“OpenAI在ChatGPT成功之前，也经历大量产品探索，其中很多都没有成功。”

　　7月17日下午，在世界人工智能大会（WAIC2026）主论坛现场，亮源新创创始人兼CEO、ChatGPT核心贡献者姜旭分享了他的观点。

　　作为华人科学家，在离开OpenAI后，姜旭去年回国在深圳创办“亮源新创”，投身具身基础模型，今年也是他首次亮相WAIC。

　　姜旭表示，过去几年，大模型的发展本质上是一个不断模仿人、最终超越人的过程。互联网几十年积累了海量的人类文本数据，大语言模型通过学习这些数据，逐步获得并最终超越了人类在许多任务上的能力。具身智能的发展也应该遵循类似的路径——通过大规模模仿人，最终实现超越人。

　　他认为，仅有世界模型还不足以实现通用具身智能。过去几年，无论是大语言模型、代码模型，还是智能驾驶，真正实现突破都经历了三个共同的阶段：可规模化的预训练（Scalable Pre-training）、可规模化的对齐（Scalable Alignment）以及可规模化的部署（Scalable Deployment）。

　　“世界模型不会是例外。具身智能本质上仍然是一个新的大模型问题。”姜旭表示。

　　在他看来，对于具身智能来说，世界模型最重要的能力，是基于对世界的观察和视觉感知生成下一步动作。但今天主流世界模型架构，还没有很好地同时完成两件事情：理解（Understanding）和生成（Generation）。

　　“今天很多世界模型同样遇到了类似的问题，它们往往采用统一方式去处理状态预测和动作预测，因此很难同时兼顾两种能力。最终，模型往往要么更偏向生成，要么更偏向理解。”姜旭谈到，这也是亮源新创重点攻克的问题，希望通过架构创新和数据创新，更好地统一状态理解和动作预测两项能力。

　　姜旭认为，今天AI时代最大的红利，本质上是智能供给的红利。它并不是因为突然出现了新的需求，而是因为过去几十年互联网积累了海量数据，再结合近年来算法突破，把这些数据转化成了智能。

　　在他看来，互联网规模最大的数据是视频数据。互联网已经拥有约100亿小时的视频内容，这也是亮源新创自成立以来重点投入的技术路线。从场景来看，互联网视频主要来自人们日常生活，具身智能最早实现能力跃迁的，也更可能是这些日常生活场景。

　　大模型早期往往不具备足够高的精确性和可靠性。因此，过去几年真正成功的大模型应用，几乎都率先落地于高容错场景。例如，早期AI做PPT存在明显幻觉，但定位是助手；代码模型负责提供建议，由程序员最终确认；今天的视频生成模型，很多时候也是一种创意工具。

　　姜旭表示，具身智能也很可能遵循类似规律，首先在高容错场景实现商业突破，大模型的训练路径已经越来越清晰，但真正找到适合模型能力的产品形态和商业场景依然需要行业的共同努力。

　　“对于具身智能公司而言，一个更现实、成功率更高的策略，是保持开放心态，持续探索丰富的应用场景，而不是过早假设唯一正确的商业化方向。”他坦言。