“世界模型”无疑是2026年AI领域，甚至是具身智能和人形机器人行业最热的赛道。

半年前，行业还在集体讨论VLA模型怎么从车上走进机器人里，理想、小鹏等公司几乎把VLA奉为“标准范式”。

短短几个月后，风向方向变了。

今年上半年，全球投资圈的热钱除了继续押注具身智能，另一个被反复提及的关键词已经是“世界模型”。

其中在海外，美国斯坦福大学教授、“AI教母”李飞飞创立的 AI 独角兽 World Labs 凭借“空间智能与世界模型”技术备受瞩目，完成了超10亿美元融资并以高估值洽谈新一轮融资，英伟达和AMD罕见同时押注。

而图灵奖得主、深度学习之父杨立昆 (Yann LeCun）的AMI Labs拿下10.3亿美元种子轮，创下欧洲AI领域种子轮融资纪录。

国内上半年，国内发生超过30起世界模型相关的融资事件，融资总额超40亿元。其中，极佳视界在两个月内连获两轮融资，总计达25亿元，成为百亿估值独角兽。

赛道热度仅半年，世界模型领域已涌现出第一梯队头部玩家。

7月19日下午，世界人工智能大会WAIC 2026期间的“世界模型‘六小龙’巅峰论坛”上，大晓机器人攒了一个圆桌，找了五家世界模型赛道比较标志性的公司，分享世界模型赛道的核心趋势。

这场圆桌非常有趣。

尽管参会的嘉宾均为企业 CTO 与研发负责人，内容偏AI学术专业，但整场对话干货十足，能清晰窥见业内人士对世界模型的真实需求、赛道发展的普遍焦虑，以及评测基准、落地等行业现存痛点。

本次圆桌主持人是大晓机器人首席科学家、澳大利亚科学院院士、欧洲科学院外籍院士陶大程，他还曾任京东探索研究院院长，现任新加坡南洋理工大学教授。

圆桌当中，陶大程与五位嘉宾围绕评测、技术难点、落地场景等话题展开对话。

另外五位嘉宾分别是：

蚂蚁灵波首席科学家 沈宇军

极佳视界联合创始人兼首席科学家 朱政

无界动力联合创始人兼CTO 夏中谱

智元机器人AI算法总监 任广辉

自变量机器人联合创始人兼CTO 王昊

值得一提的是，现场的几家企业当中，大晓机器人董事长、商汤联合创始人王晓刚，以及陶大程、沈宇军三位，均是已逝的著名AI领域科学家、香港中文大学教授、商汤科技创始人汤晓鸥的学生。

王昊则曾在AI科学家沈向洋（Harry Shum）的粤港澳大湾区数字经济研究院（IDEA 研究院）担任封神榜大模型团队算法负责人。

夏中谱曾在理想任职，任广辉曾是蔚来大模型研发负责人。

朱政则是博士毕业于中国科学院自动化研究所，2019年至2021年在清华大学自动化系从事博士后研究，他的多篇论文都发表在CVPR、NeurIPS、AAAI等顶会上。

以下是我总结的这场圆桌几个关键笔记：

1、六位都有一个共识，当前没有一个公平、标准、统一的世界模型评测基准，大部分评测还都是视频生成类型的，但世界模型需具备物理因果推演能力，以支持可靠决策，而非仅生成视觉连贯但物理不合理的内容。

2、世界模型的评价指标（三大核心）。泛化性：模型能否在不同场景、物品和操作技能上保持一致表现，体现对物理因果规律的真实理解；预测精度：对未来状态（如几何、运动、力等）的预测是否准确，而非仅像素级复现；决策有效性：世界模型是否能显著提升策略（policy）的性能，如真机任务成功率、接管率等。

3、六家公司的路线都已经有了很大差异。

比如，蚂蚁灵波更注重物理通用大脑，聚焦更适合物理世界的架构，强调数据链路与模型能力积累；极佳视界则希望从垂类（自动驾驶、具身、内容创作）向通用演进；无界动力，则是用浅空间表达物理世界，通过强化学习赋予机器人“世界观”与“价值观”；自变量机器人的端到端世界统一模型，是以原生多模态方式组织物理信号，用于预测与控制。

以下是世界模型“六小龙”圆桌对话，未经主办方审核，只是简单梳理，仅作enjoy和参考：

1、两年后回看，世界模型行业哪些做法做对、哪些做错？

陶大程：各位来宾、线上的朋友们，大家下午好！欢迎来到世界模型六小龙圆桌对话现场。今天到场的五位嘉宾，都是国内世界模型赛道公认的头部从业者，各自代表当下最主流的技术路线，这场圆桌也可以说是国内世界模型行业发展的一个缩影。

本次论坛大晓同步发布统一评测平台，也带来多组技术演示，同时行业内也形成一个共识：研发具身世界模型，核心目标不是复刻像素画面，而是服务实体机器人的动作控制。

（注：这次大晓机器人发布三项核心成果，分别为开悟世界模型 3.1 Kairos 3.1、环境式数据采集方案2.0以及覆盖三大垂直场景的成套解决方案，为物理AI落地提供完整技术底座。）

过去一年，行业热度集中在视频生成赛道，各家比拼画面清晰度、视频时长、画面连贯性，相关技术突破固然亮眼，但机器人的需求完全不同。对视频生成而言，好看的画面是核心；对机器人来说，它需要计算推门需要施加多大力度、抓取杯子时与桌面的距离、执行动作会不会碰撞周边物体、产生负面影响。简单区分：像素复刻是给人观看，物理推演是给机器人使用，二者底层逻辑完全割裂。今天我们围绕核心议题深度交流：

1、下一代具身世界模型该如何定义、建立标准化评价体系；

2、如何打通世界模型完整产业闭环；在场六家企业技术路径各有差异，这也是本次圆桌最大价值。如果我们能达成行业通用共识，就能为世界模型的统一标准、产业生态打下基础。

首先抛出第一个问题：假如拥有时空穿梭机，两年后回头审视今天的行业布局，哪些方向会被证明走对，哪些路线会被验证存在明显偏差？我们先请蚂蚁灵波沈总分享。

沈宇军：我是沈宇军。“六小龙” 这个称号我实在不敢当，我们团队的定位是打造通用物理大脑，选择更适配物理世界的技术路线。

我认为当下行业普遍混淆“模型底层架构能力”和“模型表层展示效果”。

推理效率、交互灵活性属于模型原生底层能力；画质、表面物理观感只是对外呈现的效果。

站在两年后的视角复盘：在模型架构、数据链路层面沉淀的技术积累，一定是行业正确选择；但一味追逐表层视觉效果，最终价值存疑。同时，搭建完整数据生产链路的投入长期有效，可原始数据集本身会随技术迭代持续更新，未必能长期复用。

朱政：我非常认同沈总的观点，补充一点：当前是 2026 下半年，两年后将来到 2028 年，世界模型整体能力会发生质变。

我们当下做对的事：学术界、工业界、资本合力，让世界模型彻底出圈，成为仅次于大语言模型的核心技术赛道与投资热点。

但当下存在一定短板：行业大量精力分散在模型之外，在模型本身尚未收敛成熟时，就仓促落地各类商业化场景，大部分场景最终无法跑通。可以参考大语言模型发展历史，Claude Code系列产品诞生前，OpenAI、国内大厂都尝试过情感陪伴、科学计算、红包拉新等多元落地方向，直到代码赛道跑通，全行业技术路线才快速收敛。

我很好奇，世界模型赛道属于 “Code 级” 标志性落地产品会是什么？

夏中谱：两年对于当下高速迭代的大模型行业并不算长，但回看两年前的语言模型就能发现技术差距巨大。

世界模型的核心本质，是学习物理世界因果规律、实现未来状态推演，并基于推演输出机器人决策。我们无界动力长期深耕因果驱动的世界模型，这也是行业长期正确的核心路线。

任广辉：刚才沈总分享的数据、模型架构观点我深有感触。长期来看，行业一定会走向原生具身世界模型。

其中在数据层面，当下大量训练素材来自影视、短视频，这类素材为视觉效果刻意违背真实物理逻辑（特殊运镜、剪辑、超现实画面），不适合训练实体机器人，行业需要大规模原生具身交互数据集。

模型架构层面，现有开源基座大多为视频生成设计，优先优化画面质感，但高清像素对机器人动作规划、行为预测增益有限。未来预训练任务、模型架构需要全面统一，摆脱娱乐视频生成模型的外挂改造思路。

王昊：我简单总结一下。

两年后回看，我们当下把“未来预测”作为核心监督训练目标，是明确正确的选择。对世界未来状态做预测，本质是压缩、理解世界底层结构。但过度依赖纯视频数据搭建物理认知，这条路大概率行不通，预估出错概率接近九成；缺少力觉、触觉等真实物理信息输入，仅靠视觉视频无法完成可靠的物理推演。

陶大程：我也补充一点个人观点。

两年后回头看，行业走对的一步，是让 AI 从数字世界的旁观者，转变为物理世界的参与者；行业走偏的一步，是把大量算力、研发资源投入视觉画面优化，用适配人类观看的标准衡量机器人控制工具。

如何建立适配物理 AI 的全新评测标尺，是接下来三大议题的核心。

2、衡量优秀具身世界模型的三大核心指标？

陶大程：我们进入细分讨论：世界模型当前热度很高，但距离产业通用基础设施仍有明显差距，该如何缩小这一鸿沟？

朱政：沈总团队正在做具身原生预训练，我们也在同步布局同类方向。目前多模态、大语言基座发展成熟，但市面上主流开源基座均为数字视频场景设计，且逐步走向闭源。如果行业不自主研发适配物理世界的原生基座，未来会面临无可用基础模型的困境，必须提前布局具身专用预训练体系。

陶大程：如果想让世界模型成为物理 AI 通用底层范式，当前行业最欠缺的核心要素是什么？有请第三位嘉宾。

夏中普：我认为行业存在三大核心短板：

1、物理多模态数据缺失。现有训练素材以视觉、文本为主，力觉、触觉交互数据严重不足；

2、表征架构适配性不足。Transformer 原生适配高密度语言信息，但图像、触觉属于低密度信号，行业缺少适配低密度物理信号的隐空间表征方案；

3、训练范式落后。当前主流模仿学习只能复刻人类动作，无法突破人类操作上限；想要机器人在物理场景实现超越人类的操作能力，必须普及强化学习等新型训练范式。

任广辉：最核心短板是物理因果一致性。

当下主流 Cosmos 等视频生成模型经常出现违背物理常识的输出：夹爪未接触物体直接抓取、打开盒子内部物品凭空消失，缺少完整因果逻辑的世界模型无法成为物理 AI 底层基座。

王昊：核心缺口是完整交互数据闭环。世界模型依靠和真实环境交互迭代，想要规模化迭代，必须实现机器人在海量真实场景落地；只有大规模真机交互，才能形成完整数据飞轮，加速模型能力迭代，这也是具身学习的核心本质。

沈宇军：补充数据维度短板。

目前行业没有统一的多模态数据对齐标准，缺少标准化数据规范就无法规模化迭代模型，这是制约行业发展关键卡点。

陶大程：经常有人提问，世界模型是否需要完整复刻整个现实世界？

对机器人而言，不需要存储全部世界信息，只需要存储完成指定任务所需信息。语言模型追求知识广度，机器人模型追求执行可行性，不靠无限精细模拟器，而是统一理解、生成、预测三大核心能力，这也是我们研发开物世界模型的底层逻辑。

第二个核心议题：具身世界模型该如何衡量？仅保留三大核心评测指标该选哪些？

当下行业榜单依旧沿用视频生成评测标准，比拼画质、视频时长、画面连贯度。部分模型能生成极其逼真的倒水画面，却无法预判水会泼洒，出现“画面满分、物理逻辑低分”的矛盾，您怎么看？

夏中普：如果只能保留三个指标，优先级如下。

场景泛化能力：检验模型是否掌握通用物理因果，覆盖全新场景、未知物体、陌生操作而不失效；

未来预测精度：不局限像素级预测，重点评估几何、力学等物理量的推演准确度，推演越精准，决策稳定性越高；

决策有效性：衡量世界模型辅助规划后，机器人真实任务完成率，判断模型是否能切实提升实体执行效果。

任广辉：三大核心指标。

第一，物理、3D 多视角一致性，推演结果符合基础常识；

第二，表征对任务规划的支撑能力；

第三，对机器人策略的实际提升幅度，这是最终落地评判标准。

王昊：第一是反事实推演能力，给定当前状态与全新动作预判未来，是检验模型是否理解世界的核心；第二是物体恒常记忆，物体遮挡、移位后仍可识别同一实体，代表稳定世界表征；第三推理时效性，具身场景不需要超长推演，快速反馈、快速迭代远比长视频生成重要。

沈宇军：第一动作准确性，行业缺少标准化动作评测，模型支持操作的种类、精准度是机器人刚需；第二物理合理性，无需精准计算物理数值，只需区分轻重、下落等基础规律即可；第三推理时效性，动作推理一旦延迟过高没有落地价值。

朱政：我们内部重点构建真机 Benchmark，核心关注少样本、多任务场景下机器人任务成功率，这也是我们后续计划对外开放的评测体系。

陶大程：综合各位嘉宾观点，世界模型评测可分为三层智能标准。

生成智能（入门门槛）：视觉画面连贯，对应当下视频生成赛道现有标准；

认知智能（中层核心）：掌握完整物理因果，不会出现物体凭空消失、违背常识的推演；

物理智能（产业核心）：推演结果可转化为可靠机器人动作，以真机成功率、真实接管率作为最终标尺。本次发布 Physical IQ 平台，目的不是给模型排名，而是替换行业原有评测标尺：行业优化方向由 “画面逼真” 转向 “实体动作可靠”，研发资源向物理执行能力倾斜，才能落地真正的 Physical AI。

3、世界模型行业下一阶段核心收敛点是什么？

陶大程：当下赛道路线分化。

生成式模型、空间隐空间表征、端到端动作模型多条路线并行。短期分化、长期收敛，收敛点会落在统一表征、物理因果、动作接口、标准化评测哪一环？请各位选择最笃定的观点并阐述。

任广辉：我认为核心收敛点是统一多模态表征，与环境交互闭环结合在一起。数字大模型依靠统一表征实现智能涌现，具身智能同样需要整合视觉、动作、文本、触觉的通用表征；同时仅靠表征不足，必须依托持续环境交互闭环迭代，二者结合才是行业长期共识。

沈宇军：类比视觉模型发展历程，各类技术路线最终会融合核心优势：

保留未来预测能力，但降低像素渲染权重，无需完整生成高清画面；

吸收隐空间表征的推理优势，用于空间逻辑计算；

融合显式物理规则辅助模型认知，但不需要完整 3D 建模，可作为空间记忆辅助工具；多路线核心优势融合，就是未来统一技术架构。

王昊：我判断下一个行业共识会落在触觉模态。视觉生成模型与物理机器人世界模型最大分界线就是触觉感知；触觉数据规模化落地后，二者技术路线会彻底分流，目前行业触觉研发进度提升很快，会率先形成统一标准。

朱政：我更看好标准化评测体系。从早期规则机器人、VLA 模型到如今世界模型，评测标准持续迭代。本次 Physical IQ 平台把评测场景从实验室封闭环境拓展至户外、家庭、工业真实场景，标准化评测能给全行业统一优化方向，是路线收敛的基础。

夏中普：核心收敛点是决策绑定的统一表征。单纯视觉表征无法适配机器人决策，表征体系必须筛选和任务、因果强相关的信息，基于统一表征完成未来推演，才能持续提升机器人执行精度。

陶大程：各位嘉宾判断各有侧重，差异化观点恰恰是行业活力的体现。当前具身智能距离大规模落地仍有较长周期，短期单一技术路线不会完全胜出，统一评测标尺会是第一收敛节点。

参考深度学习发展历程，ImageNet 统一评测基准才推动各类架构融合迭代。路线分歧不是行业问题，而是行业发展红利，但前提是建立通用评测标准。

4、从 Demo 走向产业部署，最大落地坑是什么？

陶大程：从 Demo 演示到规模化产业部署。展会 Demo 大多筛选最优单次效果，真实产线部署看最差工况稳定性；Demo 不计成本优化效果，产业落地必须核算商业 ROI，各位分享落地踩过的核心深坑，从王昊总开始。

王昊：最大痛点是成本边际效应。

模型效果从 0 到 90% 投入可控，但从90%到99%、从99%到99.9%，每提升一个数量级错误率，投入成本和前一阶段持平；其次是评测环境与真实部署环境不一致，实验室效果优异，线下真机稳定性大幅下滑，必须在真实场景反复迭代；最终落地核心门槛是投入成本能否覆盖业务收益，纯技术创新无法支撑商业落地。

沈宇军：非常认同成本优先的落地逻辑，补充真实场景突发、随机问题。展会 Demo 均经过人工复位、标准化环境调试；现实商超、家居场景存在大量不可预判变量，商品移位、杂物遮挡等异常情况，现有模型处理能力不足，是规模化落地巨大阻碍。

朱政：我们前期大量对接工厂梳理真实业务痛点，复盘得出核心教训：当前模型能力上限不足以支撑大规模商业化，此前分散资源拓展落地场景收效有限，现阶段核心重心回归模型性能提升。

夏中普：Demo 仅展示单点最优能力，规模化部署需要系统化全链路方案。以咖啡制作、叠衣场景举例，Demo 无需考虑前置物料准备、各类异常工况；真实商用场景需要完整拆解全流程需求，覆盖海量突发情况，缺少系统化方案无法落地。

任广辉：工业场景落地核心痛点。

一是产线无法停机调试，模型快速适配全新工件、产线的自适应能力要求极高。

二是规模化复制难度大，Demo 属于一次性定制方案，复制到多家工厂会大幅抬高研发成本，整套模型、硬件、数据闭环体系需要完整配套，才能实现批量落地。

陶大程：综合各位落地分享，延时、端侧部署是行业容易忽略的关键问题。

大量世界推演依靠云端大集群，但机器人产线决策窗口仅几十到一百多毫秒，无法长期依赖网络云端。

机器人大脑不需要存储完整世界，只需要适配对应任务，轻量化可端侧部署的任务导向模型产业价值更高。

世界模型完整链路分四层角色：训练阶段是数据引擎、评估阶段是标准化考官、规划阶段推演沙盘、部署阶段形成本能，四层缺一不可。

行业不会为理论上的智能（“理论上聪明”）买单，只会为稳定可靠的落地效果买单。

今天圆桌各位嘉宾路线存在分歧，也达成诸多产业共识，分歧是研究素材，共识是产业地基。

我们共同的核心共识：更换行业评测标尺，研发重心从画面生成转向实体执行可靠性。未来我们联合全球产学研伙伴，推动物理 AI 完成因果推演到实体控制的完整闭环。

本次圆桌到此结束，再次感谢所有嘉宾。