世界模型会是机器人的安卓时刻吗

李飞飞9月初放出了她说的「全球首个多模态世界模型」Atlas，同一周，淡出管理层多年的张一鸣被曝亲自下场督战字节的世界模型，国内松延、智元、宇树在8天里连发5个模型。三方连热闹都是同一场热闹。

我第一个想说的是这句，大语言模型把「理解语言」这条赛道快卷到头了，现在所有人扭头去抢同一个新码头，叫作「让机器理解物理世界跑起来的样子」。这是个连李飞飞自己都承认被用滥了的词，可她照样把它捧在手心，这个反差本身就很有意思。

这篇不准备替你吹谁踩谁，就顺着「世界模型到底在赌什么」这条线，把为什么这么多钱同时涌进来、为什么又有一半人喊它是泡沫，摊开给你看。

三家在同一个月里扑向同一个词

先看李飞飞那张牌。World Labs的Atlas，官方口径是全球首个多模态世界模型，原生处理文本、图像、视频、相机位姿和三维深度图。它跟那些做视频生成的AI最大的区别，是预测的东西不一样。语言模型预测下一个词，视频模型预测下一帧画面，Atlas预测的是「换一个角度看过去，世界应该长什么样」，官方管这个叫新视角预测，New View。你给它一两张参考图，画一条运镜轨迹，它能沿轨迹生成最长60秒、1440p的画面，还能从手机随手拍的几段视频里重建出一个可探索的3D空间，那种《黑客帝国》的子弹时间，拿手机就能做出来。

英伟达的Jim Fan给了个很克制的评价，说这是机器人在真实到仿真这条路上的一大步。World Labs这几年攒下的身家也不薄，累计融资超12亿美元，2026年2月那一轮直接到10亿美元，估值约50亿美元。

接着是张一鸣那张牌。9月7号彭博社拉响警报，字节跳动正在基于自研的视频生成模型Seedance，开发一款实时空间视频生成的世界模型，视频在云端每秒生成约20帧、延迟约0.05秒，直接喂给Pico头显。你张口、转身，眼前的世界跟着你变。这个参数的杀伤力在于，50毫秒是人类感知交互延迟的临界线附近，它基本做到了感知无缝。这种跨部门的资源调度，一般高管推不动，所以张一鸣亲自上阵协调算力与团队，而这距他卸任字节CEO已经有5年。有报道称字节2026把世界模型列为核心要务首位，数据投入是其他国内实验室的三四倍，内部自评眼下还落后全球头部约10%的样子。

国内机器人本体厂商也没闲着。松延动力9月8号推出具身智能品牌Scalabot和第一个世界模型HERON，9月15号紧接着发第二个模型HERON-CRA，主打让机器人记住过去、从错误里学习、把经验迁移到别的身体上；智元9月9号一天发AGILE 2.0和GE-Act 2.0两个感控一体模型；宇树9月10号开源新一代人形机器人基础模型UnifoLM-WLA-1.0。红星新闻算了笔账，8天时间，3家企业连发5个模型，过去以做本体出名的机器人公司，这回不约而同补上了「大脑」这块拼图。

你可能会说，这不就是大公司在追概念吗。可这几张牌捏在一起，方向感已经很清楚了。

大模型为什么突然讲不下去语言了

要搞懂为什么是「现在」，得先看大模型最尴尬的地方。

大语言模型确实能把文字接得天衣无缝，但它对物理世界几乎一无所知。你问它一杯水洒了水往哪流，它能给你讲得头头是道，可它一辈子没碰过一滴水，它是从文本的统计规律里「猜」出这个答案的。李飞飞反复讲一句话，世界不是由文字构成的。语言模型学的是文本怎么排列，世界模型学的是时空怎么运作。光线怎么落在物体表面，遮挡后面的物体长什么样，东西被推一下会怎么倒。这些不靠看像素，靠的是理解空间。

「物理智能」这个词这两年频繁出现在财报和投资人嘴里，国外的World Labs、英伟达的Cosmos，都往这个方向砸。图灵奖得主LeCun这些年一直在喊同一个判断，光靠把语言模型越做越大，机器永远理解不了物理世界，他自己那套JEPA架构就是另一个押法。当硅谷最聪明的一批人对「靠堆规模做大语言模型」开始动摇的时候，资本就涌向下一个还具备想象力的出口，世界模型。

这是机制层面的第一个原因。第二个原因在数据。语言模型的燃料是互联网上已经堆了几十年的文本，机器人没有这样的现成数据。一次真机示教，要硬件、场地、人工、传感器同时到位，不同机器人的动作空间还各不相同。这个鸿沟得靠世界模型这种「先在脑子里推演世界怎么变、再指导动作」的路子来绕，而不是靠继续堆语言token。

中国的4D，也许才是当地人的暗牌

国内很有意思的一点是，几乎没人真去照着Atlas复刻一个。他们走了另一条路，4D。

影身智能这家公司，2024年成立，从一开始就没走「先拍二维视频再让机器人学动作」的老路，而是从多视角采集和动态重建做起，把真实世界还原成随时间连续变化的4D状态，再从中训练世界模型。创始人闵伟有个说法叫「数据冶炼」，说数据采集本质是劳动密集型的包工头生意，真正拉开差距的是把原始数据提纯成富含空间位置、遮挡、接触、受力和形变信息的「数字实验样本」的本事。这家公司现在把世界模型送进了福建晋江的制鞋厂，处理不同鞋款、尺码、材料的柔性曲面，也凭同一套4D能力在服贸会上用6台摄像头做了实时4D直播。

有趣的是影身与Atlas在这条线上的不谋而合。具身研习社那篇分析说得直白，Atlas把1到6张图变成可探索的3D世界，影身从真实世界出发把被二维投影压缩掉的维度重新升回来，两家在太平洋两岸独立推导出相近的答案，这种平行收敛在科技史上往往意味着一条路是对的。

摩尔线程的张建中给过一个更实在的观察，现在大量VLA模型还停在70亿参数左右，训练可能几十张GPU就够，真要到世界模型的「ChatGPT时刻」，算力需求得到千卡甚至万卡级。这多少解释了为什么字节敢砸几百亿进来，在这条赛道上，谁先跑通规模，谁的护城河就比「多炼一个模型」深得多。

一半人却在喊，这又是一场泡沫

热闹归热闹，冷水也没断过。

最刺眼的反方论据是数据鸿沟。墨奇智能的黄青虬算过一笔账，硬件、软件、算法三个模块，假设每个模块失败率1%，单个动作成功率就是0.99的三次方，0.97；可一个长程任务常常是10个动作的集合，成功率就是0.99的30次方，约0.74。也就是说，在工厂这种连续作业环境里，机器人每跑三四次任务就可能栽一次，这个稳定性离「生产力工具」还差太远。

落地数据同样扎心。多个行业口径显示，2026上半年国内人形机器人实际交付约2.3万台，其中超过六成流向科研和展会演示，真正进到家庭或工厂常态化使用的不足5%。斯坦福AI Index 2026的数据更直白，人形机器人在仿真环境里任务完成率能到89.4%，一进真实家庭直接掉到12%。晚点那期播客主题就叫《具身智能的金钱游戏》，开篇就是一句，具身智能现在连GPT-1时刻都还没到。世界机器人大会上，贴着VLA招牌的展台比去年少了一圈，连从业者自己都在说路线之争退潮了、数据之问抬头了。

还有一重估值层面的怀疑。Counterpoint的数据说全球人形机器人2026上半年出货超2.2万台、同比涨近300%，但其中娱乐、表演、数据生产、科研占掉六成以上，智能制造只有13%、仓储物流5%。可另一家数据机构的说法完全相反，认为工业与商用占比已经超过70%。同一批数据，两家机构给出两个截然相反的结论，这不是统计误差，它恰恰说明，连这个行业的出货到底在服务谁，都还没有共识。

苏航在清华大学那场圆桌里给了一个相对克制的判断，VLA和世界模型不是非此即彼，未来更可能是一种融合架构，不同时间尺度上，一个负责动作生成，一个负责状态预测和纠错。

你看，连技术路线本身都还没有定论。

我的看法，这不是故事，是所有人的数据焦虑

那世界模型到底是安卓时刻还是又一个泡沫。我的答案可能不够痛快，是它俩在抢同一副身体。

安卓之所以能成，是因为所有手机厂商接受同一个操作系统、共享同一种产能。机器人行业离这个还很远，各家本体的坐标、传感器、动作空间都不一样，「统一大脑」到现在还只是个方向，而不是现实。优必选在矿山里往里跑，松延在把成本从塑料外壳里抠出来，宇树还在开源和商业化两头拉扯，谁都想当那个标准，但谁都还没当上。

可换个角度看，这一波跟单纯的炒概念又不一样。它从2023年谷歌RT-2确立VLA范式到现在，短短三年，OpenVLA、英伟达GR00T、智元的基座模型、松延的HERON，一层层把「给机器人装统一大脑」从论文落成了可训练、可开源、可进产线的工程。数据瓶颈是真实的，但真实到所有玩家都在拼了命给机器人攒数据集，这正是泡沫和基座之间最微妙的差别，泡沫是钱砸进去什么响动都没有，基座是钱砸进去、一点一点把工程磨平。

你要我怎么预判，我说不上来具体哪年会落地。我只知道一件事，过去两年所有人期待「多堆真机数据、多训几轮VLA，通用机器人拐点自然到来」，这个期待并没有如期兑现。世界模型是这场期待落空之后的第二次下注，这次下注的人更多、钱更大，也把「数据怎么来、怎么炼」从后台推到了辩论的最前面。

能不能成，不取决于谁的口号喊得响，取决于谁的机器人真的在一家工厂里，连续几个月，不出岔子地干活。这行就这么土。

本文事实部分由 AI 辅助整理自公开报道（彭博社、《中国经营报》、红星新闻等），观点与判断经作者审定并负责。封面及配图为 AI 生成。

觉得这篇对你有用，点个「在看」让我知道，也欢迎转发给那个一直在跟你聊机器人的朋友。下一篇见。