个词”到“预测下一个物理状态”范式层面的根本差异大语言模型的核心是预测“下一个词该是什么”世界模型的核心则是预测“下一个物理状态会是什么”。前者处理符号后者处理因果。面向物理世界的世界模型以真实场景的时空规律、物理常识与因果逻辑为建模核心能够感知、推演环境变化支撑AI完成与实体世界的主动交互。视频生成≠世界模型一个普遍的误解是将Sora等视频生成模型等同于世界模型。王仲远用“天上飞的猪”一针见血地戳破了这层泡沫——视频生成模型的目标是生成逼真的像素从来就不是还原真实物理规律。世界模型要做的是让AI在脑子里建立一个对世界如何运转的内部模拟器。这是“画”出世界与“理解”世界的本质区别。三、能力跃升从“被动执行”到“主动预演”“预演、验证、行动”的决策闭环2026年智源大会上星源智发布了全球首个具身交互世界模型ω-EVA。它首创“预演、验证、行动”的决策闭环机器人在执行指令前先在脑中预判动作带来的环境变化再根据推演结果优化方案。权威测试显示ω-EVA在LIBERO测试中平均成功率达98.6%。世界模型与具身智能的关系本质上是“大脑”与“身体”的关系。从“看见”到“预见”的感知革命有了世界模型机器人不仅能识别“杯子在桌子边缘”更能预判“杯子掉下去会摔碎”。给垃圾桶套塑料袋这类柔性物体操作——曾经制约机器人的“卡点”——如今正被一一化解。世界模型让AI从单纯的“视频生成”走向真实的“行动决策闭环”。这种从被动响应到主动推演的能力跃升正是破局的关键所在。四、产业竞速从学术概念到资本风口资本与巨头集体押注今年以来世界模型迅速从学术概念演变为产业风口。海外“AI教母”李飞飞创立的World Labs年初拿下10亿美元融资图灵奖得主杨立昆离开Meta创办AMI Labs种子轮获得超10亿美元融资。国内极佳视界三个月内完成三轮融资累计35亿元。吉利、小鹏、小米、地平线等头部车企争相贴上“世界模型”标签。英伟达发布Cosmos 3Waymo基于Google DeepMind的Genie 3架构发布了Waymo世界模型。技术与路线的激烈碰撞VLA视觉-语言-动作模型与世界模型两条路线正在激烈交锋。华为主张以世界行为模型替代VLA理想、小鹏则在VLA框架内引入预测式隐空间模型推动融合。行业正形成共识VLA负责感知与决策世界模型负责推演未来5到10秒场景的演变。这场路线之争的本质是对“AI究竟该如何理解物理世界”这一根本问题的不同回答。五、前路漫漫早期阶段但方向已定距离真正的基座模型仍有差距尽管热度空前王仲远坦言“所有世界模型领域夺冠的模型都还不是未来真正的世界模型。”当前世界模型发展仍面临真实物理数据匮乏、技术路线尚未收敛、评测体系不完善等多重瓶颈。智源将现有技术路线划分为以语言、以像素、以三维结构、以视觉表征为中心的四类但每类距离真正面向物理世界的基座模型都仍有很大距离。方向已定未来可期智源研究院判断当前世界模型的产业阶段大致相当于2012年深度学习刚兴起的时期。人工智能的发展路径非常清晰——大语言模型、多模态、世界模型最终通往物理AGI。未来三到五年将是世界模型持续迭代期。虽然距离规模化应用仍有距离但方向已经明确让AI从“理解语言”走向“读懂物理世界”。世界模型被视为破局关键因为它回答了一个根本问题——AI的下一个十年不在屏幕里而在真实世界中。
