智源研究院王仲远：世界模型的关键是真正预测下一个状态

经济观察报 记者 周悦

2025年，“世界模型”（World Model）成为AI领域最受关注的词汇之一。它指的是让AI理解世界运作规律，不再停留在识别或生成层面，而是能想象并预测世界的变化。

随着大模型红利逐渐减弱，各家公司都在寻找新的增长点。DeepMind推出可生成交互式3D世界的Genie 3，OpenAI继续强化 Sora的物理一致性；英伟达、华为、百度等也正从机器人与自动驾驶场景切入，让AI从看懂迈向参与。

10月30日，智源研究院发布悟界·Emu3.5多模态世界大模型。智源研究院院长王仲远在接受经济观察报等媒体采访时表示，随着互联网文本数据被充分利用，大语言模型的增长进入相对缓慢阶段，行业正在寻找新的突破口，而多模态与世界模型正是被寄予厚望的方向。

王仲远认为，Emu3.5很可能开启第三个规模定律范式（Scaling）。在语言预训练和推理优化之后，Emu3.5进一步证明，多模态模型同样具备可规模化成长的潜力。“它的最大贡献，是用自回归架构统一了图像、文本与视频的生成和理解。它能够预测下一个状态（Next-State），这一点非常接近人类大脑对世界进行理解的方式”。

与主流的Diffusion Transformer（DiT）架构不同，智源从“第一性原理”出发，构建原生多模态大模型。在Emu架构下，模型能在同一系统中完成感知、理解、推理与生成，形成一个可持续进化的世界模型。

智源研究院多模态大模型负责人王鑫龙介绍，Emu3.5基于超过10万亿token的多模态数据训练，其中视频数据累计时长达790年，参数规模为340亿。智源团队提出的“离散扩散自适应（DiDA）”推理方法，使图像生成速度提升近20倍，同时保持高质量输出。模型在三个维度上实现突破：一是从意图到规划，能够理解更高层级人类意图，例如，如何制作一艘宇宙飞船，并生成连贯的多步骤行动路径；二是动态世界模拟，能在统一框架内预测物理动态、时空演化与因果关系；三是泛化交互能力，为AI与人类及物理环境之间的协作提供认知基础。

针对外界将世界模型等同于视频生成的看法，王仲远不认同。他认为，世界模型的核心并非视频生成，而是对因果与物理规律的理解。比如机器人要抓起一杯靠近桌边的咖啡，它必须预测哪种动作会让杯子掉下去，哪种才安全——这才是真正的理解。

他认为，人类学习世界时不会区分语言或动作，Emu3.5也不限定用途。它既可支撑具身智能，也能生成多模态训练数据。在他看来，这不仅是一次架构创新，也展示了中国科研团队的原创路线，在世界模型这一尚未收敛的领域中，尝试提出自己的答案。

2024年10月，智源研究院发布了全球首个原生多模态世界模型悟界·Emu3。该模型仅基于“下一个token预测”机制。Emu3.5则在此基础上进一步完善，使AI具备更强的物理直觉与跨场景规划能力。

王仲远认为，未来的AI，不只是理解指令，而要理解世界本身，并在其中行动。

（作者 周悦）

免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。

周悦

TMT编辑，关注科技、大健康交叉领域，擅长行业研究，深度报道。“新闻是历史的初稿”。
欢迎联系：zhouyue@eeo.com.cn。