“今年世界模型虽然火爆，但大部分工作仍停留在视觉生成层面，主要基于视频生成类预训练模型做后训练。”

　　7月17日下午，在世界人工智能大会（WAIC 2026）主论坛“从虚拟到现实：世界模型如何驱动具身智能”讨论环节，智元合伙人、高级副总裁、具身业务部总裁、觅蜂科技董事长兼CEO姚卯青谈到，世界模型的本质是“能够理解物理世界运行规律的AI系统”，其中最重要的功能是能够预测世界的下一步状态。因此世界模型需要掌握三项关键能力：一是多模态融合理解能力，能理解环境的变化；二是掌握物理规律，包括动力学及时空理解；三是因果推理，具备长程推理而不崩坏的能力。

　　姚卯青直指当前世界模型训练中存在的两大问题。

　　一是数据类型的错配。互联网视频的数据分布与机器人真正需要的物理世界数据存在本质差异——互联网内容很多是娱乐性甚至反物理规律的，比如人也可以飞起来，而机器人需要的是接触丰富、包含推拉拧拽等动作、涵盖柔性物体、摩擦力、流体等多样物理交互的真实数据，这些既在互联网上稀缺，也难以通过现有物理引擎模拟。

　　二是数据规模的不足。他以大语言模型为参照：国际领先团队的预训练数据已达100万亿 Token，等效约100亿小时的说话量；而语言作为信息密度高、噪声低的系统尚且需要如此规模，物理世界数据的信息密度远低于文本，要实现更高阶的物理常识判断，可能需要达到"亿小时"量级的真实世界数据。

　　展望具身智能在未来三年落地应用发展前景，姚卯青认为，短期来看，高频刚需、环境可控、确定性强且具备容错空间的场景最容易落地。而家庭等更开放的环境和任务，则需要行业构建更加通用、可泛化的能力来逐步解锁。