7月28日配资论坛之家，“AI教母”李飞飞创办的World Labs在官网发布技术博客《Building Worlds That Train Robots》（构建训练机器人的世界）。在完成对机器人仿真初创公司SceniX的收购后，World Labs首次集中展示了其在机器人训练领域的进展。
文中，World Labs声称已打通“真实任务—仿真世界—真实机器人”的闭环，机器人策略的训练数据可以完全来自仿真。“随着技术不断进步，我们的生成式世界模型（World Models）还将越来越贴近真实世界，覆盖机器人可能面对的各种变化，机器人可以在这些环境中交互、学习并接受评估。”World Labs称，“而这仅仅是一个开始。”
这样的趋势已经拉开帷幕。对具身智能行业而言，世界模型最核心的吸引力，在于它能够模拟真实环境，并为机器人提供训练与测试空间。作为一个尚无统一定义的技术概念，世界模型在短短半年内，借势具身智能热潮，被AI从业者与投资圈共同追捧，迅速发展成为一条新兴赛道。
AI进化的下一个焦点
世界模型走俏，正值机器人与物理AI热潮高涨之际。
长期以来，为提升机器人跨任务、跨场景的泛化能力，业界主要沿着模仿学习路径推进，端到端VLA（视觉—语言—动作）模型逐渐成为主流技术路线。具身智能数据基础设施公司艾欧智能联合创始人丁哲章告诉21世纪经济报道记者，自2025年初起，全国多地开始建设具身智能及人形机器人的数据采集场和训练场，艾欧参与了北京、上海、湖北等地的早期数采工厂项目。
这轮持续至今的数采工厂建设热潮，折射出机器人训练对数据的旺盛需求。自2025年底以来，随着行业目标从演示验证转向量产交付，VLA对真机数据的高度依赖也成为制约因素：此类数据采集成本高、周期长，难以覆盖现实世界中复杂多变的长尾场景，机器人面对新环境和新任务时，泛化能力仍显不足。
业界由此逐渐意识到，要推动机器人规模化落地，答案不必然是VLA。此时，黄仁勋、杨立昆和李飞飞等AI领军人物给出了新的方向——世界模型。
所谓世界模型，其理论出发点是，如今的AI更多拥有“书本智慧”：模型主要从人类积累的语言、图像和视频中学习，对物理世界的理解仍大多来自间接经验。若要进一步进化，AI还需要获得与环境交互的能力，像人类一样，根据行动产生的结果修正判断，并逐渐理解空间关系、物体属性和物理规律。英伟达CEO黄仁勋曾表示，世界模型有助于解锁“物理AI”，从而实现机器人、自动驾驶汽车等的自主操作。
不过，具备哪些能力的模型能够被称为世界模型，行业尚无共识。目前来看，从视频生成、3D图形引擎到自动驾驶和机器人，不同公司都在使用这一概念，但其数据、模型架构、输出形式和评估标准差异显著。
腾讯首席科学家、Robotics X实验室主任张正友认为，具身智能的技术栈尚未像语言大模型一样形成相对统一的范式。“去年说VLA是第一个范式，今年讲世界模型……如何实现世界模型，到目前没有一个统一的技术方案。”
在他看来，面向具身智能的世界模型，关键不是生成一段视觉上连贯的视频，而是理解机器人采取某个动作后，物体和环境将发生什么变化。如果模型只根据提示词生成画面，没有与机器人的感知、决策和行动形成闭环，就不能等同于机器人所需要的世界模型。
这也构成世界模型与VLA的主要区别。VLA通常把视觉和语言输入映射为机器人动作，优势在于可以直接输出控制指令，但对训练数据依赖较高，对物理世界及动作后果的理解仍然有限，而世界模型则更强调预测行动之后的环境状态。
两者并非截然对立。张正友判断，随着VLA加入视觉理解、视频预测等能力，它正在向世界模型靠近，世界模型也在逐步接入动作生成，最终可能形成感知、预测、规划和行动相互连接的闭环。
目前，腾讯发布的RxBrain具身世界认知基座模型便包含类似思路，模型不仅规划机器人下一步做什么，还会生成任务完成后的目标状态，让机器人预判物体和环境应该呈现何种状态。对于一些难以用语言准确描述的操作，目标状态图像还可以为底层动作模型提供更明确的执行方向。
视频及3D模型公司生数科技CEO骆怡航则将世界模型的能力划分为三个维度，即感知和理解、预测和想象以及行动。“这三个方向缺一不可。”在他看来，如果世界模型只能生成或重建数字场景，却不能刻画人与世界的交互规律、进一步驱动数字空间和物理空间中的行动，其基础模型属性仍然有限。
骆怡航告诉记者，生数科技选择把理解、预测、生成和行动放进统一的MoT（Mixture of Transformers）架构，并以互联网视频、第一人称数据、合成数据和本体数据组成分层的数据金字塔。其思路是先利用规模更大、获取更容易的数据建立对物理世界的基础理解，再逐层加入与机器人本体和具体任务相关的数据，以降低对最昂贵的实机数据的依赖。
这与传统VLA更多依赖“视觉—语言—动作”配对数据的路线有所不同。骆怡航认为，世界模型还应吸收操作失败和长尾场景等“不完美数据”，因为这些数据同样包含物理规律和动作后果，有助于模型形成更强的泛化能力。
ChatGPT等大语言模型展现出被业界称为“涌现”的现象，即模型参数、训练数据和算力投入跨过一定阈值后，一些在小规模模型中并不明显，也未经过专门训练的能力开始显现。具身智能行业期待世界模型复制类似路径，在规模扩展后获得跨任务、跨场景和跨本体的理解、预测与行动能力。
不过，世界模型是否已经接近能力“涌现”，业内判断并不一致。骆怡航提到，生数科技在世界行动模型Motubrain的实验中已经观察到一些类似语言模型Scaling Law的现象，具身模型可能正接近Scaling Law的拐点。
具身智能公司灵生科技合伙人蒋玉骅的判断更谨慎。他认为，世界模型在模型规模、数据规模与能力关系上的研究仍不充分，Scaling Law的探索大致处于类似语言模型GPT-3的早期阶段，能否稳定复现仍需验证。即便在世界模型内部，模型架构、训练方法与数据筛选标准也尚未统一。
他告诉记者，现阶段，VLA、世界模型和分层控制（将机器人的任务规划、技能执行和底层运动控制拆分为不同层级，由不同模型或控制器协同完成任务）各有应用场景，也都有继续发展的潜力。
“VLA、世界模型和分层控制三种路线应该属于齐头并进的状态。”蒋玉骅说，当前世界模型仍处于“百花齐放但非常早期”的阶段，技术路线尚未收敛；VLA也并非过时的范式，其结构仍可能在一些特殊任务中发挥更好的作用。
并非万能
从落地应用来看，世界模型并非让机器人变得万能的灵丹妙药。多位受访者告诉记者，尽管世界模型的长期目标指向通用机器人“大脑”，但其现阶段更明确的产业价值，可能首先出现在数据的生成、筛选、轨迹转换和训练评估等环节。
具身大模型公司灵初智能联合创始人兼强化学习负责人陈源培介绍，灵初智能将策略模型与世界模型分开，策略模型负责将观测数据映射为动作，世界模型则承载强化学习过程，将人类动作轨迹修正、迁移为机器人能够执行的轨迹，再把转换后的数据反馈给策略模型。
此外，世界模型还可能帮助解决人类示范与机器人本体之间的差异：人类的手臂结构、运动范围和受力方式与机器人并不相同，动作轨迹不能直接由机器人复现。通过在世界模型中进行修正和转换，部分人类数据有机会变成机器人能够执行的训练轨迹，再反馈给策略模型。
“世界模型本质上是一个评估器。”陈源培指出，它可以判断一段数据能否转换为机器人可执行的数据，由此辅助评估数据质量、指导数采员操作和后续数据处理，但代价是需要消耗更多算力。
值得注意的是，世界模型同时处理视频、动作和机器人状态，也对数据标准提出更高要求。来自不同机器人、相机和采集系统的数据，如果缺少统一格式、准确时间戳及一致的时序语义，即使数量庞大，也很难直接合并训练。
数据需求的变化已开始传导至产业链。陈源培称，在灵初接触的数据需求中，需求量最大的反而不是一般具身团队，而是世界模型团队；训练面向机器人的世界模型，需要大量专门的具身数据，而非普通视频数据。这表明，围绕世界模型训练的数据采集、处理和算力需求正在上升。
模型公司也在尝试进入本体适配和场景落地阶段。据骆怡航介绍，生数科技的Motubrain模型已与无界动力、深朴智能等机器人本体厂商展开合作，利用本体相关数据进行后训练、适配和部署，部分适配可在半天至一天内完成。其目标是让同一模型兼容轮式、人形、机械臂、夹爪和灵巧手等不同本体。
不过，骆怡航表示，目前具身智能行业尚未出现真正的机器人大规模量产和交付，很多项目仍处于科研和表演阶段，酒店、商超乃至家庭等半标准化和非标准化场景的商业应用仍处早期配资论坛之家，进一步落地还需要硬件、运动控制“小脑”和具身“大脑”同步迭代。
大财配资提示：文章来自网络，不代表本站观点。
- 上一篇：股票配资8倍 遛娃封神！在“海底隧道”遇见一场蓝色梦境——
- 下一篇：没有了
相关文章
热点资讯
