四川
封面新闻记者 欧阳宏宇
“今年世界模型虽然火爆，但大部分工作仍停留在视觉生成层面，主要基于视频生成类预训练模型做后训练。”7月17日下午，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姚卯青在世界人工智能大会（WAIC 2026）主论坛上表示，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。
谈及世界模型如何驱动具身智能讨论环节，他指出，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。
当前的世界模型训练中存在诸多问题，姚卯青认为可从两个方面解决这一痛点，一是数据类型的错配。
由于互联网视频的数据分布与机器人真正需要的物理世界数据存在本质差异，即互联网内容很多是娱乐性甚至反物理规律的。姚卯青指出，多样物理交互的真实数据，既在互联网上稀缺，也难以通过现有物理引擎模拟。
二是数据规模的不足。他以大语言模型为参照：国际*团队的预训练数据已达 100 万亿 Token，等效约 100 亿小时的说话量；而语言作为信息密度高、噪声低的系统尚且需要如此规模，物理世界数据的信息密度远低于文本，要实现更高阶的物理常识判断，可能需要达到“亿小时”量级的真实世界数据。
展望具身智能在未来三年落地应用的发展前景，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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
