7月8日，北京商报记者获悉，智源研究院近日公开具身大脑悟界·RoboBrain Orca的技术报告。根据报告，大语言模型学会了预测“下一个词”，于是有了会写代码、会做题、会对话的ChatGPT、DeepSeek、Qwen。视频生成模型学会了预测“下一帧”，于是有了越来越逼真的图像和视频生成模型，例如Seedance、Sora。具身模型学会了预测“下一个动作”，于是机器人开始能完成越来越复杂的任务。而悟界·RoboBrain Orca的目标是做一件更底层的事：让AI在“脑海中”形成一个表征，该表征是对当前世界状态的高度“浓缩”，基于该表征，AI能够建模向前和向后世界状态的演变。这就是悟界·RoboBrain Orca作为“多模态表征世界模型”的核心哲学：The World is in Your Mind（世界尽在脑海）。
悟界·RoboBrain Orca在看到一段视频、一张图、一个指令、一段事件描述后，先在内部形成一个统一的世界潜在表征空间。这个世界潜在表征空间就像AI的“脑海中的世界”，它把视觉、语言、事件、任务意图等多模态的信号组织起来，学习物体如何运动、场景如何变化、动作会带来什么后果、事件之间有什么因果关系；当前状态如何走向未来状态；甚至在某些条件下，世界会不会朝另一个方向演化。悟界·RoboBrain Orca的核心变化：从Next Token/Next Frame/Next Action，走向Next State Prediction（从预测下一个词/下一帧/下一个动作，走向预测下一状态）。
悟界·RoboBrain Orca随着训练数据的增加，下游任务能力可随之提升，且具备持续Scaling的潜力。悟界·RoboBrain Orca学到的表征可通过多种解码器读出。在文本读出上，悟界·RoboBrain Orca更擅长状态转移的理解和动态运动的推理；在图像读出上，悟界·RoboBrain Orca更能展现真实场景的交互预测能力；在动作读出上，悟界·RoboBrain Orca没有在预训练中学习动作标签，也能帮助下游机器人更好地泛化。
