6月12日，第八届北京智源大会在北京中关村国际创新中心开幕。本届大会汇聚200余位专家学者、40余位AI企业CEO、创始人与首席科学家，世界模型、通用智能体、具身智能、AI自进化等成为高频议题。

　　过去两年，大模型让机器会说更会写，也会生成图像和视频。但机器人要进入工厂、仓储、酒店、家庭等真实场景，只“看见”还不够。它还要知道，自己这一伸手、一转身、一夹取，会不会碰撞、会不会掉落、会不会把后面的路堵住。换句话说，机器人要真正可用，得先有点“心里有数”。

　　机器人为什么要先“想一想”

　　在星源智展区，一块被打乱的华容道棋盘，把这个问题讲得很直观。人玩华容道时，往往会在脑子里先走几步：这块挪开后，空格到哪里，下一步还能不能接上。机器人面对的也是类似问题。它不能只识别棋子位置，还要理解约束关系，并在动作执行前预估后果。

　　星源智在2026智源大会现场展示华容道世界模型互动。（星源智供图）

　　北京星源智机器人科技有限公司（简称“星源智”）在大会上发布自研具身交互世界模型ω-EVA。按照公司介绍，EVA对应Envision、Verify、Act，即“预演、验证、行动”——机器人先提出候选动作，再在潜在特征空间里预判这个动作会带来什么变化，最后据此修正动作。它的重点不是生成一段好看的未来视频，而是把“如果这样做会怎样”反馈给当下动作。

　　星源智联合创始人、智源研究院具身交互世界模型研究中心负责人孙振国在演讲中提出，具身智能不只是会看、会听、会生成动作，还需要在行动之前理解交互后果，并在真实反馈到来之前修正自己。这个判断，也是当前世界模型从研究概念走向机器人控制链路的关键变化。

　　星源智联合创始人、智源研究院具身交互世界模型研究中心负责人孙振国在2026智源大会介绍ω-EVA。（星源智供图）

　　技术趋势：世界模型从“预测未来”走向“修正行动”

　　世界模型并不是一个孤立的新词。智源研究院判断，人工智能正从大语言模型、多模态模型，继续向以“预测下一个物理状态”为核心的世界模型演进。通俗说，大语言模型擅长预测下一个词，世界模型则要学习物理世界下一步会怎么变。

　　国际上也有相似趋势。Meta AI发布V-JEPA 2时介绍，该模型通过视频学习物理世界表征，并用少量机器人数据进行行动条件训练，以支持机器人在新环境中完成抓取、放置等任务。英伟达Cosmos把世界基础模型用于“物理AI”开发，服务机器人和自动驾驶的仿真、数据生成与策略训练。Google DeepMind的Genie 3则展示了生成可实时交互动态环境的路线，用于训练和评估智能体。

　　这些路线各不相同，有的侧重视频生成，有的强调隐空间表征，有的用于仿真和数据引擎。共同方向却很清楚：让AI不仅知道“眼前是什么”，还要知道“动作之后会发生什么”。星源智ω-EVA强调的交互式路径，则进一步把世界模型放进单次动作决策中，让它参与动作修正。换句话说，未来不是生成给人看的，而是反馈给机器人用的。

　　如何落地：从演示台到真实任务还差什么

　　大会现场，星源智还展示了动态产线分拣、机器狗清洁官、机器人递送咖啡等场景。相比华容道，这些任务更接近产业现场：传送带上的物料在动，公共空间中的垃圾位置不固定，递送咖啡要求路线、姿态和交互都稳定。机器人要完成的不再是单个动作，而是一整条“感知—判断—执行—反馈”的任务链。

　　这也解释了为什么端侧能力被反复提及。星源智展示的N5、T5和算力背包等产品，意在把具身大脑、导航、世界模型和硬件算力组合到机器人本体上。公司创始人兼CEO刘东在会间交流中判断，大模型只有真正部署到机器人端侧，进入实时感知、决策和控制链路，才能转化为可用的具身智能能力。

　　不过，世界模型热起来，并不意味着机器人马上就能大规模走进所有场景。据专业人士介绍，行业仍面临数据集不统一、物理一致性评估不足、实时控制中算力与性能取舍、长时序误差累积等挑战。刘东也把当前具身智能类比为十年前的自动驾驶：大家都瞄准高阶目标，但真正稳定落地的基础能力仍在形成中。

　　星源智展示RoboBrain Pro×DECO动态产线分拣场景。（星源智供图）

　　业内人士认为，世界模型的产业价值，不在于又多了一个炫目的AI名词，而在于它能否让机器人从“看见指令后直接动手”，推进到“动手前先推演、动手中能修正、动手后会学习”。这一步如果走通，机器人进入真实任务闭环才会更接近现实。大模型给机器装上了语言能力，世界模型要补上的，是面对物理世界时那一点朴素但关键的“心里有数”。