7月28日，“AI教母”李飞飞创办的World Labs在官网发布技术博客《Building Worlds That Train Robots》（构建训练机器人的世界）。在完成对机器人仿真初创公司SceniX的收购后，World Labs首次集中展示了其在机器人训练领域的进展。

　　文中，World Labs声称已打通“真实任务—仿真世界—真实机器人”的闭环，机器人策略的训练数据可以完全来自仿真。“随着技术不断进步，我们的生成式世界模型（World Models）还将越来越贴近真实世界，覆盖机器人可能面对的各种变化，机器人可以在这些环境中交互、学习并接受评估。”World Labs称，“而这仅仅是一个开始。”

　　这样的趋势已经拉开帷幕。对具身智能行业而言，世界模型最核心的吸引力，在于它能够模拟真实环境，并为机器人提供训练与测试空间。作为一个尚无统一定义的技术概念，世界模型在短短半年内，借势具身智能热潮，被AI从业者与投资圈共同追捧，迅速发展成为一条新兴赛道。

　　AI进化的下一个焦点

　　世界模型走俏，正值机器人与物理AI热潮高涨之际。

　　长期以来，为提升机器人跨任务、跨场景的泛化能力，业界主要沿着模仿学习路径推进，端到端VLA（视觉—语言—动作）模型逐渐成为主流技术路线。具身智能数据基础设施公司艾欧智能联合创始人丁哲章告诉记者，自2025年初起，全国多地开始建设具身智能及人形机器人的数据采集场和训练场，艾欧参与了北京、上海、湖北等地的早期数采工厂项目。

　　这轮持续至今的数采工厂建设热潮，折射出机器人训练对数据的旺盛需求。自2025年底以来，随着行业目标从演示验证转向量产交付，VLA对真机数据的高度依赖也成为制约因素：此类数据采集成本高、周期长，难以覆盖现实世界中复杂多变的长尾场景，机器人面对新环境和新任务时，泛化能力仍显不足。

　　业界由此逐渐意识到，要推动机器人规模化落地，答案不必然是VLA。此时，黄仁勋、杨立昆和李飞飞等AI领军人物给出了新的方向——世界模型。

　　所谓世界模型，其理论出发点是，如今的AI更多拥有“书本智慧”：模型主要从人类积累的语言、图像和视频中学习，对物理世界的理解仍大多来自间接经验。若要进一步进化，AI还需要获得与环境交互的能力，像人类一样，根据行动产生的结果修正判断，并逐渐理解空间关系、物体属性和物理规律。英伟达CEO黄仁勋曾表示，世界模型有助于解锁“物理AI”，从而实现机器人、自动驾驶汽车等的自主操作。

　　不过，具备哪些能力的模型能够被称为世界模型，行业尚无共识。目前来看，从视频生成、3D图形引擎到自动驾驶和机器人，不同公司都在使用这一概念，但其数据、模型架构、输出形式和评估标准差异显著。

　　腾讯首席科学家、Robotics X实验室主任张正友认为，具身智能的技术栈尚未像语言大模型一样形成相对统一的范式。“去年说VLA是第一个范式，今年讲世界模型……如何实现世界模型，到目前没有一个统一的技术方案。”

　　在他看来，面向具身智能的世界模型，关键不是生成一段视觉上连贯的视频，而是理解机器人采取某个动作后，物体和环境将发生什么变化。如果模型只根据提示词生成画面，没有与机器人的感知、决策和行动形成闭环，就不能等同于机器人所需要的世界模型。

　　这也构成世界模型与VLA的主要区别。VLA通常把视觉和语言输入映射为机器人动作，优势在于可以直接输出控制指令，但对训练数据依赖较高，对物理世界及动作后果的理解仍然有限，而世界模型则更强调预测行动之后的环境状态。

　　两者并非截然对立。张正友判断，随着VLA加入视觉理解、视频预测等能力，它正在向世界模型靠近，世界模型也在逐步接入动作生成，最终可能形成感知、预测、规划和行动相互连接的闭环。

　　目前，腾讯发布的RxBrain具身世界认知基座模型便包含类似思路，模型不仅规划机器人下一步做什么，还会生成任务完成后的目标状态，让机器人预判物体和环境应该呈现何种状态。对于一些难以用语言准确描述的操作，目标状态图像还可以为底层动作模型提供更明确的执行方向。

　　视频及3D模型公司生数科技CEO骆怡航则将世界模型的能力划分为三个维度，即感知和理解、预测和想象以及行动。“这三个方向缺一不可。”在他看来，如果世界模型只能生成或重建数字场景，却不能刻画人与世界的交互规律、进一步驱动数字空间和物理空间中的行动，其基础模型属性仍然有限。

　　骆怡航告诉记者，生数科技选择把理解、预测、生成和行动放进统一的MoT（Mixture of Transformers）架构，并以互联网视频、第一人称数据、合成数据和本体数据组成分层的数据金字塔。其思路是先利用规模更大、获取更容易的数据建立对物理世界的基础理解，再逐层加入与机器人本体和具体任务相关的数据，以降低对最昂贵的实机数据的依赖。

　　这与传统VLA更多依赖“视觉—语言—动作”配对数据的路线有所不同。骆怡航认为，世界模型还应吸收操作失败和长尾场景等“不完美数据”，因为这些数据同样包含物理规律和动作后果，有助于模型形成更强的泛化能力。

　　ChatGPT等大语言模型展现出被业界称为“涌现”的现象，即模型参数、训练数据和算力投入跨过一定阈值后，一些在小规模模型中并不明显、也未经过专门训练的能力开始显现。具身智能行业期待世界模型复制类似路径，在规模扩展后获得跨任务、跨场景和跨本体的理解、预测与行动能力。

　　不过，世界模型是否已经接近能力“涌现”，业内判断并不一致。骆怡航提到，生数科技在世界行动模型Motubrain的实验中已经观察到一些类似语言模型Scaling Law的现象，具身模型可能正接近Scaling Law的拐点。

　　具身智能公司灵生科技合伙人蒋玉骅的判断更谨慎。他认为，世界模型在模型规模、数据规模与能力关系上的研究仍不充分，Scaling Law的探索大致处于类似语言模型GPT-3的早期阶段，能否稳定复现仍需验证。即便在世界模型内部，模型架构、训练方法与数据筛选标准也尚未统一。

　　他告诉记者，现阶段，VLA、世界模型和分层控制（将机器人的任务规划、技能执行和底层运动控制拆分为不同层级，由不同模型或控制器协同完成任务）各有应用场景，也都有继续发展的潜力。

　　“VLA、世界模型和分层控制三种路线应该属于齐头并进的状态。”蒋玉骅说，当前世界模型仍处于“百花齐放但非常早期”的阶段，技术路线尚未收敛；VLA也并非过时的范式，其结构仍可能在一些特殊任务中发挥更好的效果。

　　并非万能

　　从落地应用来看，世界模型并非让机器人变得万能的灵丹妙药。多位受访者告诉记者，尽管世界模型的长期目标指向通用机器人“大脑”，但其现阶段更明确的产业价值，可能首先出现在数据的生成、筛选、轨迹转换和训练评估等环节。

　　具身大模型公司灵初智能联合创始人兼强化学习负责人陈源培介绍，灵初智能将策略模型与世界模型分开，策略模型负责将观测数据映射为动作，世界模型则承载强化学习过程，将人类动作轨迹修正、迁移为机器人能够执行的轨迹，再把转换后的数据反馈给策略模型。

　　此外，世界模型还可能帮助解决人类示范与机器人本体之间的差异：人类的手臂结构、运动范围和受力方式与机器人并不相同，动作轨迹不能直接由机器人复现。通过在世界模型中进行修正和转换，部分人类数据有机会变成机器人能够执行的训练轨迹，再反馈给策略模型。

　　“世界模型本质上是一个评估器。”陈源培指出，它可以判断一段数据能否转换为机器人可执行的数据，由此辅助评估数据质量、指导数采员操作和后续数据处理，但代价是需要消耗更多算力。

　　值得注意的是，世界模型同时处理视频、动作和机器人状态，也对数据标准提出更高要求。来自不同机器人、相机和采集系统的数据，如果缺少统一格式、准确时间戳及一致的时序语义，即使数量庞大，也很难直接合并训练。

　　数据需求的变化已开始传导至产业链。陈源培称，在灵初接触的数据需求中，需求量最大的反而不是一般具身团队，而是世界模型团队；训练面向机器人的世界模型，需要大量专门的具身数据，而非普通视频数据。这表明，围绕世界模型训练的数据采集、处理和算力需求正在上升。

　　模型公司也在尝试进入本体适配和场景落地阶段。据骆怡航介绍，生数科技的Motubrain模型已与无界动力、深朴智能等机器人本体厂商展开合作，利用本体相关数据进行后训练、适配和部署，部分适配可在半天至一天内完成。其目标是让同一模型兼容轮式、人形、机械臂、夹爪和灵巧手等不同本体。

　　不过，骆怡航表示，目前具身智能行业尚未出现真正的机器人大规模量产和交付，很多项目仍处于科研和表演阶段，酒店、商超乃至家庭等半标准化和非标准化场景的商业应用仍处早期，进一步落地还需要硬件、运动控制“小脑”和具身“大脑”同步迭代。