从“想象未来”到“弯腰干活”，世界模型还差几步？

过去几年，AI的几次标志性突破，几乎都发生在数字世界：写文章、写代码、生成图片和视频。

这些能力共享一个前提：对应的知识早就以文本、图像、视频等形态沉淀在互联网上，模型只管“读万卷书”就够了。

但机器人要面对的，是一个有重力、有摩擦，也随时会打滑、失手的物理世界，而“一件活到底怎么干好”所需的手感、力道和临场反应，从未被大规模记录下来。

正是为了跨过这道鸿沟，“世界模型”被推到聚光灯下，并被普遍看作大语言模型之后AI的下一块主战场。

只是热度越高，越需要看清：世界模型的终点并不只是生成一个逼真的世界，更在于理解并作用于真实世界，而从前者到后者，还横亘着两道重要关卡：物理智能和高质量数据，以及功耗、可靠性等多重“硬约束”。

世界模型凭什么这么火？

要回答这个问题，得先看上一代主流方案VLA卡在哪。

VLA思路本质上是模仿学习：通过看大量“什么场景对应什么动作”的样本，学会从画面直接映射到动作。

在静态、受控的场景里，这套方法很好用，比如抓一瓶水、桌面搬运都没问题。但VLA的泛化高度依赖训练分布：分布内场景可以接近满分，一旦跳出分布，换了没见过的物品、没见过的场景，性能会明显衰减。

世界模型想解决的，正是这个“换一下就卡壳”的问题。

图片来源：大晓机器人

“相较于VLA，世界模型最大的特点是，能够对世界的未来状态进行生成和预测。”近日，在2026世界机器人大会主论坛上，大晓机器人董事长、商汤科技联合创始人兼执行董事王晓刚表示。

更具体一点，VLA更擅长在环境不变时预测运动轨迹，而世界模型，不仅可以一边执行动作，还能一边对平行空间里未来可能产生的各种后果做推理和演绎，最终实现理解、生成、预测一体化。

如果用一句话概括，即VLA是“照猫画虎“，世界模型是“三思而后行”。

不过，世界模型的重要性固然已经成为共识，并不意味着VLA就会被淘汰。历经过去一年多的路线之争，在模型架构层面，“融合”已经成为主流方向，比如智元、智平方、银河通用等都已经在开展相关的探索。

只是，架构内部具体怎么融合、谁主谁次，目前还没有标准解。更不要说一个真正能服务人类的世界模型，究竟要具备哪些能力，也尚在探索当中。

在王晓刚看来，“三种智能”不可或缺：生成智能、物理智能和认知智能。

所谓“生成智能”即生成对未来世界的推演和预测；“物理智能”对应的是空间智能，包括空间感知能力、空间记忆能力等，以及掌握物体的物理属性与规律；“认知智能”则是指对长程任务的拆解与执行状态判断等。

其中，王晓刚认为当前最急缺的是“物理智能”，特别是理解空间物理规律和物理因果的能力还十分欠缺。“因为现在大家用来训练模型的很多视频，并不是真实的视频，而是电影特效、科幻镜头。”这些画面本来就是反物理、超现实的，自然学不到真实世界的运行规律。

再加上第一视角交互视频的短缺，以及相机位姿、三维几何、多视角等信息也不完整，共同制约了“物理智能”的发展。

毕竟，漂亮的画面骗得了眼睛，却骗不了牛顿。

除了“三种智能”，王晓刚指出，还有一层更“硬”的约束常被忽略：当下的智能靠数据、参数和算力层层堆叠，而机器人是靠电池供电，无法像电动车那样边运行边补能，这就导致端侧算力与功耗都有“天花板”。“因此，如何在智能的上限和部署功率的低功耗限制之间做好平衡，也是亟待解决的问题。”

无界动力创始人、CEO张玉峰也认为，世界模型要真正服务人类，首先得掌握对物理世界底层逻辑的理解，能够完成长程任务，并进行场景泛化。

但他同时指出，就像人类并不需要掌握物理世界的全部细节，也能依靠一个大致正确的“世界模型”完成复杂任务，具身智能同样不必追求事无巨细的像素级复刻，而应学习真正影响决策与行动的高维表征和因果关系。

除此之外，张玉峰还特别强调了两个容易被忽略的点：一是安全，人机共生时代不能只靠一个大模型，必须有额外的安全冗余机制；二是交互，机器人得能像小孩接受大人示范一样，读懂人的一些示教。

智澄AI创始人兼CEO胡鲁辉同样把关键落在了“理解”与“因果”上：既要理解物理与动力学、理解任务规划，也要靠因果推理决定下一个动作。他同时提醒，机器人一旦走进家庭，安全、隐私、伦理就不是单纯的法规问题，也要靠技术本身去解决。

而在to Ｂ、to Ｇ的工业工程场景，客户真正看重的是确定性、可靠性、准确率和长时序稳定输出。飞渡科技联合创始人、总经理宋彬指出，这背后也有一连串待解难题：多物理场耦合下的长时序稳定、开放环境中的空间结构解析、时空语义解析，以及端侧算力约束和成本ROI，都需要行业持续攻克。

从这个意义上来说，构建一个能“下地干活”的世界模型，其实考的是一门综合卷：物理理解与因果、长程任务与泛化、确定性与可靠性、安全与伦理，缺一门都不行。

而最终，这门综合卷最难的一道题，大家指向了数据。

绕不开的“数据关”

世界模型要补物理智能，绕不开数据。

然而现实是，具身智能最需要的“真人在真实物理世界里操作“的数据，历史积累几乎为零。据中国信通院测算，当前全球可用的高质量真实数据仅为数十万至百万小时级，而具身基础模型要迎来“Chat GPT”时刻至少需要数千万小时数据，缺口超过99％。

图片来源：觅蜂科技

但缺口大只是表象。进一步往下拆，数据层面真正的卡点其实分布在三个环节。

首先，采集方式不合理，靠“摆拍”采不出真本事。

过去一段时间，雇专人、按脚本采集是行业的主流做法，但在张玉峰看来，这条路的效果被高估了。

“我们自己做过实验：搭建场景、雇采集员，提前编好任务剧本，让他们不断重复规定动作，对最终训练效果的提升非常有限，甚至可以说很差，因为学习模式太单一。”张玉峰表示。

比较之下，他更认可的采集方式是in the wild——在真实生产生活里自然采集，越自然越好。“比如和制造业、零售、酒店等场景方深度合作，这些行业有成千上万的一线工人，能让数据快速积累。通过前面的实践，我们已经逐渐看到了scaling law。”

其次，采集的数据要素不完善。

操作类数据的采集，远不是“拍段视频“那么简单：视觉、力觉、触觉等多模态数据缺一不可，否则模型根本无从判断一次抓取该用多大劲、物体有没有打滑。

“但我们通过和很多手套公司合作，发现现在触觉手套还不太成熟，”奥比中光创始人、董事长黄源浩说，“另外是同步性——眼睛采到的数据是这个时刻，手上（的力觉）可能差15毫秒，这就已经不对了。”

但强调质量，也并不等于一味追求高精度。

“大家通常会默认精度越高越好，但精度提升必然会带来成本增加，核心问题其实是：数据精度达到什么水平时，对模型来说就已经够用了。只有把这个节点摸清楚，才能更好地平衡数据质量和数据规模。”蚂蚁灵波首席科学家沈宇军认为。

而比精度更容易被忽视的是数据分布，在他看来，“10万个同质化的任务，其实没有太大意义”，任务覆盖面，比单纯堆叠数量更重要。

再者，无法复用，采再多仍是“孤岛”。

比采集更隐蔽的浪费，是标准缺失。由于各家机器人构型不同，自由度、连杆长度、传感器布局各异，数据格式也不统一，导致今天采到的大量数据天然难以跨本体、跨企业迁移，既缓解不了短缺，还抬高了训练成本。

极佳视界联合创始人、首席科学家朱政算了一笔账：用几十万小时数据训练一个几十亿参数的世界模型和具身基模，成本大概在1亿元左右；若未来数据量涨到几千万甚至上亿小时，模型参数再扩大十到上百倍，又不提升样本利用效率，训练一个巨型基模可能要花上千亿元，比今天的大语言模型更贵，这“显然是不健康的”。

正因如此，他主张一边采新数据、提质量，一边同步迭代技术、提升样本利用效率，才可能在有限预算内把模型训出来。

甚至在黄源浩看来，数据固然很重要，数据标准更重要。

毕竟，没有统一标准，数据采得越多，越像在各自的孤岛上盖楼，楼盖得再高，也连不成一片。标准的价值，是让数据从“各家的私产”变成“可流通的行业基础设施”，让千万小时的积累真正能叠加，而不是重复消耗。

更关键的是，也只有数据真正可以跨本体复用，跨模型复用，数据成本才会降下来。否则，烧钱将是无底洞。

图片来源：无界动力

共识在数据结构，分歧在训练

理清了卡点，下一步自然是怎么破。

先在数据源头提质。

张玉峰就指出，对于世界模型，数据规模固然重要，数据质量更为关键。那么如何判断一个数据是否有质量呢？

他用交互数据的“有效信息密度”，给出了一把标尺，把数据按价值从低到高分成四类：第一类是观察性数据，几乎没有真正的接触和有效动作轨迹；第二类是简单接触类数据，比如抓取、放取物品；第三类接触点密集、操作精细，比如抓取微小、易碎物体，价值要高得多；第四类常被忽略、却极具价值，是记录“失败过程”的数据。

“尤其当这类数据的规模和质量得到提升，并混入训练数据后，对提高操作成功率，以及帮助模型在可逆转的失败场景中完成恢复，都有很大帮助。”张玉峰表示。

宋彬则建议以物理规律、物理常识和空间约束为导向去收集、整理数据，这样数据与训练目标会更匹配，也能大大节省成本。

除此之外，他认为还应该用好工业界已经建成的观测数据体系，这不仅仅指视频、照片，还包括声、光、电磁等环境场数据，从中挖掘物理规律、梳理时空拓扑关系，并推动数据从“相关性“走向“因果性”，基于本体把因果关系真正建起来。

再在模型训练端提效。

效率低下，不仅意味着更严重的浪费和更大的缺口，还直接推高训练成本。

但一个容易被忽略的事实是，尽管具身智能对真实数据需求巨大，世界模型会从根本上改变这一局面：随着模型理解能力的提升，其对数据量的依赖将大幅下降。

“人工智能发展到认知理解层面，对数据的依赖并不像大家想象的那样需要巨量冗余数据。人类学习一项技能靠的是理解，而不是无穷无尽的数据，这正是它和监督学习、对话学习的本质区别。”胡鲁辉表示。

此外，由于世界模型本身具备数据生成能力，在胡鲁辉看来，一些难以采集的稀缺场景数据，还可以通过世界模型的理解能力仿真生成。

张玉峰给出一个粗略估计：世界模型路线对数据量的依赖，可能比纯模仿学习少约三分之二。

最后，让数据飞轮尽快在真实部署中转起来。

模型最终要走出实验室，部署到真实场景中持续回传数据、迭代进化，正向飞轮才转得起来；否则数据采得再多、不真正用起来，也没有意义。那么具体怎么做呢？

张玉峰给出的路径是“工业练技能、商业练泛化、家庭最后突破”：先在传统自动化搞不定的柔性工序中打磨基础技能，再进入连锁商业这类“风格相似、细节各异“的场景训练泛化能力，最后才向家庭场景突破。

值得一提的是，这一“由易到难”的渗透次序，也是行业中不少从业者认可的务实路径。

但这些方向即便形成共识，也并未解决所有问题。在一个关键环节上，行业至今仍然存在分歧——后训练与精调阶段，究竟应以真机数据为主，还是以合成仿真为主？

图片来源：跨维智能

贾奎所在的跨维智能，一直坚持利用合成数据和生成式仿真进行后训练。他的理由很现实：如果成本里始终背着高昂的采集和调试成本，商业上难以成立。

“所以从第一性原理出发，我们必须追求更高效的后训练数据生产方式，而生成式仿真和合成数据正是解决物理泛化问题的重要路径。”贾奎指出。

与之相对，主流则更倾向于“真机锚定”。

宇树科技董事长、总经理兼首席技术官王兴兴就曾多次在公开场合指出，真正的AI机器人训练数据，需要海量的真人数据或者互联网数据作为主要的预训练数据，再加上一部分真机数据，让机器人真正和物理世界进行匹配。

这背后，是一道从仿真到现实（sim2real）的“现实鸿沟”：仿真器很难完整复现真实世界的摩擦、形变、电机延迟和传感噪声，策略迁移到真机后会出现不同程度的性能折损。

打个比方，这就像在游戏里练熟了开车，真上了路，方向盘的力度、轮胎的抓地仍然要重新适应。

而无论路线怎么争，一个不可否认的事实是，数据这道坎，不能仅靠一家公司独自扛起，毕竟数据底座是行业公共品。技术路线固然可以各走各的，但标准与公共数据，注定是全行业要一起修的那条路。

结语

关于世界模型，目前行业的共识是明确的：世界模型是具身智能突破泛化瓶颈的希望所在，物理智能是共同短板，数据飞轮决定迭代速度，能力最终要在真实部署中、而非实验室里长出来。

分歧也是真实的：技术路线尚未收敛，后训练以真机还是合成为主，各类数据如何配比，世界模型到底是“生成问题“还是“理解问题”，均仍无定论。

至于时间表，不妨记住两个坐标：王兴兴的“双80％”——在80％的陌生场景完成80％的任务，快则两三年、慢则五到十年；张玉峰的“工业—商业—家庭”渗透次序。一个给出量化终点，一个给出现实路径，拼在一起，大概就是这场技术长征当前的位置。

世界模型已经学会了在“脑海”里想象未来，它还需要学会的，是怎样弯下腰，用一双被高质量数据训练过的手，把现实里的活一件件干好。

这段从“想象”到“干活”的距离，将是世界模型接下来最硬的一公里。