世界模型成了具身智能的新风口

来源：市场资讯

（来源：界面新闻）

进入2026年，机器人行业的焦点正在从本体转向“大脑”，世界模型随之迅速升温。

光象实验室首席科学家吕尧近日在接受界面新闻等媒体采访时表示，评价一个世界模型不能只看下一帧像不像，还要看动作一变，模型能不能正确解释世界为什么跟着变。在他看来，只有学到物理世界底层的因果规律，才谈得上通用具身智能。

但理解世界之后，机器人究竟该用什么架构学会行动，行业仍没有统一答案。

具身智能领域关于大脑的讨论，主要围绕VLA和世界模型两类技术思路展开。二者并非严格互斥，但关注重点有所不同：

一条是VLA（Vision-Language-Action，即视觉-语言-动作模型），将视觉、语言等输入与机器人动作连接起来，典型模型通过机器人示范数据学习如何根据观测和指令生成动作；

另一条是世界模型（World Model），无论是以Sora为代表的生成式模型、以World Labs为代表的空间智能模型，还是以JEPA为代表的视觉表征模型，本质上都遵循同一套建模范式，即通过海量数据学习世界的统计表征，从观测中预测未来变化。

对于路线的争论并不是今年才出现。在2025世界机器人大会上，宇树科技创始人王兴兴就公开对当时热门的VLA路线提出质疑。

他认为，人形机器人大规模应用当前最大的卡点在AI模型，背后是模型架构问题，而不是行业更关注的硬件或数据。他还将VLA称为“相对比较傻瓜式的架构”。相比之下，他更看好通过视频生成模型或世界模型驱动机器人，认为这一路线“收敛概率还更大”。

一年过去，世界模型明显升温，但技术路线并没有因此收敛。

关于VLA路线，吕尧认为已经触碰到天花板，前端是语言模型，后端接动作专家头，语言token映射到动作空间存在模态鸿沟，仅靠超大规模数据训练VLA生成真正泛化的通用策略基本不现实。

吕尧称，无论是因为VLA竞争激烈而转向世界模型，还是在内部验证中发现VLA的瓶颈，行业已经开始重新审视原有路线。

不过，共识也基本到此为止，世界模型这个概念至今仍缺乏统一定义。

缺乏统一定义最直观的表现是，大家讲的“世界模型”可能根本不是同一种东西。李飞飞与World Labs团队今年专门撰文讨论这一概念，将世界模型按功能分为渲染器、模拟器和规划器（分别对应renderers、simulators、planners）三类，并称“世界模型”已经成为当前AI领域最重要、也最容易被混用的术语之一。

按照这套划分，渲染器主要生成给人看的像素画面，模拟器则要求对几何、物理和动态变化有更准确的描述，规划器负责根据观测和目标决定下一步动作。World Labs也把VLA归入规划器一类，这意味着VLA与世界模型本身就未必是非此即彼的关系。

分歧不只在定义。智平方创始人兼CEO郭彦东在今年6月的北京智源大会上表示，世界模型不是VLA的竞争路线，而是VLA体系中的核心组成部分。

路线划分之外还有一些更现实的问题。一位做世界模型的公司负责人对界面新闻记者表示，一些视频生成结果乍看效果不错，但对于摩擦力等物理属性的表达仍然不足，真正用于机器人操作执行时并不够用，部分相关数据目前仍需要企业自行采集，成本不低。

该负责人向界面新闻记者表示，行业目前连机器人能力如何分级都还没有形成统一标准。现阶段，机器人已经能够在工厂里完成一些边界明确、流程较短的工序，但如果换成家庭打扫卫生这类开放任务，不仅要识别环境，还要理解目标、因果关系，并根据执行结果不断调整动作，距离真正完成这类任务仍有较大差距。

光象选择从“动作会怎样改变世界”这个问题切入。近日，光象科技联合清华大学李升波教授课题组发布第一代物理原生世界模型Phi-WM 1.0 ActEffect，核心在于将世界模型转变为“训练时反馈器”，让机器人学会“动作会带来什么后果”。

具体而言，ActEffect能够一次性生成三个精细程度不同的动作方案，分别预测每个方案可能带来的结果，通过比较筛选出最优方案。训练完成后，世界模型被移出推理链路，部署时由策略网络一次前向计算直接输出动作。

按吕尧的解释，相当于把世界模型对动作后果的判断提前“蒸馏”进策略权重，以降低部署阶段的推理负担。

图片来源：视觉中国

模型之外，数据也是绕不开的问题。世界模型究竟能不能减少机器人的数据需求，行业同样没有统一答案。

对于“世界模型会让数据需求变少”的说法，吕尧认为需要分情况讨论。他并不认同纯视频预测型世界模型能够天然降低数据需求：训练一个足够保真、具备泛化能力的视频预测模型，本身仍需要海量数据，再依靠它生成数据填补缺口未必合理。

“但如果世界模型能够从数据中提炼出跨场景通用的底层物理规律，则可能降低对跨场景、跨本体数据的需求。”吕尧称。

光象科技创始人兼CEO张涛举例解释，往筐里扔十个不同重量和形状的东西，练十次都能扔进去，换上第十一个、第一百个没见过的物体还得重新试。按这套逻辑，最稀缺的不是成功示范，而是在仿真里大量试错、做反事实推理的数据。

对此，吕尧判断，其所需的反事实试错数据可能是真实成功示范的10倍甚至100倍；但到了具体工位进行真机后训练时，数据量约为十几个小时到几十个小时，最多不超过100小时。按照光象的思路，世界模型把更多试错放到成本相对更低的仿真环境中，以减少部分昂贵的真机数据需求。

但工厂不会只看模型需要多少数据，在商业落地阶段，技术路线之争最终会变成ROI之争。

IDC今年8月发布的研究显示，2025年中国工业具身智能机器人市场规模约57.4亿元。其用户调研显示，超过80%的制造企业希望工业具身智能机器人项目能够在两年内实现投资回收。

这意味着，对工业客户来说，VLA还是世界模型并不那么重要，能不能快速部署、稳定运行，并在预期时间内回本才是。

虽然技术路线尚未收敛，并没有妨碍资金快速涌入。CB Insights数据显示，世界模型相关投资额从2024年的14亿美元增至2025年的69亿美元，接近增长至原来的5倍。

进入2026年，大额融资仍在继续。2月，李飞飞创办的World Labs宣布完成10亿美元新融资；3月，Yann LeCun参与创办的AMI Labs又完成10.3亿美元融资。World Labs聚焦空间智能和世界模型，AMI Labs则把对真实世界的建模、推理和规划作为核心方向。

资本已经提前下注，但机器人真正进入现实场景的速度还没这么快。

“（具身智能）行业很可能像当年的自动驾驶一样，经历一次大洗牌，”吕尧向界面新闻等媒体作出判断，资本市场最终会回归理性，缺乏核心技术护城河与真实交付能力的企业将率先出局。

这种洗牌可能来得并不远。张涛认为，如果行业维持目前的状态，一到两年内确实可能迎来寒冬，但结果并非已经注定。在他看来，真正的变量，是能不能在此之前出现第一个被市场验证，具备规模化潜力，并能够创造真实商业价值的具身智能应用。