世界模型公司考拉悠然CTO顾舒航：从“认识世界”到“改造世界”，具身智能下一步怎么走？

人工智能正在从数字空间走向真实物理世界。

围绕这一趋势，考拉悠然已形成“底座模型+智能体+场景复制”的产品化模式，并在车间巡检、森林防火等场景落地应用。

近日，我们与考拉悠然CTO顾舒航展开交流。从世界模型、Geek Mind到具身智能的规模化落地，顾舒航分享了对于技术愿景与下一阶段产业发展的思考。

Q1 为什么选择加入考拉悠然？您如何理解公司的技术愿景？

顾舒航：

对于工科背景的人来说，如果有机会把自己的所学真正应用到现实场景，并实现规模化落地，是一件非常有吸引力的事情。

过去几年，人工智能技术取得了长足进步。现在，我们开始看到一种新的可能：人工智能不仅可以工作在数字空间，还可以通过具身智能体进入现实环境，改变世界。这也是我非常兴奋的一点。

考拉悠然的企业愿景，是申恒涛院士提出的：

“以世界模型为基石，赋机器人予灵魂。”

我们的思路，是通过世界模型编码自然规律、构建时空先验；进一步构建世界动作模型，在预测交互后果的同时提炼具身技能；最终通过具身智能体理解长链任务、调用不同技能，让机器人真正进入真实物理空间解决问题。

核心判断

人工智能正在从数字空间走向物理世界，具身智能让AI第一次真正拥有“改变环境”的可能。

Q2 和传统AI视觉相比，考拉悠然现在做的事情，本质上有什么不同？

顾舒航

传统视觉模型更多是在被动感知世界，例如看得清不清楚、哪里有人、哪里有特定物体。

现在，我们希望从被动认识世界，走向主动改造世界。要做到这一点，首先需要更深层次地理解世界，具备推演世界运行规律的能力。

世界模型可以根据过去和当前的世界状态，分析机器人采取某种行动以后，环境未来可能发生怎样的变化。这种能力有两个作用：

一方面，可以为机器人提供一个“训练场”，训练抓取、移动、操作等原子技能，以及具身大脑通过长程推理解决复杂问题的能力。

另一方面，在真正执行任务之前，机器人可以先预测未来状态，从而进行更合理的策略选择。所以如果用一句话概括：

传统AI视觉让机器认识世界，世界模型让机器更好地理解世界，而具身智能体最终让机器能够作用于世界。

Q3 WorldArena全球第一，究竟验证了什么？

顾舒航

WorldArena是世界模型赛道中最权威的评测之一。

考拉悠然“悠然无界世界模型”在WorldArena中，开源版本BLM获得全球第一，闭源版本BWM-Fast获得全球第二；世界动作模型同时在RoboTwin 2.0仿真评测中位列榜首。

世界模型最根本的能力之一，就是根据过去和当前状态，预测采取某种行动之后未来的世界状态。因此，WorldArena重点比较的，就是不同模型能不能准确预测未来的状态变化。这一评测由多所全球知名高校和研究机构共同组织，参评者也包括多家知名企业和实验室。

所以它所验证的，并不只是生成效果，而是世界模型对于未来世界状态的理解和推演能力。

Q4 世界模型真正的核心价值是什么？

顾舒航

从人工智能研究来看，一个重要范式是：

感知环境 → 执行动作 → 改变环境 → 再感知新的环境。

智能体通过大量尝试，不断寻找更好的执行策略。AlphaGo之所以能够在围棋领域取得突破，一个重要原因就在于，它可以在虚拟环境中完成远超人类数量的对局，在持续训练中磨炼自己的能力。

进入真实物理世界后，我们也希望为机器人建立一个类似的训练环境。机器人可以根据当前状态，预测采取某种行动之后可能出现怎样的世界。

因此，世界模型第一个重要价值，就是理解世界运行规律，并预测行动结果。

如果世界模型足够准确，机器人就可以先在“脑中”完成行动预演，再进入真实环境执行，从而提升行动的安全性和准确性，降低物理世界中的试错成本。

而从更长远的角度来看，大语言模型通过在数字空间中预测下一个词产生了智能涌现。一些研究者也在探索：如果世界模型能够在真实物理空间中，根据过去状态预测未来状态，它是否可能成为通向通用人工智能的重要路径之一。

Q5 从模型到产品，考拉悠然如何实现具身智能的场景落地？

顾舒航

我们希望将世界模型作为现实世界的模拟器，用它支撑世界动作模型和具身智能体的训练。整体来看，我们的技术框架包含三个核心部分。

第一，世界模型

负责理解世界运行规律，对行动可能带来的环境变化进行预测和推演。

第二，具身技能模型

根据当前物理世界状态和高层指令完成具体动作，例如抓取、移动、操作设备等。

第三，具身智能体

相当于机器人的大脑，负责理解任务、制定规划，并组织调用不同技能完成任务。

具身大脑本身可以具有相对通用的能力，与具体硬件本体相对解耦，并具备跨任务复用能力。但进入不同应用场景后，需要的技能并不相同，不同机器人本体能够学习的技能也不一样。比如电工需要测电，家政服务机器人需要叠衣服，轮式机器人则无法学习上台阶这样的技能。我们的极客心智（Geek Mind），就是通用具身大脑的架构。

我们希望构建一套与具体硬件本体和单一任务相对解耦的框架，让它具备理解、推理、调用技能，并根据结果反馈持续进化的能力。进入具体场景后，再根据任务选择合适的本体，并配置对应技能。

Q6 下一阶段，决定具身智能竞争格局的核心能力是什么？

顾舒航

具身智能是一个非常大的产业机会。现阶段，我并不认为不同具身智能企业之间已经形成了非常直接的竞争关系。

在机器人真正实现通用化，并大规模进入C端家庭之前，很可能会经历一段以B端为主、围绕具体场景解决具体问题的发展阶段。因此，现阶段更重要的，是找到适合自己的场景，并推动产品实现规模化落地。

考拉悠然接下来仍然会坚持“两条腿走路”。

一条是继续以世界模型为基石，不断理解、掌握和总结客观物理世界的运行规律，形成足够强大的通用底座模型。

另一条则是深入具体应用场景，在真实任务中不断锤炼核心具身技能，并通过Geek Mind组织和调用这些技能，推动产品在特定场景中实现规模化应用。

规模化落地后，就有机会形成数据飞轮。产品在真实场景中持续运行，不断积累数据，把已有技能锤炼得更好，同时逐步“点亮”新的技能，扩大能力边界。就像一个学徒，一开始可能只会按开关，之后学会拧螺丝，再逐渐掌握更加复杂的技能。

通用底座负责理解、推演和决策，垂直场景负责锤炼技能、产生真实数据，并持续反哺通用能力。

从视觉模型到世界模型，从单项技能到具身大脑，人工智能正在经历一次从数字空间向真实物理世界的迁移。但真正让具身智能走向规模化，并不只取决于一个模型、一项榜单成绩或者某一种机器人本体。

它需要同时解决三个问题：

能不能理解世界？
能不能组织技能完成任务？
能不能进入真实场景持续运行？

考拉悠然正在尝试把这三件事连接起来：

以世界模型建立对物理世界的理解和推演能力，以具身技能完成真实交互，以Geek Mind组织任务、调用技能，再通过真实场景不断形成数据反馈。

这也是顾舒航所说的“两条腿走路”：

一边继续向通用底座模型深入，一边进入真实场景锤炼技能。最终目标，不是让机器人学会越来越多孤立的动作，而是让它能够理解环境、推演变化、规划行动，并逐渐解决更加复杂的真实世界问题。而这，或许才是“赋机器人予灵魂”真正要解决的问题。