“中国科技公司习惯找美国对标，这在世界模型领域被打破了”

今年7月，在上海的世界人工智能大会会场内外，一个词汇正以前所未有的频率被反复提及，那就是世界模型。

2026年这一年，被业界普遍称为世界模型元年，大语言模型在数字世界的突破逐渐走向商业化，以压缩时间、空间、物理因果和动作为核心的世界模型，被视为通往通用人工智能的终极路径。

然而，从实验室到物理世界，这条路径上布满了算力、数据、模型结构与产业协同的重重关卡。

7月19日上午，观察者网在WAIC期间举办的CEO早餐会中，第二场的主题定为世界模型的天王山。

四位来自不同背景的嘉宾，包括通用机器人公司 Muka Robotics（莫刻机器人）创始人池晓威、生数科技世界模型执行负责人王泽远、EvoPhys.ai CEO & CTO谭桦杰，以及成为资本合伙人张辰，围坐在一起，回答一个核心问题：这座天王山，中国怎么爬？

为什么世界模型是AI落地的天王山？

在讨论如何攀登之前，首先需要回答一个问题：为什么世界模型如此重要，以至于被称作AI产业的天王山？

成为资本合伙人张辰从资本市场的视角给出了一个定义。他认为，模型本质上是对世界知识的无损压缩，而大语言模型已经成功压缩了语言知识，产生了写代码、写作、常识推理等能力。但世界模型要压缩的，是语言之外更多维度的因素，包括时间、空间、物理因果、行动。

这种更高维度的压缩，有可能成为AGI的最终解决方案。张辰表示，世界模型之所以被称为天王山，是因为它是对智能最高维度的压缩，语言模型只是压缩了人类对语言的认知，而语言之上还有大量未被模型涵盖的智能形态。

从技术落地的角度，谭桦杰用孪生关系来概括具身智能与世界模型之间的联系。他认为，机器人要真正进入物理世界，必须拥有认识世界的世界观，这离不开世界模型的赋能。而世界模型想要验证自身是否有效，又必须到真实环境中去检验，因此具身智能又成为世界模型评估的唯一手段。这种互为前提、互相验证的关系，决定了世界模型是具身智能落地的必要前提，而非可有可无的附加项。

池晓威则从更具体的落地瓶颈切入。他表示，世界模型在具身领域落地，普遍面临三大短板：算力不足、以人为中心的可规模化数据匮乏、以及高效模型结构的缺失。

在中国，头部的语言模型厂商占据了绝大多数算力资源，留给机器人和世界模型相关领域的算力极为有限。数据方面，虽然海量视频数据存在，但如何将这些没有动作标签的数据转化为可用于训练的有效资源，仍是难题。模型结构方面，他认为这本质上是一场效率竞争，需要找到能够将有限算力和数据最大化利用的架构。

王泽远从技术路线层面进一步阐释了世界模型的核心价值。他提出，未来机器人本体一定会趋向多元化，但智能一定会趋同，需要一个更加通用的具身模型去驱动所有不同的本体。世界模型正是实现这种通用智能的关键，它能够像人脑一样，赋予机器人对世界的理解能力和预测能力，而不需要像素级别的精确还原。

王泽远提到，最好的世界模型永远是世界本身，但人工智能需要做的是在算法空间中去模拟和预测世界的趋势。

在中国与在硅谷的中国人，如何赛跑？

在世界模型这一被视作通往通用人工智能的关键赛道上，华人研究者正以极高的密度和深度参与其中，从学术奠基、技术架构到产业落地，几乎在每一个关键节点都能看到他们的身影。根据MacroPolo 2025年报告，全球47%的顶级AI研究人员本科来自中国，清华、北大、中科大三校贡献了近60%的顶尖人才。

当世界模型成为全球AI竞争的新焦点，中国在这场竞赛中处于什么位置？

池晓威以自己亲身经历的研究和创业历程，勾勒出一幅从对标到无对标的行业图景。他回忆起2018年到2020年间的早期研究。那时，OpenAI刚刚收购了著名仿真器MuJoCo，开始进行大量强化学习研究，但后来却突然砍掉了所有与物理AI相关的板块，全力押注语言模型。

然而，在水面之下，世界模型的研究从未停止。2018年，Jürgen Schmidhuber发布了第一篇名为World Model的论文。2023年，Meta发布了Segment Anything这样的大规模视觉基座模型。

在这个研究过程中，中国学者始终处于第一线，以MMLab为代表的研究团队在计算机视觉和机器学习领域贡献了大量重要工作，从Kaiming He到世界模型方向的核心研究者，来自华人的身影无处不在。

池晓威特别提到一个关键转折点，那就是2025年。

这一年，世界模型领域的中国公司已经没有了对标。过去，中国科技公司习惯的做法是找到一个美国对标公司，回答我们在解跟这个美国公司一模一样的中国版本的问题。但在世界模型领域，这种模式被打破了。2025年夏天，英伟达开源了Cosmos系列模型，用近一万张算力训练了多个版本的基模。同期，中国的生数科技也开源了一系列用生成式模型做通用机器人操作的工作。池晓威本人所在的亦庄人形创新中心，在2024年底到2025年初就敏锐地感知到了世界模型的价值，用上万小时的数据进行了第一次大规模预训练，完成时间甚至早于英伟达的Cosmos。

池晓威认为，中国在这场竞赛中既有劣势也有优势。在算力方面，中国公司拿到的资源可能是北美同级公司的四分之一到五分之一，成本远高于对手。但另一方面，中国在数据获取成本上具有巨大优势，全国可能有超过200到500家相关公司，数据供应链极其丰富。

更关键的是，中国拥有极其高效的硬件生态协同体系。池晓威举例说，在深圳与某本体厂商合作时，当机器人出现问题，一个电话甚至打车不到十分钟，就能有硬件团队到达现场解决问题。这种土壤条件，他认为有可能催生真正世界级的模型公司。

王泽远从生数科技的实践出发，进一步阐述了中国团队的技术路线选择。他介绍，生数科技早在2025年就提出了基于MOT架构的世界动作模型MOTHS，这个模型包含语言、动作、视频三个专家模块，可以分别利用不同模态的数据进行预训练。随后基于更强的视频生成模型Vidu Q3开发的MotoBrain版本，在参数量更大、基模更强的情况下，显著提升了模型效果，在公开评测集上取得了迄今为止未被超越的成绩。

王泽远提到，这种先通过海量视频数据让机器人获得对物理世界的基础认知，再通过第一人称视角数据让机器人获得本体意识，最后通过特定本体的微调进行适配的技术路线，初步验证了世界模型跨任务、跨本体迁移的可能性。

研究者与投资者，需要怎样的心气与勇气？

在攀登天王山的过程中，技术路线固然重要，但更关键的是参与者是否具备与这座山峰相匹配的决心与信念。

谭桦杰和张辰分别从创业者和投资者的角度，分享了各自的心路历程。

谭桦杰谈到，早在2024年，他在具身智能领域实习时，就开始思考一个问题：当前的AI发展路径是否颠倒了？

他发现，现在的AI是先接受互联网上的大量语言语料，具备高层语言推理能力后，再试图用数据去实现物理世界的交互，这与生物进化过程完全相反。谭桦杰认为，这种知易行难的困境，根源在于模型没有从最原生的物理交互数据开始学习。

他提出了两个核心直觉：第一，一切物理认知都应源于最原生的世界交互，模型应该像一张白纸一样，从动作和状态的对齐开始学习。第二，完备的记忆是智能涌现的前提，如果模型只有三秒钟记忆，无法理解场景和因果链条，就不能称之为世界模型。

然而，当谭桦杰提出这些想法时，并没有得到认可。他遭遇了算力不足、方案被否定的困境。直到他联系到摩尔线程的灯塔计划，获得了30台对标H100的国产算力设备。谭桦杰回忆，团队拿到算力后的第一反应不是抱怨国产算力难用，而是终于可以验证我们的方案了。那段时间，团队24小时轮班守着算力，最终把第一版模型做了出来。谭桦杰坦言，此后创业过程中，他不断被投资人问到你和别人有什么不同，他逐渐学会用直觉和信念去说服对方，他觉得自己的方案就是天底下最好的。

张辰则从投资者视角，提出了一套完整的投资哲学。他用雾里登山来形容投资世界模型的状态，投资人看不到山顶，看不清谁在最优路径上，只能看到身边几个伙伴似乎都在向上走。他认为，这种高度不确定性意味着传统的投资逻辑失效了。

张辰观察到，这一波AI浪潮呈现出前所未有的割裂与统一，一方面，AI已经进入价值兑现的胜率曲线，上游算力基础设施盈利大幅增强，模型公司的ARR快速增长。另一方面，世界模型仍处于赔率曲线阶段，所有人都在摸索，没有对标，充满了不确定性。两条曲线同时并行，导致不同属性的资本，包括美元、人民币、国资、险资，都涌向了同一条赛道。

张辰提出，投资世界模型需要Plan C。Plan A是一个技术先行的模式，像大语言模型那样先做出顶尖技术，再找商业化场景。Plan B是选一个垂直场景切入，用工程化能力深耕。但张辰认为，这两种方式在世界模型领域都行不通，因为世界模型需要的资源远超语言模型，也不太可能靠一个垂直场景就自称世界模型。

他提出的Plan C是以垂直场景为锚点，向下扎根技术，向上打通产业闭环。为此，他的机构成立了C Engine AI孵化器，希望在更早期的负一到零阶段就陪伴科学家，把一个想法从实验室变成可投资的资产。

张辰提到，投资世界模型本身就是一种勇气，因为容易讲错，容易被打脸。他将当前阶段形容为奖励勇敢者的游戏，创业者放弃安稳路径，all in一个九死一生甚至九百九十九死一生的赛道。研究者需要长时间探索未知方向，而非快速变现研究资产。投资者则需要在别人怀疑时敢于下手，在别人盲目时敢于抽身冷静思考。他引用一句喜欢的观点：投资人喜欢思考终局，但当你思考终局时，永远无法入局。

在圆桌讨论的最后，嘉宾们还探讨了安全治理的问题。池晓威提出了三层防线：模型算法层通过数据模拟安全直觉，物理控制层通过柔顺控制设定动作边界，产品设计层则通过硬件改进降低风险。谭桦杰则提到，安全治理应该前置到数据层面，在预训练之前就通过符合人类价值观的管线对数据进行筛选。王泽远类比大语言模型的发展历程，认为安全治理需要先有智能，再考虑安全，大语言模型从对抗攻击到安全对齐的经验，可以为世界模型提供参考。

张辰总结道，世界模型进入物理世界后，除了模型层的安全护栏，还需要在物理世界加注防护措施，就像割草机加装毫米波雷达和触觉传感器一样。他相信，随着技术发展，模型层与本体层不同步的问题、安全治理的问题，都会在产业闭环的逐步形成中得到解决。

张辰表示，登顶天王山的人不是靠望远镜，而是靠敢为天下先的勇气。

现在来看，对于中国而言，这座天王山既是挑战，也是机遇。在无对标的新赛道上，答案只能由攀登者自己写就。