建投洞察｜从感知到推演：世界模型能否成为具身智能的下一个范式突破

来源：市场资讯

（来源：苏子淳 中国建投）

• 中国建投原创文章

• 中国建投子公司——建投投资/建投华文

• 作者：苏子淳

• 本文5070字，阅读时间13分钟

7月，世界人工智能大会上，“物理AI和具身智能”成为全场焦点；几乎同期，工信部等七部门联合启动创新任务揭榜挂帅，明确要求“研制具有自主知识产权的端侧世界模型系统”。政策信号密集指向同一个判断：具身智能的竞争要害在“脑”，不在“身”。

资本市场的反应同样迅速。据IT桔子数据，2026年上半年国内具身智能赛道融资总额达935亿元，较2025年同期增长超过5倍。产量决定下限，“大脑”决定天花板，已成行业共识。

然而，一个根本性的技术问题尚未解决：如何让机器真正理解物理世界的运行规律，而不仅仅是“看到”世界？ 这正是世界模型试图回答的问题。从感知到推演，从识别环境到预测未来——世界模型能否成为具身智能的下一个范式突破？本文将从概念界定、技术路线、发展阶段、应用场景与产业化前景五个维度，尝试梳理这一命题的基本逻辑。

一

世界模型概念定义

01

概念界定：什么是世界模型

数据来源：弗若斯特沙利文

世界模型尚无业界统一的标准定义。NVIDIA给出的定义为：世界模型是理解现实世界动态（包括物理属性和空间属性）的生成式AI模型，能够通过文本、图像、视频和运动等输入数据来生成或模拟物理环境，并对运动、应力、空间关系等动态进行表示和预测。

从更技术化的表述来看，世界模型可以被理解为一个交互式预测系统：给定当前状态（观测）和将要执行的动作，预测下一个状态（观测）。标准视频模型的预测范式为P(x(t+1) | x(t))，即基于当前帧预测下一帧；而世界模型的预测范式为P(s(t+1) | s(t), a(t))，即在给定当前状态和动作条件下预测下一状态。其中的"动作"项，是世界模型与视频生成模型在数学表述上的本质差异。

世界模型的核心能力体现在两个层面：

第一，对世界运行规律的建模。模型通过海量观测数据（以视频为主）提炼物理规律（如重力、摩擦力、碰撞反弹）、社会规则（如交通规则、交互礼仪）和因果关系（如刹车导致减速），形成一套可复用的世界逻辑。

第二，预测与推演能力。模型能够模拟未来可能发生的情景，评估不同行动方案的潜在结果，并选择最优策略实现目标。这一能力通常被称为"反事实推理"，即"如果我采取A而非B，结果将如何不同"。

需要指出的是，世界模型并非全新概念。其思想根脉可追溯到1990年代强化学习领域对世界内部表征的研究。2018年，Ha与Schmidhuber的论文《World Models》正式为该领域命名。此后，经过2019年MuZero、2023年Dreamer V3、2025年V-JEPA 2等一系列技术迭代，世界模型逐步从游戏环境仿真走向物理世界应用。这一概念自提出至今已近三十年，当前的热度更多是技术积累与产业需求交汇的产物，而非突然涌现的全新方向。

02

世界模型与大语言模型的差异

世界模型与大语言模型（LLM）的区别，本质上是"物理预测"与"语言推理"两种能力路径的差异。

大语言模型的核心范式是“下一个词预测”，其训练数据为人类文本语料，核心能力体现在语言理解、知识组织、逻辑推理与符号操作。它回答的问题是：基于已有文本，最可能出现的下一个词是什么？

世界模型的核心范式是“下一个状态预测"，其训练数据为视频、传感器信号、动作轨迹等多模态序列，核心能力体现在物理规律理解、空间推理、因果推演与行动规划。它回答的问题是：基于当前状态和将要执行的动作，世界将发生何种变化？

两者的差异可从以下维度对比：

数据来源：建投投资/建投华文整理

大语言模型编码了大量关于世界的因果和物理知识（体现在语言对物理概念的描述中），但这些知识来自符号表征而非直接体验。世界模型则试图通过对物理世界数据的直接学习，建立对运动、力、空间关系的内在理解。两者并非替代关系，而是互补关系——前者负责理解意图与组织知识，后者负责预测物理后果与规划行动。当前最前沿的研究方向之一，正是将两者的能力进行融合。

二

世界模型发展阶段

世界模型的发展历程大致可分为两个主要阶段：

第一阶段（2018年—2024年）：表征学习阶段。这一阶段以"表征派"为主，研究重心聚焦环境感知与状态预测，旨在弥补语言模型在物理与因果建模方面的能力缺口。代表性成果包括2018年《World Models》提出的V-M-C三组件架构、2019年MuZero在潜空间中的规划、2022年DreamerV2在Atari游戏上达到人类水平等。这一阶段的世界模型主要应用于游戏和虚拟环境，真实物理世界的应用探索仍处于早期。

第二阶段（2025年至今）：生成与交互阶段。2025年后，产业研究重心开始向"生成派"倾斜。Genie 3、Marble、Sora 2等代表性成果标志着世界模型已具备生成持续存在物体、模拟因果逻辑与动态环境的能力。在自动驾驶领域，Wayve的GAIA-2、华为WEWA架构已将世界模型应用于真实驾驶场景的数据生成与策略训练；在机器人领域，Meta的V-JEPA 2、极佳视界的GigaBrain等成果验证了世界模型在真实机械臂上的部署可行性。行业已基本形成共识：视频生成是世界模型的雏形，两者在技术演进上将进一步重合。

当前，世界模型的发展阶段可类比于大语言模型的GPT-1至GPT-2时期——技术方向已获初步验证，产业共识正在形成，但模型架构、训练方法和应用场景均未收敛，头部玩家的技术路线存在显著差异。

从政策环境看，世界模型已纳入国家级产业规划。2025年12月，中国信通院牵头的世界模型技术报告在国际电信联盟成功立项。2026年《政府工作报告》明确提出"培育发展具身智能等未来产业"，《十五五规划纲要》将人工智能置于创新驱动发展核心位置，各地陆续出台具身智能专项扶持政策，竞相提出百亿乃至千亿级产业发展目标。政策面的系统性支持，为行业提供了明确的中长期发展牵引。

三

世界模型技术路线

世界模型领域目前存在四条并行探索的技术路线，每条路线基于不同的哲学假设，适用于不同的下游场景。

01

视频生成路线

该路线的核心假设为：如果一个模型能够生成符合物理规律的视频，则其必然已内化了支配物理世界的基本规律。代表系统包括OpenAI的Sora、Google DeepMind的Genie 3、NVIDIA的Cosmos等。

该路线的优势在于数据规模庞大（互联网视频几乎取之不尽）、训练目标直观、结果可视化程度高。但其局限同样显著：计算成本极高，单次训练耗资可达数千万美元；长时序生成易出现物理逻辑漂移；模型仍时常产生违背物理常识的"幻觉"现象。此外，纯视频生成本质上是"被动观看"而非"主动交互"——模型能预测场景如何演化，但无法对干预动作做出实时响应。当前，该路线的主要应用集中在数据合成、场景仿真和内容生成领域。

NVIDIA的Cosmos是该路线在工业界最具代表性的平台化尝试。其基于2000万小时真实世界数据训练，不只是一个模型，而是包含视频生成、仿真到真实迁移、物理推理和机器人训练工具的完整平台。对产业界而言，平台化意味着算法贡献可以落到视频生成、多模态理解、物理仿真、机器人数据生成等多个模块，具有更强的工程落地价值。

02

3D空间智能路线

该路线试图直接生成持久、稳定的三维环境，而非二维视频帧。代表为李飞飞团队发布的Marble系统，可将单张图片转化为可交互的三维场景。

与视频模型的"隐式物理直觉"不同，3D路线生成的是显式结构——模型明确知道每个物体的空间位置、形状和相互关系，这使得物理模拟、路径规划和动作控制等下游任务更易于实现。但该路线的技术难度远高于2D视频生成，对算力需求巨大，且高质量3D训练数据极为稀缺。目前，3D空间智能仍主要停留在场景浏览和静态环境生成阶段，完全的交互性和物理模拟仍是未来方向。

03

联合嵌入预测路线

该路线由图灵奖得主杨立昆长期推动，核心主张为：生成每一个像素是对计算资源的浪费，真正的智能应当像人类一样，只需预测事物的抽象特征，无需将世界完整"画"出来。

JEPA（Joint-Embedding Predictive Architecture）架构在抽象的表征空间（latent space）而非像素空间中进行预测。例如，面对一个运动的物体，模型不会预测每个像素的RGB值，而是预测其轨迹、速度等高层次语义信息。这种机制通过主动忽略不可预测的细粒度信息（如光照变化、纹理抖动），提升了计算效率和对物理本质的聚焦。

Meta发布的V-JEPA 2是该路线在工业界的重要代表。其在超过一百万小时视频数据上自监督预训练，全程不生成像素，仅在潜空间中规划和预测。实验表明，V-JEPA 2在真实机械臂上完成抓取和放置任务时，规划速度比像素级方法快数十倍。对于关注表征学习、物理理解和机器人规划效率的研究者而言，这是一条更"经济"的技术路径。

04

世界行动模型路线

该路线进一步将视频理解、世界预测和动作生成统一在一个模型中，输出的不仅是未来状态，还包括具体的行动指令。代表包括Motus、DreamZero以及极佳视界的GigaBrain等。

传统的视觉-语言-动作模型（VLA）能够将视觉和语言映射为动作，但本质上是一个"黑箱"映射系统，不建模环境内部的动力学，泛化能力受限于训练数据的覆盖范围。世界行动模型（WAM）则试图让模型同时学习"世界如何变化"和"我应该如何行动"，用视频作为稠密的物理监督信号，使动作决策建立在对物理规律的真正理解之上。

目前，这四条路线在学术界和工业界并行推进，尚未出现收敛迹象。但从逻辑推演来看，其长期终点可能是一个统一架构：既能渲染高保真视觉内容，又能生成物理精确的世界结构，还能规划复杂行动序列，并根据下游任务需求在不同输出模态之间自由切换。如何将视觉美感、物理精确性和行动可控性在同一个模型中协调，仍是当前最核心的开放性问题。

四

世界模型产业化应用

世界模型的产业化应用，目前主要集中在三类需要"理解物理、预测未来、做出决策"的领域。

01

自动驾驶

传统自动驾驶架构分为感知、预测、规划、控制四个模块，存在信息逐级丢失、长尾场景覆盖不足、仿真数据与真实场景差距大（Sim-to-Real Gap）等问题。世界模型提供了两条新的解决路径。

一方面，世界模型可生成大量自带标注的仿真数据，包括极端天气、罕见路况、危险驾驶行为等长尾场景，避免昂贵的真实数据采集。据业内测算，采用世界模型进行仿真训练，数据成本可降低90%以上。另一方面，世界模型使系统从"识别当前环境"进化到"推演未来场景"——如果能够预测未来5至10秒的交通动态演化，车辆便可做出更前瞻、更安全的决策。

据弗若斯特沙利文《2025年中国世界模型发展白皮书》，当前超过80%的自动驾驶算法已使用世界模型进行辅助训练，多家主流厂商已将世界模型视为下一代智能驾驶架构的核心。白皮书预计，未来1至2年内，世界模型的成熟将引领自动驾驶迎来新一轮突破。

02

具身智能

机器人领域可能是世界模型最具长期价值的应用方向。传统机器人依赖预编程指令，遇到训练数据未覆盖的新场景往往失效。世界模型赋予机器人对物理世界的理解与预测能力，使其能够在新环境中自适应、泛化执行。

当前，通用机器人发展的核心瓶颈是训练数据。与语言模型可调用海量互联网文本不同，机器人需要在真实物理环境中采集操作数据，积累速度极为缓慢。据公开数据，特斯拉约40台机器人每月仅采集16至20万条数据，DeepMind用13台机器人历时17个月才积累约200万条数据。世界模型通过虚拟仿真生成海量训练数据，让机器人在"梦境"中反复练习后再迁移到真实环境，是解决数据瓶颈的关键路径。

03

内容工业与数字孪生

在影视、游戏、广告等内容产业，世界模型正在重塑生产范式。其核心应用包括：生成具备物理一致性的连续视频、可交互的三维场景、符合物理规律的特效画面。在数字孪生领域，世界模型提供了一种超越视觉可信度、具备物理精确性的模拟环境。据NVIDIA估计，仅数字孪生相关的目标市场就超过万亿美元，涵盖工厂、仓库、供应链和工程设计等场景。

五

行业分析及趋势判断

世界模型的热度正在快速转化为资本行动。据Gartner预测，2026年全球世界模型相关市场规模将突破50亿美元；摩根士丹利更为激进地预测，到2035年，由世界模型赋能的产业规模将达到10万亿美元。

国内方面，头部创业公司在不同技术路线上持续产出成果。但整体而言，行业尚处发展初期，技术路线多元分化，商业化仍以场景验证和早期订单为主，尚未形成绝对领先者。国内竞争格局呈现“技术路线百花齐放、资本加速涌入头部初创"的特征。

当前世界模型赛道正处于类似大语言模型GPT-1至GPT-2的关键节点：技术方向已获验证，产业共识正在形成，但路线尚未收敛、格局尚未固化。这意味着赛道兼具高成长潜力与较高的技术和商业不确定性。

需要关注的风险包括：一是技术路线未收敛，视频生成、3D重建、隐空间预测、世界行动模型四条路线并存，最终何种架构胜出尚无定论；二是数据供给不均衡，互联网视频数据充裕，但高质量三维资产和机器人示范数据长期稀缺，可能制约模拟器和规划器方向的进展；三是商业化节奏存在不确定性，物理AI的规模化应用（如家庭服务机器人）可能晚于市场预期。

世界模型的终局，不会是某一家公司或某一条技术路线的独舞，而是渲染、模拟、规划三条路径逐步融合后的统一架构。那个能够同时感知、理解和行动的AI系统，或许才是通向通用人工智能的关键基础设施。

文章为作者独立观点，不代表中国建投立场。

图片来源：unsplash.com/pexels.com