世界模型，是当前AI圈最炙手可热的领域之一。 它也是最缺少共识的领域之一。 概念没有收敛，技术路线没有收敛，训练方式没有收敛，数据标准没有收敛，评测尺度没有收敛。 几乎每个维度都在发散。 而这种发散，恰恰是赛道最迷人的地方。 7月19日，WAIC上举行了一场信息密度极高的圆桌讨论。 六家公司的世界模型技术负责人齐聚一堂： - 大晓机器人首席科学家陶大程（主持人） - 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 这些嘉宾的观点，代表了行业对世界模型最前沿的思考，值得细听。

什么能力重要？

共识部分其实不多。真正有意思的，是嘉宾们的分歧。

技术路线之争

按照“模型在什么空间里推演世界”这把尺子，六家公司大致可分为三派：

• 像素生成派：代表公司是极佳视界。
• 隐空间（JEPA）派：代表公司是无界动力。
• 融合派：代表公司包括大晓机器人（理解生成预测一体化）、蚂蚁灵波（推出了多条路线的世界模型全家桶）、自变量机器人、智元机器人。

技术路线不同，对焦点问题的看法自然也不同。

核心分歧：世界模型该对物理世界理解多深？

一边希望它尽可能接近物理模拟器。 无界动力的夏中谱提出，评价世界模型要看它对几何、运动、力等状态的预测精度。 另一边则认为，机器人没必要先成为物理学家。 蚂蚁灵波的沈宇军强调：“物理合理性”比“物理精度”更重要。 机器人只需要明白，同样重量的铁比棉花掉得快。但到底快多少，不需要知道，只需要观察。 他说，机器人不必算清每一条轨迹、复现每一个物理参数。 只要知道哪些差异会影响眼前的动作，就够了。

核心分歧：模型能力评价标准

智元的任广辉认为，推理的长时物理一致性，是评价世界模型能力必不可少的指标之一。 而自变量的王昊却直言：长程推演是“伪需求”。 比起这个能力，他更看重推理的时效性—— 如果推理慢到错过决策窗口，再完整的理解也没有用。

观点背后的逻辑

在观点碰撞背后，每个嘉宾捍卫的其实是自家模型擅长的能力：

• 隐空间模型可以直接回归物理量，所以敢要求物理精度。
• 像素生成学到的天然是“看起来合理”，所以只承诺物理合理性。
• 关于长时一致性：智元的世界模型一大用途是当仿真器，长程推演正是仿真器的生命线。
• 自变量把世界模型与VLA整合进同一个端到端框架。预测是动作生成的前置步骤。预测铺得越长，推理就越慢，占掉的决策时间就越多。

什么将率先收敛？

除了技术路线之争，世界模型在下一阶段最可能先收敛的究竟是什么？ 嘉宾们的判断也不尽相同。

任广辉和夏中谱：统一表征

语言模型找到了token。具身智能还没找到自己的“token”—— 视觉、语言、动作这些模态得对齐进同一个表征。

王昊：融合

视频生成贡献未来预测，隐空间贡献推理，3D显式建模当空间记忆。 各取所长拼出新架构。这在大语言模型历史中发生过一遍。

沈宇军：触觉

他笃定，下一阶段行业会率先形成共识：触觉将成为机器人不可或缺的模态。 触觉数据一旦突破，物理世界和数字世界的世界模型，将分道扬镳。 如今许多机器人的世界模型从数字世界的视频生成模型迁移而来。 蚂蚁灵波则在开发具身原生的世界模型。 从控制执行的需求出发，基于自回归架构从头预训练。 让模型为“边预测、边行动”而设计，而非为生成好看的画面。

陶大程：一把横向的评测标尺

陶大程认为，世界模型最近的收敛，不会发生在某一条技术路线上。 而是发生在一把横向的评测标尺上。 他举例：就像深度学习的爆发，不是神经网络在论战里说服了特征工程派。 而是ImageNet把所有方法拉到同一把尺子下。 标尺统一了，收敛自然就会发生。 大晓机器人在论坛期间发布了PHYSICAL IQ。 定位为首个具身原生、面向多场景、多本体、多任务的物理智能评测基准平台。 公平量化不同机器人本体与世界模型的物理智能水平。

从Demo走向Deployment

尽管技术路线各有主张，但机器人一旦进入真实物理世界，评价标准就会变得很朴素： 能不能稳定完成任务？

不同视角下的定义

- 夏中谱的定义叫“决策有效性”。 - 任广辉的说法偏技术——“最终为policy提升多少指标”。 - 朱政的定义则是“多任务真机成功率”。 指标名字不同，但目标殊途同归。

从Demo到Deployment的挑战

Demo稳定完成任务并不难。因为为了一个Demo可以不计成本。 真正难的是在真实世界中规模化部署（Deployment）。 王昊分享了一个规律： 模型能力从90%提升到99%，再从99%提升到99.9%，投入的成本并不是线性增长。 实验环境里看似微小的错误率，落到部署现场，可能就是一次次人工接管、一次次返工。 最后变成一笔算不过来的账。

应对随机与突发情况

对随机和突发情况的应对能力，也是机器人走出实验室后必须要补上的短板。 沈宇军举了商超里的例子： 机器人要找一包蔬菜，顾客却可能顺手把它放进了牛奶柜。 单独一起事件，可能是偶发情况。 但对每天面对不同顾客的机器人来说，这就是日常。

端侧能力的重要性

大晓机器人的陶大程强调了端侧能力对于部署的重要性。 很多世界模型跑在云端，但机器人留给自己做判断的时间，可能只有几十毫秒到几百毫秒。 网络不能永远在线，云端也不能总在等待。 他说，最难的不是让模型变聪明，而是让聪明变得便宜、可靠、及时。 一句话总结：Demo展示的是能力上限，部署则考验能力下限。

两年后看，什么做对了？什么做错了？

最后，还有一个问题值得深思： 世界模型今年上半年才真正火起来。 如果两年后看，眼下的什么做对了，什么做错了？

沈宇军：区分“模型的能力”和“模型展现出来的能力”

行业有时把“模型的能力”和“模型展现出来的能力”混淆了。 模型的能力是泛化效率、可交互性这类内在属性。 展现出来的能力是生成效果这类外在呈现。 他认为，两年后看： - 所有为模型架构能力做的工作，都做对了。 - 但过于追求模型呈现出来的能力，并不好说。 - 所有为数据链路做的准备，都做对了。 - 但当下积累的数据最终是否会被用到、是否会被更新迭代，并不好说。

朱政：聚焦基模，勿分散精力

眼下模型之外的太多事情分散了精力。 在基模尚未收敛的时候，就去探索非常多的商业化场景，大概率不会成功。

任广辉：走向“具身原生”

两年后，世界模型会走向更加“具身原生”。 需要更大规模的具身原生数据，和为具身而生的原生架构。

结语

这场持续一小时左右的圆桌，讨论了世界模型最值得关注的几个话题。 呈现出行业现阶段代表性的共识和分歧。 陶大程的总结说得很好： 分歧是论文的素材，重叠是产业的基底。 对整个行业而言，分歧并不是问题，反而是当下的红利。