
1. 具身智能领域的舆论狂欢
过去半年,具身智能领域有两场热闹的舆论狂欢。一场在屏幕,从Sora到各类视频生成模型展示能力,让 “AI再造现实” 叙事达到顶峰;另一场在 “墓碑”,英伟达首席研究科学家Jim Fan用WAM站在VLA墓碑前的meme图,将路线之争推到台前。两场狂欢核心词都是世界模型,但在具身智能领域,越多人谈论它,其面目越模糊,同一概念下有不同技术目标与商业诉求。
2. 世界模型的定义误区
当下世界模型最大危险是人们用其最易展示、制造传播爆点的一面定义全部价值。“造世界” 的炫技盖过 “用世界” 的本质,使世界模型偏离Physical AI真实物理场景。世界模型需要 “造世界” 能力,但对Physical AI产业而言,生成世界只是开始,最终要成为机器行动前的预演空间和决策依据。视频生成可推开世界模型大门,却走不完通向真实物理世界的路。
很多人将 “视频生成 = 世界模型” 作为认知入口。在数字原生场景,视频生成类路线是高效解法,有独角兽公司的产品在游戏、航空航天等领域有商业价值。但跨界到具身智能时,人们误认模型能生成数字世界就掌握了物理世界能力。北京智源人工智能研究院院长王仲远指出,当前视频生成技术本质是像素级世界模拟。抓杯子等具身场景说明,视频生成无法覆盖复杂力学响应等真实物理定律。视频生成是世界模型的一种表现形式,但不是具身智能要的世界模型,更不是Physical AI语境下的核心形态。
3. VLA与世界模型的关系
“VLA已死,WAM接班” 是产业流行叙事。过去两年,VLA是具身智能主流路径,通过海量遥操作数据建立映射,让机器人有进步。但VLA短板明显,缺乏对物理规律底层理解,泛化能力在新场景易失效。Jim Fan提出的WAM路线,从 “语义理解” 转向 “物理预测”,提升机器人对陌生场景适应能力。
产业实践中,事情并非 “非生即死”。行业分化出两条路线:一是硅谷主导的 “替代派”,以英伟达、Google DeepMind为代表,追求彻底范式重构,但门槛高;二是国内普遍的 “融合派”,多数玩家将世界模型作为VLA能力补集嵌入现有架构。智平方2026年5月发布VLA具身大模型AlphaBrain,将世界模型 “预演” 能力内嵌;银河通用今年4月发布LDA - 1B模型,实现世界模型与动作模型统一,成果入选机器人顶会RSS,代码开源。“替代” 与 “融合” 无绝对对错,VLA不会真 “死亡”,世界模型补上其物理预测能力,二者更可能分层协作。
4. 世界模型赛道的泡沫
当概念热度跑在技术落地前面,世界模型赛道浮现三重泡沫。第一重是定义泡沫,“世界模型” 概念被泛化,不同人有不同定义,国内多家公司宣称布局,但可能说的不是同一件事,定义泛化受融资需求与营销叙事推动。
第二重是算力泡沫,世界模型主流训练路线依赖海量视频数据与超大算力,是英伟达主场。硅谷头部玩家力推路线与英伟达商业逻辑契合,但投入门槛对多数公司是无底洞,很多团队难以承担。
第三重是落地泡沫,所有概念叙事要回答能否提升真机表现。现实中,仿真到真实的迁移鸿沟不会因模型名字改变而消失,数字世界生成模型与物理世界模型要求不同,很多团队忽略真实物理交互数据。世界模型在仿真有漂亮指标,但未在真实场景验证价值,仍是实验室技术探索。
5. 具身智能世界模型的正确方向
面向Physical AI或具身智能的世界模型,核心评价标准是能否帮机器在物理世界行动、降低试错成本、提升泛化能力、嵌入业务闭环。真正走在正确方向的玩家,让世界模型从 “展示导向” 转向 “任务导向”,其终极形态是内嵌在物理系统中的基础能力,藏在自动驾驶、机器人、工厂产线等系统中,用户常感知不到。那才是世界模型的时代,当然它也可以不叫世界模型。
261



被折叠的 条评论
为什么被折叠?



