機器人翹首以盼的大腦，會是世界模型嗎？
8月19日，“人形機器人第一股”宇樹科技正式登陸A股科創板。董事長、總經理兼首席技術官王興興所持市值超千億元，將“90”後新首富的稱號收入囊中。上市次日，宇樹科技開盤跌6.51%，報790元。該股昨日收漲460%。
宇樹科技從四足機器人切入，2023年推出首款人形機器人H1。2025年，其人形機器人出貨量超5500台，居全球第一。宇樹方面表示，計畫將募集資金用於智慧型手機器人模型研發、智慧型手機器人製造基地建設等多個核心項目。
宇樹機器人常被業內稱為“小腦強於大腦”。宇樹科技長期聚焦運動、關節控制等小腦能力，機器人能跑能跳，但在大腦層面，即具身大模型、任務理解與世界理解的能力上，研發投入一度有限。去年9月，宇樹推出開源世界模型UnifoLM-WMA-0，想要為通用機器人學習提供統一的技術基礎，其核心是一個能理解機器人與環境互動物理規律的世界模型。8月20日，在2026世界機器人大會上，王興興稱，邁向具身智能的ChatGPT時刻，理想情況下需要2—3年，或者更長的5—10年時間。
他提到，目前全世界範圍內，制約機器人真正走進生活、走進家庭的最大瓶頸就是具身智能的泛化能力還不太夠。他坦言，機器人在任務執行中“最後一釐米”的偏差會導致其任務成功率出現暴跌，“這是非常嚴重的一件事”。
近兩年，越來越多的具身智能廠家意識到，如果機器人的大腦跟不上，即便做到極致靈巧，也難以真正商品化。那麼，所有機器人翹首以盼的大腦，會是世界模型嗎？
路線之爭
如果你端著咖啡杯，問AI“我把咖啡杯鬆開會怎樣”，普通大語言模型會回答“它會掉在地上摔碎”，因為它從訓練資料裡看過這個答案。
而世界模型則會觀察你鬆手時杯子距地面的高度，結合當地重力加速度，告訴你“杯子會在0.5秒後落地”，並根據杯子材質模擬碎裂程度。它不需要讀過這句話，它自己會算。
這便是世界模型，一個主攻物理環境認知和預測的系統。圖靈獎得主、前Meta首席AI科學家楊立昆（Yann LeCun）將世界模型定義為能預測行動後果的內部模擬器，是機器人對世界的認知引擎。除此之外，世界模型還有許多紛繁的定義，但共同點是，承認智能體需要通過學習環境的物理規則，比如杯子下落會摔碎，來建構虛擬場景，從而無需實際行動就能預判不同決策的後果。
美國史丹佛大學教授、World Labs創始人李飛飛研究空間智能，稱其為AI的下一個前沿。“……AI要理解、生成、推理並與三維空間互動，而建構大型世界模型，正是實現空間智能最重要的路徑。”而李飛飛的學生、復旦大學通用物理智能研究院院長蘇昊則專注物理智能，希望AI在物理世界裡能夠有效完成任務，執行恰當的行動。
快思慢想研究院院長田豐認為，物理智能、空間智能、世界模型，是同一件事的三個切面。他告訴《中國新聞周刊》，空間智能關心“房間的幾何結構記不記得住”，物理智能關心“抓、推、擰這些動作做不做得成”，而世界模型是這兩者背後的推演能力。
比定義更複雜的，也許是世界模型的技術路線。雖然這個概念的誕生可以追溯到1943年，但數十年來，人們仍在為如何實現它而爭論。
楊立昆押注的是某種“隱空間”的學習模式，希望在一個抽象的空間裡讓AI去預測未來狀態。Meta在2025年6月發佈的視訊模型V-JEPA 2就是這一路線。在丟掉一些無關緊要的細節，比如杯子裡的水有多少度之後，該模型能學到“杯子會摔碎”這一因果結構。但問題同樣很明顯，“隱空間”不可見，工程化和規模化遇到困難。
在生成式大模型出現後，生成式的世界模型自然湧現。像Sora、Seedance這樣的視訊生成模型，能基於傳統大模型的Transformer架構自動生成下一幀畫面，從海量視訊學習並製作“看上去合理的世界”。但視覺上合理不等於物理正確，長時間視訊的合理性也依然存疑。
李飛飛團隊開發的 Marble模型則能直接生成可互動、幾何一致的3D世界，空間精度可以做到很高，但算力需求巨大。可以說，如何實現世界模型，目前還未出現壓倒性的技術方案。
核心瓶頸是資料
即便是目前最前沿的世界模型，在嚴格的測試下，也會暴露出短板。它們離真正的“世界模擬器”還有不小距離。
遊戲中，我們能看到球憑空消失、運動軌跡錯誤等不符合物理規律的現象。這只是最安全的一種“翻車”，到現實世界就沒那麼美妙了。一項專門針對自動駕駛世界模型的測試發現，即使是目前最好的模型，如GoogleVeo 3.1，在預測物理風險如熱油濺射、金屬遇水反應時仍不可靠，會錯過關鍵風險鏈條或誤判嚴重程度，遠未達到安全部署的要求。
北京智源人工智慧研究院院長王仲遠曾表示，視頻生成模型可能生成一群在天上飛的豬，但物理世界不會這樣運行。如果機器人裝上一個不能區分真實和虛幻的大腦，它可能誤以為自己是鋼鐵人，這會帶來嚴重風險。
世界模型目前仍處於早期探索階段，其面臨的挑戰也比大語言模型更為複雜。田豐認為，兩類模型所需資料完全不同。大語言模型學的是人類已寫下來的東西，是被人加工過一遍的二手經驗。世界模型學的是攝影機、感測器、機械臂直接采到的一手記錄。人類寫下的高品質文字總量大致到頭了，而視訊和感測器資料每天新增的量要高出好幾個數量級。
一個直觀的對照是，V-JEPA 2只有12億參數，不到主流大語言模型的百分之一，卻用了超過100萬小時的視訊來訓練。資料稀缺和昂貴是這條路最核心的瓶頸。同時，模型生成的誤差會逐幀累積，導致場景漂移、物體遺忘、邏輯崩壞。當前最強的模型也只能維持幾分鐘的物理一致性，而業界普遍認為，連續、可靠地模擬一小時以上的物理過程，才是工業可用的門檻。
世界模型到底理解了多少物理規律，現在仍缺乏統一評判標準。行業多用下游任務來間接評估，但預測準不准、有沒有理解之間，始終隔著一條無法直接測量的鴻溝。這進一步拖慢了技術迭代。
即便如此，世界模型仍因廣闊的應用場景而備受追捧。田豐指出，自動駕駛裡，世界模型已得到了正反饋。特斯拉在去年10月的國際電腦視覺大會上介紹過其神經世界模擬器，用車隊回傳的資料訓練出一個模擬駕駛環境，並稱同一套系統可遷移到人形機器人。“車在路上跑的每一公里都在自動產生反饋資料，這是其他方向短期內不具備的條件。”
相比智駕這一短期最可能落地的場景，其他世界模型產品，比如Marble，田豐認為其進入市場還為時尚早。當在虛擬世界裡訓練的機器人，直接搬到真實世界後的成功率，超過用同樣成本採集真實資料訓練出來的成功率時，拐點就到了。從那一刻起，造資料比采資料划算，這也許是世界模型帶給人們的最大顛覆。
而要真正學會“預測下一個物理狀態”，世界模型還需在資料、架構和對因果關係的理解上實現根本性突破。(中國新聞周刊)