世界模型 2+1

作者：冯斯基

首发于公众号：常垒创投

注：本文信息和判断截至 2026 年 9 月,依据公开技术资料、产品信息和阶段性研究整理；文中的分类是分析框架,不构成对任何公司的最终定性或投资建议。

题记

"The next wave of AI is Physical AI. We are no longer just building models that process information; we are building models that perceive, reason, and act in the physical world."

——Jensen Huang(黄仁勋),GTC 2025

这两年，AI 视频生成，了。

Sora 一出，全网惊叹；可灵、Seedance 轮番上阵，生成的视频光影逼真、运镜丝滑，很多人看完第一反应：电影工业要完蛋了。实际上两年过去，横店演员不少都失业了。

说实话，这事办得不地道。如果是AI生成的，那至少标识一下。不少人不喜欢看动画片，比如我。

2D这么，一个听上去顺理成章的联想开始了:

既然 AI 连以假乱真的视频都能生成，那让它顺手生成一个三维世界，2D到3D，应该也就是“差1D”的事吧?

过去几个月，我们围绕“世界模型”这条线做了调研、项目做了一些访谈。把国内外大厂的研发路径也翻了一下。今天这篇，我们就来分享一下常垒的小研究、小成果。

先说最反常识的那一句:

纯 2D 视频输出不等于 3D 空间；现有 2D 视频模型也不能仅靠继续扩大参数规模，直接变成具备显式几何、空间记忆和可编辑资产能力的三维世界模型。

一

视频再逼真

也只是“录像”，不是“房子”

先打个比方。

你对着一套房子拍了一段 360 度的看房视频,画面精美、光影真实。但请问:你能拿着这段视频去施工队那里，把房子原样盖出来吗?

不能。因为施工队要的是建筑图纸和建材清单，不是录像。所以，广联达同志出现了。

黑神话悟空的电影和游戏就是这个差别。开篇电影里面可能看起来和游戏差不多，但是电影只能“看”不能“逛”；但是游戏可以，猴子可以在外面逛，360度看周围的环境。李飞飞老师的最新产品，就是这个效果。很精美的视频，但其实不是纯视频，里面是可以逛的。

2D 视频模型和 3D 原生空间智能之间的本质差别:

2D 视频模型(Seedance、可灵、MiniMax、Sora)的数学本质，是潜空间里的像素概率去噪。 它交付的是一段 MP4 像素流（人话就是视频）——本身不是结构化、可编辑、可复用的三维资产。

从 2D 像素反推三维几何,在数学上属于“病态逆问题”(Ill-posed Inverse Problem)：一张照片背后有无数种可能的三维场景,靠堆参数、堆算力,堆不出绝对的几何一致性。

在大范围回环、360 度环视或长时域交互中,如果没有显式的三维表示和空间记忆,画面里的物体就容易出现身份变化、结构漂移、遮挡区域重构和拓扑错误。（回到高中物理的几何，就明白，平面几何和立体，不是一个东西）

3D 原生空间要交付的，是“图纸和建材”：解耦的拓扑网格(Mesh)、UV/PBR 材质通道、碰撞边界。 这些东西能直接导入渲染管线和物理引擎，是可以二次使用，编辑，改造的，不是视觉视频表演。

创业公司更不能只跟创业公司比，不可低估大厂的实际行动。商业化的时候没人管是大厂还是创业公司。只有投资人关注在创业公司中比。因为大厂没有机会投资了。

大厂身体很诚实:

• 腾讯没有把混元视频“升级”成 3D，而是另起炉灶，独立做了 Hunyuan3D-2.0；

• 字节没有把 Seedance 改造成 3D，而是由独立团队另辟了 Seed3D 1.0/2.0；

• 阿里是模型工厂，种类最多，在3D上也没有闲着，搞出来Qwen-3D；

• 快手可灵和 MiniMax 目前公开信息只有 2D 像素路线,没看到在3D模型上面发力；

所以，“2D 视频模型不能仅靠扩大参数规模直接升级为 3D 原生空间系统；如果要进入这一方向，通常需要增加独立的三维表示、空间记忆、几何重建与交互能力”——一般是另起炉灶，一个新团队做新事。

这样其实也给创业公司提供了机会，如果2D+1D=3D，那大厂的2D视频模型的壁垒，就是创业公司无法逾越的山。

3D／空间生成模型与 2D 视频厂商横向对比:

（表格可点击放大查看）

二

世界模型

更适合看作“2+1”的三类产业角色

理清了 2D 和 3D 的边界，真正的世界模型版图才浮出水面。

经过这轮梳理，我们不能随便把什么企业都简单称为：世界模型公司。更适合产业分析的方式,是将它们归为“两类核心模型 + 一套训练工具链”的 2+1 分类。

不是说有模型的就是比没模型的高级；就算有模型的里面还是分“夯”还是“拉”。

这三类角色不是高低配关系,而是三种不同的能力、交付物、客户和生意:

第一类:世界生成模型——建空间和物体。（World Generation Model）

WGM是我个人比较喜欢的称呼，中国人清晰易懂

李飞飞团队 World Labs 常用的术语体系：Spatial Intelligence / Spatial World Model：侧重三维空间、几何与物理先验的世界模型。

DeepMind Genie 系列：Interactive World Simulator：侧重动作条件输入、物理推演与可交互沙盒性质的表达。

看的是能否建立可持续、可编辑、具备稳定空间约束的显式三维空间，并在多视角、自由相机移动和场景编辑中保持较强的一致性。

需要强调的是,显式三维表示可以让空间一致性变得可约束、可优化、可验证,但不意味着实际系统天然没有漂移。实际上就是这个模型有没有幻觉。

全球标杆是李飞飞的 World Labs(Atlas/Marble)，最近刚刚发了一段产品，极致的精美。

中国阵营里：影眸 Hyper3D CAST、腾讯 Hunyuan3D-2.0、字节 Seed3D 2.0、阿里 Qwen-3D、都在这一类别卡位。（VAST应该在内部做一个Project Eden，还没正式官宣）

就好像大家都要登上珠穆朗玛峰，登山者都在喜马拉雅山下的不同坡开始往上爬。过程中，半山腰和山顶可能就要打起来。最终8848登顶就是：“骇客帝国”，一个完全由模型生成的世界，里面有完整的物理、材料、摩擦力、重力等等物理世界约束。

当年Neo其实是在世界模型里面“Vibe Coding”，Hacking了这个模型生成的系统。然后变成了游戏里的神。

骇客帝国这个电影，可以考虑回炉再看一百年；现在有语言生成模型和世界生成模型，就能看懂了。

不是导演太蒙太奇，而是电影太超前。

第二类:世界行动／具身策略模型——做行动（World-Action Model）

看的是能否结合视觉、语言、本体感觉和历史状态，预测动作后果并生成可执行的行动策略，在真实环境中根据反馈持续纠偏。行动模型可以部署在机器人端侧、边缘设备、云端或机器人厂商的控制系统中，“嵌入机器人脑中”是部署形态，不是定义本身。

行动模型看的是能否把视觉、触觉、本体感觉和历史状态转化为可执行的动作策略，并且在显式或隐式的预测机制中预演动作后果，失败后能够根据反馈自主纠偏。它不一定直接输出每一个高频关节力矩，低层力矩、阻抗和平衡控制可以由配套控制栈完成。

全球可关注：

Physical Intelligence(π0)、Figure(Helix)等行动模型和具身系统；

中国阵营里：

阿里达摩院的 WorldVLA/Qwen-RobotManip、银河通用、极佳视界、它石智航、智元机器人、生数科技可作为重点研究对象。

（本文的判断标准是是否有公开证据支持动作后果预测、行动—模拟协同和真实反馈闭环，而不是只看企业是否使用“世界模型”这一名称。）

一句话记住这个 2+1 分类：

纯 2D 视频输出不等于 3D 空间；现有 2D 视频模型也不能仅靠继续扩大参数规模,直接变成具备显式几何、空间记忆和可编辑资产能力的三维世界模型。两类模型负责“建空间”和“做行动”，一套工具链负责“让模型可训练、可测试、可部署”。

+1类：非模型，仿真、合成数据、训练、评测与部署工具链——供模型使用（World Model Toolchain)

工具链的任务是构建可用于训练、测试和验证的仿真环境,生成合成数据，评估模型在长时域、分布外和安全边界场景中的表现，并帮助模型从虚拟环境迁移到真实环境。这里既包含物理引擎、数字孪生和仿真平台，也可能包含动作条件化的学习型世界模拟模型；前者不是模型本身,后者仍属于模型。

作为工具链和学习型模拟能力的代表,全球可以关注 NVIDIA 的 Cosmos、Omniverse 和 Isaac Sim;

中国市场则可关注松应科技的ORCA物理AI操作系统、飞捷科思的 Fysiverse/Fysics、极佳视界的 GigaWorld 等。

世界模型产业 2+1 全局矩阵：

（表格可点击放大查看）

三

+1 工具链

国产力量正在悄悄“换地基”

工具链可能是当下产业价值最实在、也最容易被忽视的一类基础设施。它不一定是模型企业，但决定了模型能否低成本训练、反复测试并可靠地从虚拟环境迁移到现实环境。

具身智能行业有个公开的苦衷:真机数据太贵、太少、太危险。让机器人在真实世界里摔一万次杯子去学会抓杯子，没有哪家公司摔得起。于是，高保真的物理仿真沙盘，成了整个行业的真实训练“替代品”。

这类工具链中有两个值得重点关注的国产：

一是松应科技的 ORCA。 创始人聂凯旋曾任华为云鲲鹏解决方案副总指挥，团队聚合了华为、英特尔等大厂的底层系统和并行计算专家。他们不走像素生成路线，自研了国内首个实时多物理场耦合仿真系统 ORCA SIM——刚体碰撞、柔性体形变(线缆、布料、软体材料)、流体动力学统一求解，专治传统仿真的“穿模”和动力学失真，大幅压缩 Sim-to-Real 的鸿沟。

原生支持 OpenUSD，率先接入 MCP 协议(通用 Agent 可以直接调度仿真沙盘)，并且异构适配摩尔线程、沐曦、天数智芯等国产芯片。

另外要提一句我们的被投项目飞捷科思：创始人张立华教授是英伟达 PhysX 物理引擎的主要奠基人，他们自研的可微分物理引擎 Fysics，和传统引擎的思路根本不同——传统引擎是“给定输入，算出下一个状态”；可微分引擎能反过来告诉 AI“你刚才的输入让你离目标更近了还是更远了”。这个能力打通了“仿真—训练—优化”的全链路，在全球范围内都屈指可数。

这类工具链的商业形态已经很清晰：仿真一体机、平台授权、合成数据按有效时长计费。客户是具身智能公司、自动驾驶主机厂和工业数字孪生客户——是真金白银在付费的 B 端生意。

两家侧重有些差别，单商业化的时候又会都来到一个公平的场景，谁为下游真正解决问题，谁能拿到真正的单子和回款。

仿真、世界模拟与训练基础设施对比:

四

第二类核心模型

如何识别真正的世界行动模型

行动模型是概念最容易泛化的地方。现在很多机器人项目都会使用“世界模型”“具身大脑”或“动作思维链”等表述，但名称本身不能替代技术证据。

为避免把传统 VLA、行为克隆、低层运控和完整的行动模型混为一谈，本文采用三项判断标准：

1. 因果动力学推演:模型要在潜在空间真正掌握物理状态转移规律，而不是对着画面拟合关节轨迹; 2. 行动-模拟思维沙盘:动作执行前能在"脑内"预演碰撞风险和操作后果，长程任务失败时能自主纠偏; 3. 真实反馈下的物理闭环:视觉、触觉、本体感觉等反馈能够持续影响动作策略和控制输出；高频力矩与阻抗控制可以由配套控制器完成，不必要求基础模型直接承担全部低层控制。

用这三条标准去看公开项目,重点不是给企业贴标签，而是判断公开证据是否足以支持其进入本文的行动模型类别。

可以重点研究的行动模型对象:

• 阿里达摩院的 WorldVLA 它尝试打通“世界模型管物理因果、动作模型管行为输出”之间的割裂:输出动作的同时，脑内预演这个动作会引发什么后果——抓取滑脱时。传统 VLA 会机械地卡死，WorldVLA 能自己调整动作直至抓取成功。配上 Qwen-RobotManip(80 维跨本体动作空间 + 流匹配动作头)，为中国阵营提供了较具代表性的世界行动模型。

• 银河通用、极佳视界、它石智航、智元机器人、生数科技按公开信息也初步符合三项判断标准，路径各有侧重(扩散统一模型、触觉-世界模型耦合、动作思维链等)。

补充一句:

本文不把机器人整机、低层运控栈、系统集成和行动模型简单等同。整机企业可以是行动模型的部署方或验证方，控制栈可以是行动模型的配套执行层，而是否属于核心行动模型对象,仍应回到动作后果预测、行动—模拟协同和真实反馈闭环这三项标准。

划清这条线不是为了贴标签,而是因为估值逻辑完全不同：运控小脑值硬件的钱,纯 VLA 值数据的钱，而真正的 WAM，值的是通用具身智能入口的钱。

行动模型对象与边界说明:

（表格可点击放大查看）

五

2+1 不是孤立的

而是一个产业飞轮

最后把两类核心模型和一套工具链放在一起看。

3D 空间资产可以进入仿真工具链,工具链批量生产合成数据、做场景测试和因果预演，再服务于行动模型的训练与验证；行动模型驱动真机上岗作业,遇到的长尾异常案例(Corner Case)再反哺回仿真系统和空间模型，持续优化。

空间资产 → 仿真与数据工具链 → 行动模型 → 真实异常反哺——这是世界模型产业可以形成的 2+1 飞轮。

2+1 体系商业化交付与真实 ROI 核算:

（表格可点击放大查看）

站在投资视角，这个 2+1 结构，我就武断而残暴的总结:

· 第一类模型看：输出的审美 · +1类工具链看：没有人真买单 · 第二类模型看：动作灵不灵

每一类都会跑出大机会，但前提是，先看清它到底卖的是什么、服务谁，以及它在模型与工具链中的位置。

以上是我们近期研究的一点阶段性结论，抛砖引玉，欢迎一线创业者和同行交流指正。如有不同意见，那一定是你对。

* 作者：常垒资本 冯斯基，首发于公众号常垒创投（ID：conswall_cap），转载请后台回复转载ID即可。

欢迎扫码联系 Emma 加入社群

一起深入交流、拓展思路

点个赞，加入我们！