“工业级自动驾驶系统训练需要约100万小时视频数据，而具身操作需要刻画更复杂的接触式物理规律，至少需要1000万小时合格数据。”

　　7月17日，在2026WAIC主论坛现场，它石智航创始人兼CEO陈亦伦表示。

　　在陈亦伦看来，具身智能领域世界模型的核心定义是：能够高频联合预测动作与世界状态的人工智能模型。他指出，当前行业流行的VLA（视觉-语言-动作）模型仅能输出机器人的下一步动作，而世界模型不仅要输出动作，还要预测动作引发的世界状态变化，以及判断变化结果是否符合预期，完整覆盖强化学习“状态-动作-奖励”三要素，是比VLA更完备的技术框架，能够结合监督学习与强化学习提升物理交互任务的完成率与稳定性。

　　针对世界模型的训练方向，陈亦伦提出，训练的核心目标应当是动作预测而非状态预测。他以大语言模型的发展路径类比，认为大模型通过模仿互联网海量人类文本最终实现能力超越，具身智能也将走“大规模模仿人类、最终超越人类”的路径。而人类在物理世界行动时，并不会刻意预测下一时刻的世界状态，而是基于视觉感知直觉输出动作，因此“状态用于感知，动作才是模型需要预测的核心”，世界模型的突破关键在于积累海量“状态-动作”配对数据。

　　针对今年上半年世界模型的行业热潮，陈亦伦认为，所有实现规模化落地的AI领域都需要经历三次范式突破：可规模化预训练、规模化对齐、可规模化商业化部署，大语言模型、代码模型、自动驾驶均遵循这一路径，具身智能作为多模态大模型的新场景，同样无法跳过这三个阶段，世界模型仅解决了预训练阶段的部分问题。

　　当前世界模型训练面临的最大瓶颈是合格数据的缺失，行业普遍采用视频数据训练的路径存在物理模态的先天不足。他表示，视频仅能提供几何与语义信息，适合自动驾驶等非接触类场景，但机器人操作属于接触类场景，力、触觉、物体柔性等核心物理信息无法通过视频获取，“仅通过视频无法发现牛顿第二定律，视频能呈现位置与加速度，但无法呈现质量与力”。

　　他提出，合格的具身训练数据需要满足三个条件：一是模态齐全，除视觉外必须包含力、触觉等物理交互信号；二是具备高交互性，不能是第三方视角的旁观视频，必须是智能体通过动作改变世界状态产生的交互数据；三是数据必须来自真实场景与真实任务。