大咖说｜觅蜂科技姚卯青：世界模型，最重要的是能预测世界的下一步状态｜WAIC 2026

世界模型的本质，并非生成更逼真的视频，而是预测世界的下一个状态。

7月17日下午，在世界人工智能大会（WAIC 2026）主论坛“从虚拟到现实：世界模型如何驱动具身智能”讨论环节，智元合伙人、高级副总裁、具身业务部总裁、觅蜂科技董事长兼CEO姚卯青表示，世界模型的本质是“能够理解物理世界运行规律的 AI 系统”，其中最重要的功能是能够预测世界的下一步状态。

在姚卯青看来，世界模型需要掌握三项关键能力：一是多模态融合理解能力，能理解环境的变化；二是掌握物理规律，包括动力学及时空理解；三是因果推理，具备长程推理而不崩坏的能力。

今年以来，世界模型备受瞩目，姚卯青指出，现有工作多基于视频生成预训练模型，其展现的能力仍偏重于视觉渲染。这导致了根本性的错位：互联网视频的数据分布，与机器人所需的物理世界预测相去甚远，前者甚至充斥着大量反物理规律的娱乐内容。

“世界模型的核心本质，是能够去理解物理世界运行规律的一个AI系统。”姚卯青强调，它必须原生掌握几项能力：理解多模态信息、掌握动力学与空间规律、具备因果推理能力——而非简单模拟画面序列。“它必须理解作用了一个力，这个物体才被移动。”同时，它还需支持长程推理，并在过程中保持逻辑稳定。

数据，是横亘在理想与现实间的鸿沟。姚卯青认为，要达到高阶智能，真实物理世界的数据量级需达到“亿小时级别”。作为参照，主流大语言模型领先团队的预训练数据已达100万亿token，等效于100亿小时的英语对话——且语言信息密度高、噪声低。相较之下，物理世界多模态数据冗余巨大，有效信息提取更为艰难。因此，构建源自真实、包含丰富原子动作（推、拉、拧、拽）及与各类物体交互（柔性、摩擦、流体）的数据集，成为关键挑战。

上个月，智元进行了一场全网直播的产线真实计时测试：在六天、每天十余小时的连续作业中，一整个工段的机器人编队完成了超六万件产线操作，整体成功率高达99.99%，节拍接近人类水平。“我们相信，行业内会有越来越多这样确定性、刚需的任务被机器人应用。”

展望具身智能在未来三年落地应用发展前景，姚卯青认为，短期来看，高频刚需、环境可控、确定性强且具备容错空间的场景最容易落地。而家庭等更开放的环境和任务，则需要行业构建更加通用、可泛化的能力来逐步解锁。

姚卯青分享的全文

世界模型，可能和它最早出现在强化学习领域里面的这个定义有一定关系，我们认为它核心的一个本质，是能够去理解物理世界的运行规律的一个AI系统。

基于这样一个AI系统，它最重要的功能是能够去预测世界的下一个状态，而不是说简单的去渲染世界的下一个画面或者是内容，更本质的是去预测下一个状态。

要具备这样的能力，我觉得它需要去很好的原生地掌握几个技能：

第一个是必须去理解多模态，能够去接受现实世界中各种种类的一个信息，能把它融合在一起去理解环境的变化。

其次它能够去掌握很多物理规律，包括动力学的，对空间的一个理解，再者它必须要有一定的因果推理的能力，而不是比如说简单的模拟这个画面的一些发生的序列。它必须理解作用了一个力，这个物体才被移动，或者推导它是有因果的关系。

还有一个就是可能它需要具备一定这种长时间长程的推理，而不会在这个过程中去崩坏。

今年，世界模型非常火，大家有很多工作包括一些BP，但是核心问题是现在展现出来能力还是偏视觉生成，大部分这个架构以及工作是基于一些视频生成类的预训练模型，然后在此基础上去具身生或世界、物理世界一些数据去做后训练。

这里面，我觉得可能有两个问题，第一是它的数据分布和我们真正需要的，比如说机器人领域去掌握的这些对未来状态预测、对技能对动作的一些规划是不太一样的。很多都是从互联网上来的，内容有些是娱乐性质的，有些甚至是创作性质的，它反而是反物理规律的。因为大家喜欢看一些天马行空，人也可以飞起来，这种非常反物理规律的一些事情，如果我们要把它严肃的运用到像具身智能的一些场景，一定还需要去原生的去构建真实的数据，它必须要接触很丰富。其次它要具备各种各样的原子动作，推拉拧拽，还要有很多和不同形态物体交互的过程，柔性的、带摩擦力的、流体的等等，这些一来是互联网上比较少的，二是通过现有的一些物理引擎很难去模拟的这样一个状态。

这个数据规模，现在是一个很大的挑战。在我们看来，可能要达到更高阶的一个智能，像人一样判断，对很多物理常识的预测，它可能甚至是要到亿小时这个级别，因为现在主流的大语言模型预训练数据，国际领先的一些团队都到了100万亿的token，那么等效这个正常英语语速说话，其实它是100亿小时。语言是一个比较信息密度高且噪声很低，所有的话都是基本上有含有意义的，这样一个系统尚且要100亿小时的说话。

对于物理世界这样且多模态信息冗余很大，很多都是帧与帧之间的重复信息，或者说一帧之内背景的无效信息来讲的话，它可能真的需要亿小时以上的来自于真实世界数据，才能去很好的掌握这样一个系统的了解。

同时为什么要物理世界本身，我们说到这种视频类的数据，它就是一个我们叫POMDP，它是一个部分可观测的马尔科夫系统，然后更需要能够尽可能多的在我们这个Domain之内去获取这些相关的信息，所以数据很重要。

这是一个非常可见的一个时间窗口，我们认为它还是要遵循一个逐步发展的一个过程。短期之内可能一些高频刚需、环境可控、确定性强，并且具备一定容错空间的场景，相对来讲比较容易落地的，就是简单场景，简单任务。

通俗来讲，围绕这样的一个可能定位，像智元，我们也在逐步开展很多实际应用场景的落地。上个月，我们做了一个全网的六天的直播，它是一个产线的真实计时，在六天每天十几个小时的工作中，我们有一整个工段的机器人编队，它们大概完成了六万多件产线的操作，整体能达到99.99%的成功率，和人类近似的一个节拍。

我们相信，行业内应该会有越来越多出现这样一些确定性、刚需的任务被机器人去应用，像其他一些更开放的环境和任务，像家庭等，需要大家构建一个更加通用、可泛化的这种能力，逐步去解锁。