世界模型与物理AI现状与发展趋势

来源：市场资讯

（来源：老司机驾新车）

1、世界模型定义与产业发展背景

·世界模型核心定义：世界模型定义宽泛，实践路径多元，行业尚未形成统一的实现路径，但下游应用场景清晰，可覆盖机器人、视觉内容生成、自动驾驶等多个领域。其定义演化脉络清晰：最早的相关定义可追溯至1970年代，但内容相对模糊；1990年Sadan教授提出的AI世界模型定义较为清晰，核心观点为智能体在真实世界试错成本过高，应在内部模拟动作的后果，该定义至今仍被行业反复提及。英伟达黄仁勋对该定义做了通俗化解读，指出世界模型的核心是让智能体（如机器人）在行动前于内部推演多种行动后果，再选择最优路径执行，类似人类大脑预演未来场景的决策逻辑，这也是当前行业内认知度最广的定义。2008年强化学习领域相关研究中也提及过世界模型的定义，但更偏向项目层面，当前行业通用的为前述宏观层面的定义。

·行业爆火核心动因：世界模型近期在行业内爆火，核心动因来自大语言模型发展遭遇的叙事瓶颈，具体可分为三方面：a. 大语言模型性能增长斜率放缓，从GPT-2、GPT-3、GPT-4到GPT-5的迭代过程中，性能跃迁幅度持续收窄，行业对大语言模型的惊喜感下降，市场预期逐步回落；b. 大语言模型训练的核心燃料告急，截止2025年人类高质量文本数据已基本被训练完毕，涵盖维基百科、高质量学术论文、权威媒体报道等优质人类创作文本资源已基本用于大模型训练，此前行业“大力出奇迹”、靠堆砌训练数据提升模型性能的路线难以为继；c. 多模态数据储备充足为世界模型提供了训练基础，当前视频等多模态数据存量尚未被大规模开发，预计可使用至2046年，而世界模型的训练数据来源恰好是这些未被开发的多模态资源，因此无论从技术发展叙事逻辑还是科研方向来看，世界模型均被正式提上行业发展议程。

·核心玩家融资情况：当前世界模型赛道玩家众多，国内外均有大量主体布局，融资热度较高，体现一级市场对赛道的高关注度：a. 核心玩家方面，国内代表主体为阿里、吉佳世界，二者在World Arena排名靠前，其中吉佳世界为清华系团队创办，是国内头部玩家；海外代表主体包括英伟达、杨立昆与谢赛宁联合创办的AMLAM、李飞飞院士团队打造的WorldLab。b. 融资数据方面，ML lab当前估值约35亿，WorldLab近期完成10亿融资，吉佳世界仅1个多月即完成25亿人民币融资，总体估值已突破100亿人民币。行业人士谢赛宁明确表示，硅谷群体已被大语言模型洗脑，世界模型才是未来发展方向，大语言模型虽不会消失但终将凋零。

2、世界模型主流技术路径分析

·技术路线分类维度：世界模型的技术路线可从两大维度拆分。第一是按表达内容维度，分为高维空间生成路线与隐空间训练路线：高维空间生成路线注重丰富写实的细节表达，核心目标是先实现世界生成、再完成世界的理解与控制，代表产品如蚂蚁灵视，其WSD系统支持前后左右遥控操作，鸭子跟随移动时的水波纹、动作趋势均由AI实时生成，视觉呈现效果酷炫；隐空间训练路线不追求表面的丰富细节，更侧重探索遮挡物体背后的结构、空间物理结构等核心逻辑。第二是按训练数据维度，可分为2D图片、2.5D视频数据（Sora即采用该类数据训练，通过在二维视频基础上叠加时间维度实现类3D呈现效果）、3D空间数据、4D数据（在3D长宽高纵深空间基础上叠加时间维度，自动驾驶训练多采用经严格标注、结构化处理的4D数据，处理过程中会添加雨雾、冰雹等特殊天气效果与噪点，提升模型的场景适配性）。不同训练路径的成本、效率与应用方向均存在明显差异。

·杨立昆隐空间路线：杨立昆的隐空间训练路线是世界模型的重要技术分支，其核心逻辑是摒弃所有无关细节，聚焦注意力、计划能力、问题处理能力的训练，无需负责触觉、听觉、嗅觉等世界感知内容，仅聚焦核心决策相关的物理形态逻辑。以自动驾驶场景为例，车辆颜色、车漆样式、道路颜色都属于无关细节，路线核心关注刚体、流体等物理形态、碰撞行为等与计划处理相关的内容，训练基本处于隐空间状态。隐空间的概念可通过通俗类比理解：隐空间与现实世界的关系，相当于现实世界与地图、音乐与乐谱的关系，是对现实信息的高度精炼，仅专业人士可直接解读。该路线研发进展较快，杨立昆创业仅3个月就发布3篇论文，近期还推出了可实操的模型，但整体展示效果相对枯燥，需要结合专业论文才能理解其技术逻辑，视觉呈现上不如高维空间路线具备冲击力。

·英伟达技术路线解析：英伟达的世界模型技术路线相对完整，首先需要明确其两大核心产品的定位差异：一是2018年推出的Omniverse平台，该平台可实现高精度物理仿真，支持开展类似风洞试验、建筑物理表达等数字孪生相关测试，但它属于受限的实验室环境，变量可控性高但无法适配开放世界的复杂情境，不属于大模型时代的核心世界模型。二是大模型时代推出的核心世界模型产品Cosmos，主要用于适配开放世界的复杂场景需求。英伟达已经形成了完整的技术闭环：将Omniverse积累的物理仿真数据输入Cosmos进行训练，把Cosmos生成的世界作为数据源完成训练验证后，部署到GR00T多模态机器人平台执行，原有Omniverse的能力并未失效，可作为数据底座支撑Cosmos的训练迭代。闭环反馈是Cosmos区别于传统仿真工具的核心特征，也是世界模型的核心优势：以自动驾驶场景为例，人类大脑的世界模型会预判前车加塞并提前调整操作，若后续预判未发生则会快速调整世界模型的判断，形成动态迭代的闭环；而Omniverse等传统仿真工具属于非闭环，完成单次判断后若出现新场景需要重新模拟，无法基于现实反馈动态迭代模型能力。当前行业对闭环反馈能力认可度较高，国内企业吉佳世界（由皇冠博士创立）因在闭环反馈技术上能力突出，获得了高融资。

3、世界模型应用场景与落地探索

·核心应用场景梳理：从技术理想层面来看，世界模型的长期目标是挖掘物理空间的智能价值。过去大模型主要从语言文字中挖掘智慧训练并输出能力，李飞飞、杨立昆等学者认为物理世界自带丰富的空间规律与智能属性，从物理空间挖掘智能是更理想的发展方向。世界模型研究目标包含两类：一类是AGI（通用人工智能），即达到人类水平的智能；杨立昆等学者提出不应将人工智能能力限制在人类智能水平，应追求SASGR（超通用智能），即超越人类水平的智能，当前AI已在围棋等多个领域超过人类智能，SASGR未来或随世界模型崛起成为行业热点。

内容产业层面应用场景已较为丰富：a. 游戏领域，Google迪曼团队将世界模型思路应用于游戏开发，可生成下一帧实时生成、非预设脚本的实时世界游戏；b. 影视与短视频领域，可支撑相关内容高效生成；c. VR/AR内容领域，李飞飞团队的3D世界研究瞄准各类XR眼镜的沉浸内容生成需求。

自动驾驶与具身智能层面应用价值突出：一方面可作为VLA（视觉-语言-行动）模型的训练数据源，当前自动驾驶训练多依赖前向摄像头采集的数据，存在维度单一问题，世界模型可基于前向视觉内容生成4D环境作为训练源，大幅提升自动驾驶模型训练效率；另一方面可搭建闭环仿真空间，模拟不同阶段的场景变化与反馈，支撑自动驾驶等领域的测试与训练迭代。

·大语言模型融合实践：当前存在通过大语言模型加持工具与数据、逼近世界模型效果的实践路径，与传统世界模型训练思路存在明显差异。相关探索包括用大语言模型调度机械臂完成抓取操作，逻辑与人类“大脑指挥眼睛观察环境、再指挥手部做出动作反馈”的模式一致。

为实现相关能力，团队搭建了9个分属不同领域的智能体，各智能体分别负责对应领域的工具、数据调用，可实现一定的科研辅助效果。目前已落地的应用案例主要有两类：一是物理论文辅助撰写，相关研究成果已形成由清华、北大、浙大、新加坡国立等院校物理、材料领域学者参与的学术论文，团队成员为其中唯一计算机背景负责三维一心模型训练工作；二是大模型幻觉优化，通过类似龙虾的智能体模式让大语言模型掌握Lean（形式证明工具）、Mathematica（科学绘图工具）等专业工具，同时接入物理科学数据集、数字身份等数据资源，实现“左手掌握工具、右手掌握数据”，可大幅降低大模型幻觉问题，支撑物理场景下的各类问题处理。

·融合路径优劣势分析：该大语言模型驱动专用工具的路径与传统硬核世界模型路线存在明显差异，核心优势在于生成内容可编码、可控制，所有生成结果可追溯至具体代码行，便于灵活调整修改。具体实现逻辑为采用LaTeX对齐所有公式、Mathematica做符号计算，再结合nano banana等工具生成符合物理格式、比例规范的科研图片与视频，修改内容时仅需向大语言模型下达调整指令即可完成，例如调整视频光追颜色时，无需重新生成完整内容即可快速完成参数调整。而以Sora等为代表的传统世界模型路线生成的内容难以二次修改，调整时仅能重新生成完整内容。

该路径适用场景清晰，尤其适合严谨的科研模拟、科研实现等需要精确调整的领域。目前该路径已与浙大物理学院、达心理学院开展联合探索，虽与传统硬核世界模型路线定位不同，但已实现部分落地效果，属于差异化的世界模型落地探索方向。

4、世界模型行业格局与技术对比

·核心应用场景答疑：世界模型当前最核心的应用方向为具身智能机器人与自动驾驶两大领域，其中目前来看具身智能机器人的市场空间更大。群核科技（原酷家乐）在家装领域的仿真业务已积累大量数据源，布局逻辑类似英伟达Omniverse，在领域内世界模型的训练上具备先天优势。针对工人佩戴摄像头采集手部数据的模式，该类数据可借鉴脑科学训练逻辑，作为脑电波方向世界模型的训练数据源；当前相关研究已在探索脑电波模型的生成与解释，若能实现该技术，可识别人类情绪状态并做针对性调节，例如识别到悲伤情绪时推送舒缓音乐帮助用户平复，但该类人体数据采集方式是否人道暂不明确。

·中美模型差距分析：蒸馏是大模型行业内的普遍技术手段，当前人类原生数据已基本完成训练，大模型在强化学习阶段的提升高度依赖AI生成数据，因此蒸馏行为难以被完全阻挡。OpenAI新模型采取准入制，仅向微软等部分大型企业开放，未对社会公众公开，该模式一定程度上会对蒸馏行为产生限制。当前蒸馏技术分为两类：a. 数据蒸馏，即将海外顶尖大模型的输出内容作为本土模型强化学习的数据源完成蒸馏；b. 技能蒸馏，属于行业新出现的蒸馏模式，即先用海外顶尖模型完成包含多工具调用、多步骤处理的复杂任务，将任务完成的逻辑流程作为“技能”蒸馏后输入DeepSeek等本土模型，即可实现相近的效果。中美大模型的性能差距正快速收窄，纯模型层面，以阿里千问3.6 Plus与OpenAI上一代最强模型相比，纯模型性能差距约10%；接入Agent智能体后，上层智能体的搭建可有效抵消底层模型的性能差异，差距可进一步缩小至5%。硬件层面，国产算力已实现从“可用”到“好用”的过渡，当前数千张规模的算力集群可替换部分国产算力卡，实际使用无明显差异。

·海外厂商路线对比：OpenAI新模型采取邀请准入制，未向公众开放，是当前唯一采取该模式的大模型产品，其对外披露的技术报告共200多页，技术迭代属于现有框架下的同代内优化，并非代际突破，仅通过扩大数据源、投入更多训练资源实现性能提升，核心优势为代码能力大幅增强，可有效捕捉长上下文的关联关系，能够检测主流软件、浏览器的安全漏洞。世界模型当前存在两大技术路线差异：Google路线为行业经典路线，国内极嘉世界、蚂蚁灵视均采用该路径，核心逻辑为自建虚拟世界，在虚拟环境内试错迭代，对外部数据量要求较低，容易形成动作预测闭环，此前DeepMind的Alpha系列产品即采用该研发逻辑；李飞飞的研发路线侧重3D内容生成，适用于VR娱乐等场景，但难以形成动作预测闭环。此外，自学习架构已成为大模型迭代的行业通用基础技术，各厂商均会采用自学习方式实现模型性能提升。

5、世界模型上游需求与国内布局

·数据获取方式梳理：物理AI的数据获取方式主要包括三类：一是点云、3D高斯采集方式，二是2D图片/视频升3D方式，三是通过物理模型、大型超算模拟原子级运动生成数据的方式。其中点云、3D高斯采集成本较高，超算模拟物理运动生成数据的成本更高，仅能作为珍贵的补充训练数据。当前主流训练路径为先采用2D数据完成基础训练，识别汽车、斑马线等通用物体与场景特征，再融合点云、3D高斯等高质量3D数据，加入物理约束条件完成最终训练，纯依靠3D类数据训练存在数据量严重不足的问题。此外，融合路线中3D高斯技术是重要发展方向，3D高斯是具身智能、自动驾驶领域的重要高质量数据来源之一。

·国内厂商布局情况：数字孪生是世界模型的核心基础数据来源，行业通用技术路径为先搭建数字孪生平台，再基于平台构建世界模型，获取优质训练数据，英伟达Omniverse是该路径的典型代表。当前全球World Arena世界模型排名中，阿里位列第一，吉佳世界排名全球第二，字节进入全球前15。群核科技采用mesh与3D高斯融合的技术路线开展相关技术研发，五一世界则在布局数字地球类的数字孪生产品，为世界模型训练提供基础数据支撑。

·算力存力需求分析：世界模型对算力的需求显著高于传统大语言模型：一方面，世界模型训练算力数倍于同参数规模大语言模型，当前世界模型参数量与万亿级参数的大语言模型存在数量级差距，核心限制因素是训练语料不足，待数据瓶颈突破后，训练算力需求还将进一步提升；另一方面，世界模型推理算力需求远高于文字大模型，视频生成等场景的算力消耗远高于文字输出，推理算力将持续处于稀缺状态。视觉块技术是支撑世界模型训练的重要创新，Sora带来了该训练路径的重大突破，此前行业直接将整张图片、整段视频输入GPU训练，难以实现规模化扩展，而视觉块技术将视频按长宽维度加时间纵深拆分为多个立方体式的视觉块进行训练，大幅降低了扩展难度，支撑了当前世界模型的优异表现。存力层面，目前对该领域研究较少，基于需求逻辑判断，世界模型需要存储更多相关内容，存力需求将随技术发展提升。

·数据处理需求说明：当前世界模型的核心发展瓶颈是经过处理的高质量标注数据不足，而非原始数据供给不足。与大语言模型训练可依赖自标注、低标注的文本语料不同，世界模型训练需要大量经过加工的高质量数据。数据处理并非简单的基础加工，需要结合专业领域知识完成：一是常规物体标注，如斑马线、车辆等通用物体的识别标注；二是场景与物理规律注入，包括雨、雪等特殊场景特征标注，以及各类物理规律的嵌入处理。数据处理的前置环节为数据采集，需先完成原始数据采集工作，再开展后续加工流程，因此也同步带动了数据采集相关需求的增长，未来高质量数据标注与处理的市场需求将持续提升。

6、世界模型长期发展相关问题

·与物理AI的关系辨析：世界模型是较为宽泛的预训练预测模型，核心作用是指导机器人行动，允许存在不符合物理规律的误差，当前最先进的世界模型无物理偏差的持续运行时长约10分钟，仅能逐步逼近物理规律。物理模型是严格符合物理规律、小范围内自洽的仿真模型，类似英伟达Omniverse的世界仿真概念，运行逻辑稳定无偏差，例如鸡蛋与钢铁碰撞的结果恒定不会出现异常。二者本质是归纳与演绎两种不同技术路径，理想状态下，未来性能足够先进的世界模型将实现全场景物理一致性，兼具广覆盖性与规律严谨性，既可适配全场景需求，又能严格符合物理运行规则。

·国产算力应用现状：a. 算力结构占比方面，当前产业应用中95%以上算力为英伟达算力，国产算力占比仅约5%；b. 国产算力的应用场景主要集中于有国产化强制要求的政企客户，包括高校等机构，目前国产算力的适配性持续优化，服务响应能力大幅提升，部署及运行中的问题反馈处理效率明显提高；c. 供给层面，当前不存在算力缺口，各类算力均可正常获取，仅内存等相关算力配套产品价格有所上涨，整体可满足行业需求。

·产业竞合与数据瓶颈：产业竞合层面，世界模型厂商与具身大模型厂商为上下游协作关系，世界模型是具身大模型（聚焦视觉-语言-行动（VLA）链路）的上游数据供给方，可支撑具身大模型效果优化，当前多数世界模型厂商已同步布局VLA相关业务，但VLA厂商暂未大规模布局世界模型研发。数据瓶颈层面，当前世界模型基础动作数据储备已充足，具备零样本完成基础任务的能力，无需大量采集重复基础动作数据；核心数据缺口集中为两类：一类是自动驾驶突发场景等高质量结构化特殊场景数据，用于构建物理一致性强、仿真能力突出的世界模型；另一类是细分领域的细节纹理类数据，如家居设计场景的木纹、皮纹等，不同应用场景所需的核心数据类型存在明显差异。

·落地节奏与市场空间：落地节奏方面，当前世界模型核心落地场景中，自动驾驶、3D内容生成（可支撑VR/AR眼镜、游戏的视觉内容生成）落地进度最快，二者发展节奏基本并驾齐驱；具身智能是长期核心发展方向，代表产业未来趋势；终极发展目标是实现空间智能广泛渗透，与语言模型一样覆盖各类民用场景，支撑通用人工智能落地。市场空间解读方面，黄仁勋提出的10万亿级赛道表述属于偏宣传性质的合理放大，未明确划分细分赛道规模构成，覆盖世界模型相关全产业链，包括底层GPU、AI基础设施、云计算、具身智能、自动驾驶等所有AI替代传统方式的领域，英伟达作为产业基建厂商是核心受益者之一。

Q: 群核科技在家装领域的发展有何优势？

A: 群核科技在家装领域具备先发优势，源于其长期在仿真领域积累的大量结构化数据源，可直接用于训练垂直领域世界模型，实现从数字孪生到世界模型的平滑演进。

Q: 世界模型最广泛的应用场景有哪些？

A: 世界模型当前最核心的应用场景集中于具身智能机器人与自动驾驶领域，其中具身智能机器人现阶段市场空间预期更大；此外，3D内容生成亦将快速落地，与自动驾驶进展并驾齐驱。

Q: 中美在AI大模型领域的技术差距与硬件差距现状及趋势如何？

A: 模型技术层面差距正急剧缩减，以阿里千问3.6 Plus与Cloud上一代OPPO 4.6对比，基础性能差距约10%，接入Agent后缩至5%；新型蒸馏方式进一步加速追赶。硬件方面，训练仍以英伟达卡为主，国产卡主要用于满足政企合规需求，可用性与服务支持持续改善，但生态成熟度仍有差距。

Q: Methos采用邀请制是否能有效防止模型被蒸馏？

A: Methos的邀请制可在一定程度上限制模型蒸馏，但难以根本阻挡。当前行业普遍依赖AI生成数据进行强化学习，且新型蒸馏方式持续涌现，技术扩散趋势难以逆转。

Q: Google与李飞飞教授的世界模型技术路径有何差异？哪条路径可能更快取得落地成果？

A: Google路径属经典范式，在自建仿真环境内通过试错迭代优化策略，对原始数据量依赖较低，已在Alpha系列验证，适用于自动驾驶等需闭环反馈场景；李飞飞路径侧重3D内容生成，适用于VR/AR娱乐内容，但难以构建动作预测闭环。自学习已成为行业基础架构。综合来看，Google路径在具身智能与自动驾驶等产业场景中落地速度可能更快。

Q: 物理AI领域的主要数据获取方式有哪些？未来哪些方式可能成为主流？

A: 主流数据获取方式包括点云扫描、3D高斯溅射、2D转3D及物理仿真生成，但成本较高。当前行业实践以2D视觉数据为基础训练识别能力，再融合点云、3D高斯与物理约束条件进行优化。数据融合处理是关键，3D高斯作为高质量空间表达方式，在具身智能与自动驾驶领域具有重要地位。

Q: 具身智能领域的数据构建是否会以3D高斯方式为主？

A: 具身智能与自动驾驶对数据需求高度相似，均需高精度空间渲染与物理约束表达。3D高斯作为高质量数据来源之一具有重要价值，但实际应用中需与2D数据、物理引擎仿真等多源数据融合使用，单一技术难以覆盖全场景需求。

Q: 国内数字孪生与世界模型的技术路径如何？阿里、字节、腾讯、群核、五一世界等公司中哪家发展较为领先？

A: 技术路径上普遍遵循先构建数字孪生平台，再训练世界模型逻辑。据World Arena最新排名，阿里系列世界模型位列全球第一，吉佳世界排名第二且成立一月即获25亿元融资、估值破百亿，字节亦进入全球前15；群核科技依托家装仿真数据积累具备垂直领域优势。

Q: 世界模型与数字孪生的高速发展是否将导致算力与存储需求指数级增长？

A: 世界模型训练算力需求显著高于同规模大语言模型，推理阶段因涉及视频生成等任务消耗更大；存储需求随内容体量上升，但当前核心瓶颈在于高质量处理数据的稀缺。训练依赖大量经物理约束、天气模拟等专业处理的数据，而非原始数据量，对专业数据处理能力提出更高要求。

Q: 世界模型训练中数据标注与处理的具体内涵是什么？为何高质量处理数据较为稀缺？

A: 数据标注指基础元素识别，数据处理则指注入物理规律、天气效果等专业约束。稀缺性源于需跨领域专业知识，且处理过程需保证物理一致性与模型训练适配性，目前行业仍处于高质量处理数据积累初期。

Q: 世界模型与物理AI的技术关系如何？国内有哪些公司在物理AI领域布局？

A: 世界模型本质为预测模型，用于行动前模拟；物理AI要求严格遵循物理规律，多在实验室环境实现。二者呈演进关系：世界模型向更广泛场景逼近物理规律，物理AI提供高精度约束。国内索辰科技在物理仿真领域有投入，但具体进展未详述；吉佳世界等在闭环仿真方向进展较快。

Q: 世界模型在智能驾驶与具身智能以外的下游应用领域有哪些？各领域落地节奏如何？

A: 除智能驾驶与具身智能外，3D内容生成将快速应用于VR/AR视觉内容、游戏实时场景生成等领域，落地节奏与自动驾驶并驾齐驱；长期目标是实现空间智能普及，渗透至千行百业，最终支撑AGI/ASGI发展。

Q: 黄仁勋所提及的10万亿美元物理AI市场具体构成如何？

A: 该表述属产业愿景宣传，黄仁勋作为基础设施提供商倾向于放大市场空间。实际构成难以精确拆分，核心逻辑是将传统非AI领域通过AI技术重新赋能，涵盖GPU、云计算、具身智能、自动驾驶、内容生成等全链条，但具体产业映射与规模测算尚无权威依据。