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”，这个“表征”即对当前世界状态的高度“浓缩”，基于该“表征”，AI就能够建模“预测”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”正在践行的核心思路。

　　从预测“下一个具体模态输出”，走向预测“下一个世界状态”

　　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。

　　简而言之，悟界·RoboBrain Orca在认识世界时的核心变化是：从Next Token/Next Frame/Next Action，走向Next State Prediction。

　　悟界·RoboBrain Orca的技术哲学：先利用多模态世界信号学习世界表征，再完成任务。

　　当AI也能像幼童那样无意识学习

　　婴儿会看到东西掉落，会看到人走动，会看到门被推开，会看到球滚到桌子下面。这些经验不是通过标签学习的，而是通过连续观察自然世界获得的。悟界·RoboBrain Orca的无意识学习也是如此，它客观地看世界，通过海量真实世界的视频，让它先学会“世界自己怎么动”。

　　悟界·RoboBrain Orca的认知能力转变，根本上还是训练数据的积累，但悟界·RoboBrain Orca更具备了持续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。

　　悟界·RoboBrain Orca所代表的世界学习范式有可能从具身智能进一步走向科学发现、复杂系统建模乃至更广阔的认知边界。业内人士分析认为，它仍然是多模态表征世界模型的一个早期版本，但却有可能成为通用世界基础模型的一块重要基石。

　　文、图/广州日报新花城记者：钟达文