千亿市值的宇树背后：还差一场机器人“脑力革命”

作者：中国新闻周刊 周游，快思慢想研究院院长田丰

一、腿脚利索，脑子跟不上

8月19日，宇树科技登陆科创板，董事长王兴兴的身家一夜之间超过千亿元，坐上了"90后"新首富的位置。宇树从四足机器狗起家，2023年推出首款人形机器人H1，2025年出货量超过5500台，全球第一，能后空翻、能打拳。但也有人说当前人形机器人"小脑发达，大脑发育不良"——腿脚利索，脑子跟不上。去年9月，宇树自己也推出了一个开源世界模型UnifoLM-WMA-0，想给通用机器人学习补上一块统一的技术基础。8月20日的世界机器人大会上，王兴兴坦言，机器人走进家庭最大的瓶颈是"具身智能的泛化能力还不太够"，任务执行时"最后一厘米"的偏差，足以让成功率断崖式下跌；他判断，迈向具身智能的"ChatGPT时刻"，理想情况要2到3年，悲观估计得5到10年。

所有人都在问同一个问题：机器人翘首以盼的那个"大脑"，到底该长什么样？答案越来越指向一个答案——世界模型。

二、学会"算"，而不是"背"

问AI"松开咖啡杯会怎样"，普通大语言模型会答"掉地上摔碎"——它是从训练数据里读过这句话。世界模型不这样干，它会盯着杯子离地的高度，代入重力加速度，算出"0.5秒后落地"，再按材质估算碎裂程度。它不需要读过这句话，它自己会算。

图灵奖得主、前Meta首席AI科学家杨立昆把世界模型定义为"能预测行动后果的内部模拟器"。斯坦福教授、World Labs创始人李飞飞把这件事称为"空间智能"，认为AI要真正理解三维世界，构建大型世界模型是最重要的路径；她的学生、复旦大学通用物理智能研究院院长苏昊则专注"物理智能"，想让AI在真实世界里把抓、推、拧这些动作真正做成。快思慢想研究院院长田丰则认为：空间智能关心"房间的几何结构记不记得住"，物理智能关心"动作做不做得成"，世界模型是这两者背后共用的推演能力，三个概念是具身智能的三个切面，不是三条互相竞争的赛道。

三、老结构，装上了新算力

世界模型不是凭空冒出来的新发明。状态预测在控制论里已经是60年的老概念——卡尔曼滤波、模型预测控制、强化学习先驱萨顿提出的Dyna架构，内核都是同一句话："用一个模型预演未来，再据此选动作。"今天的新意，只是把这套老逻辑做成了大规模、可微分、能端到端训练的样子。

田丰的判断是，技术范式转移的历史规律一贯如此：新范式通常等于旧结构乘以新算力，很少是凭空出现的新原理。他还指出更实际的分界线：语言模型处理的是秒到分钟级的语义步骤，世界模型处理的是20~100毫秒级的物理步骤，两者时间尺度差着两个数量级，压根不在同一个战场上。产业界真正该追问的问题，是谁握着机器人执行器的写入权限——是人类遥控，还是大脑真正指挥机器人身体自主行为。

四、吵了80年的路线之争

世界模型这个概念能追溯到1943年，80多年过去，业内还在争怎么实现它。杨立昆押注"隐空间"——在一个抽象空间里预测未来状态，Meta去年6月发布的V-JEPA 2走的就是这条路，代价是这个空间人眼看不见，工程化困难。生成式大模型崛起后，Sora、Seedance这类视频模型顺势成了另一条路，但视觉上"看着合理"不等于物理上"算得对"。李飞飞团队的Marble选择直接生成可交互的3D世界，2025年11月13日开放，精度够高，已经按每月20到95美元的档位商用，代价是算力吃得凶。

田丰把争论拆成两个轴："预测在什么空间进行"和"预测结果给谁看"。国内几家车企的选择很说明问题：小鹏把图像压缩成结构化词元，理想在隐空间里预测以回避像素级生成，小米让生成器的内部表征直接服务规划，华为把车和环境动力学拆开算——共同判断是“控制任务根本不需要照片级重建”。腾讯混元世界模型2.0在2026年4月16日开源，能把资产直接导进Unity、UE引擎，走的是显式3D这条路，好处是产物能立刻进入现成的美术和仿真流程，付费方当天就能闭环。隐空间路线的产物人看不懂，只能靠下游任务的表现背书，商业化天然要慢一到两年。

五、数据卡住脖子

再前沿的世界模型，拉到严格测试下都会露怯。一项针对自动驾驶世界模型的测试发现，即便是谷歌Veo 3.1这样的顶尖模型，预测热油飞溅、金属遇水这类物理风险时依然不可靠，常常漏判风险链条。北京智源人工智能研究院院长王仲远说得更形象：视频生成模型可能生成一群在天上飞的猪，可物理世界不会这样运行。要是机器人装上一个分不清真实和幻想的脑子，它可能真以为自己是钢铁侠——这就是安全隐患。

田丰指出，问题的根子在数据类型。大语言模型学的是人类写下来的文字，是加工过一遍的二手经验，高质量文本的总量已经见底，业内估计大约在10的13次方词元这个量级。世界模型学的是摄像头、传感器、机械臂直接采到的一手记录，每天新增的比特数比文本高出好几个数量级。V-JEPA 2只有12亿参数，不到主流大语言模型的百分之一，却吃掉了超过100万小时视频。更麻烦的是，生成过程中误差会逐帧累积，当前最强的模型也只能维持几分钟的物理一致性，工业可用的门槛却是连续一小时以上。经济学规律再次应验：瓶颈永远卡在最稀缺的那个环节。

六、实践是检验认知的唯一标准

AI学习靠的是相关性归纳，可物理世界的规律是因果性的，这道坎怎么迈？田丰的答案是：把动作当成外生变量注入模型，就完成了大半。纯观测数据里，动作和状态纠缠在一起，模型只能学到"经常一起出现"；一旦把动作作为独立输入喂给模型，在同一个初始状态下改变动作，就等于做了一次真正的干预，模型才第一次有能力回答"如果这样做，结果会不同吗"。V-JEPA 2的证据很直接：只用62小时机器人数据做动作条件化训练后，模型在全新环境里抓取、摆放陌生物体的成功率就能达到65%到80%——干预数据的价值，远高于单纯的观测数据。谷歌DeepMind的Genie 3已经能在生成过程中让用户改天气、加物体，这是反事实推演能力的雏形。

田丰预判：当虚拟世界里训练出来的机器人，搬到真实世界后的成功率，超过用同样成本采集真实数据训练出来的成功率时，拐点就到了——从那一刻起，造数据比采数据划算，这可能是世界模型带给整个行业最大的颠覆。

七、多数"世界模型"，还只是半成品？

行业公认，完整的世界模型该有感知、记忆、预测、规划四个模块，但田丰的判断很扎心：现在市面上多数自称世界模型的系统，本质上是一个带了动作输入的视频生成器——感知和预测算是有了，记忆和规划基本还是空的。他给出三个简单标准：

1. 能不能接受动作输入？

2. 状态能不能跨越分钟级维持住？

3. 预测误差能不能反过来改进策略？

按这个标准，Genie 3的视觉记忆大约只有1分钟，连续交互也只能维持几分钟，面向订阅用户开放的版本单次生成上限是60秒、720p、24帧。

拦住记忆模块的不是生成质量，是维护状态的成本——逐帧生成时，参与计算的历史随时间线性增长，长时一致性和实时性在同一块显存带宽上互相抢资源。真正缺失的那块拼图，是价值判断能力：模型能回答"接下来会发生什么"，答不了"这样做值不值得"。Physical Intelligence在其模型π*0.6中，靠一个多任务价值函数补上了这块空白，代价是必须依赖真机部署攒出来的经验。田丰认为，完整架构的落地顺序基本已定：先有动作条件，再有能持久压缩的状态记忆，然后是价值和奖励，最后才轮到规划。跳过任何一步就敢自称"世界模型"，交付的其实只是一段渲染视频。

八、真实世界的“学费”

再逼真的仿真，也替代不了机器人真实摔一次跤。田丰指出，质量、摩擦系数、刚度、形变阈值这些参数，在像素里根本看不见，它们只在"施力—观测反应"的真实交互中才会暴露出来——再多第三人称视频也反推不出这些参数，因为观测数据里从来就缺"施力"这个自变量。人搬箱子时，不会描述前臂张力如何随箱内液体晃动实时调整，这类默会知识几乎从未被写进任何语料，这也是为什么李飞飞判断当前大模型"擅长抽象知识、却缺乏对物理世界的真实理解"。

真实交互确实必要，但真正值钱的是失败样本，而失败恰恰是仿真最难生成的部分。Physical Intelligence的RECAP方法给出了一条实际路径：先人类示教，再实时干预纠错，最后让机器人自主试错做强化学习。效果是实打实的——最难任务的吞吐量提升一倍以上，失败率大约减半，除了高难度的叠衣服，多数任务最终成功率超过90%，机器人甚至能连续13小时不间断制作意式咖啡。这才是补齐世界模型短板真正要花的“学费”。

九、一半“真突破”，一半“真透支”

2026年被业内称为"世界模型元年"，谷歌DeepMind开放Genie 3公测，腾讯开源混元3D世界模型2.0。田丰的判断是：技术在狭窄场景里确实成熟了，资本在宏大叙事里也确实透支了，这两件事同时发生，谁也不能否定谁。成熟的部分看得见——腾讯的模型能导出资产直接进游戏引擎；英伟达今年6月1日发布的Cosmos 3采用"混合Transformer"架构，把推理和生成两套Transformer配对，同时覆盖文本、图像、视频、声音和动作轨迹五种模态，客户名单里已经有理想汽车；世界模型已经成为能交付、能收钱的产品。

透支的部分同样看得见。杨立昆今年初创办AMI Labs，3月完成约10.3亿美元种子轮，投前估值35亿美元，投资方里有贝索斯、英伟达、三星、丰田创投，他自己都说这是一个基础研究项目，不是三个月就能憋出产品的应用型创业公司。中国这边同样火热，2026年上半年世界模型相关赛道三个月内融资规模超百亿元人民币，有企业两个月内完成四轮融资。田丰认为最靠谱的检验尺子是单位经济账：Genie 3订阅顶配月费250美元，换来的却是每次仅60秒的生成时长；今年6月完成3.1亿美元B轮融资的Odyssey，随即把云服务商转向AWS的Trainium芯片，动因直指推理成本太高。产业史反复证明一条规律：新范式里第一批倒下的公司，大多死于算不过来的成本账，很少死于模型本身不够聪明。

十、没有捷径，只有笨功夫

自动驾驶的数据管道已经跑通——特斯拉AI负责人Ashok Elluswamy在2025年国际计算机视觉大会上介绍过公司的神经世界模拟器，用车队回传数据训练出闭环仿真系统，据称同一套系统可以直接迁移到人形机器人Optimus身上；理想汽车已经出现在英伟达Cosmos 3的客户名单里。田丰判断：这类结构化、闭环反馈成本最低的场景会先兑现，仓储、产线这类环境可能率先跨过"虚拟训练成功率超过真实采集"的分水岭，时间点大概在2027到2028年。至于真正走进千家万户的通用服务机器人，人工智能学者安德烈·卡帕西认为"还要十年"。

宇树的机器人已经能后空翻、能打拳，市值破千亿。可它缺的那个脑子，还得靠数据、靠算力、靠一次次真实世界里的摔打，一点点长出来。这场竞赛没有捷径，只有笨功夫。

参考文章：《宇树机器人，缺个“好脑子”？》，中国新闻周刊 周游

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。