从生成视觉到生成世界:中国AI的下一场硬仗

陈庆春/文

大语言模型预测的是下一个Token，世界模型预测的是下一秒世界。

过去几年，人工智能最热闹的战场，是大语言模型。人们讨论上下文长度、推理能力、智能体、代码能力，也讨论 AI 会不会取代搜索、办公软件和知识工作者。但从今年开始，一个更底层的问题被重新推到前台：AI能不能真正理解世界？

美国对世界模型的押注在明显加速。李飞飞的World Labs 获得10亿美元融资，用于推进空间智能，也就是让AI理解、生成并交互3D世界；Runway在今年2月宣布3.15亿美元E轮融资，并直接把使命表述为推动世界模型；杨立昆（Yann LeCun）创办的 AMI Labs 也获得 10.3亿美元融资，方向就是构建从现实中学习的世界模型。

中国这边也在发生类似变化。阿里巴巴发布Happy Oyster，可实时构建和交互3D空间；字节 Seed3D从单张图生成仿真级3D模型，并可导入Isaac Sim等仿真引擎；腾讯发布并开源 HY-World 2.0，强调从文字、图像、视频等输入生成和模拟 3D 世界。创业公司同样在加速前进，极佳视界42天融资25亿元；智象未来也完成了新一轮超 5 亿元融资，融资用途明确指向下一代“原生全模态世界模型”。

今天，世界模型已经不再只是前沿论文里的概念，而正在变成中美 AI 公司共同争夺的下一代底层能力。而2026年，就将是世界模型“分水岭”。

世界模型的中国位置：

不是全面领先，但已进入第一梯队

4月26日，合肥。智象未来在第四届中国（安徽）科技创新成果转化交易会上，发布了新一代原生全模态世界模型架构HiDream-O1及图像大模型HiDream-O1-Image。

加拿大工程院外籍院士、智象未来创始人兼CEO梅涛博士称，下一代大模型竞争的关键，不在于单一模态能力的叠加，而是应该从多模态走向全模态，以原生统一架构对真实物理世界进行原生、全模态的统一建模，围绕真实世界的表达、理解与生成，才是新一代大模型技术的关键。

而在一个月前，远在巴黎的AMI Labs公司CEO Alexandre LeBrun 也曾有过一个判断：“世界模型将成为下一个AI 流行语”， “六个月内，每家公司都会称自己为世界模型公司来融资。”

在AI的新阶段，中国与世界同频。

摩根士丹利在重磅研报中指出，下一场AI军备竞赛的战场就是“世界模型”——让机器真正理解三维空间、物理规律与时间演化。

资本已开始大规模迁徙，我国仅2026年1-3月，就发生了25起世界模型相关融资事件，融资总额超22亿元。具身智能领域融资额度更是大到吓人，截至4月下旬，中国具身智能领域融资金额已达‌525.34亿元‌，超过2025年全年总额（444亿元），投融资事件达191起。

要理解这场竞赛为何突然白热化，需要先回答一个更根本的问题：大语言模型出了什么问题？

2026年初的一项研究指出，幻觉不是数据问题，不是训练问题，而是LLM架构的内在缺陷。你问一个LLM“把杯子从桌子边缘推下去会怎样”，它能回答“杯子会掉到地上”，却并不能真正理解重力、加速度、碰撞，它只是从训练数据中记住了类似的句子。这个缺陷在纯文本任务中或许可以忍受，但当AI要进入真实世界，比如操控机器人、驾驶汽车、在工厂里作业，它就变成了无法绕过的坎。

在这种情况下，世界模型被推到聚光灯下，成为AI下一程的主要角逐领域：AI 不只要能说，还要能看见、预判、行动、反馈。

新的赛程，似乎不再只有几个主角，而是开始呈现“条条大道通罗马”的迹象。总结下来，目前世界模型大致有 6 条路径：

第一条是视频世界模型。视频天然包含时间、空间、动作和因果，是现实世界的一种压缩记录。Sora、Runway、Luma、Veo，以及中国的可灵、即梦、海螺、智象未来 HiDream，都属于这条路线的早期入口。

第二条是 3D /空间智能。视频是结果，3D 才是结构。World Labs 强调空间智能，腾讯 HY-World、字节 Seed3D、阿里 Happy Oyster 等，则试图生成可进入、可编辑、可导出、可复用的 3D 世界。

第三条是交互式世界。DeepMind Genie、World Labs、阿里 Happy Oyster 都在探索让用户或智能体进入一个生成世界，并通过指令、视角、动作实时改变它。

第四条是自动驾驶世界模型。Tesla、Wayve、Waymo，以及中国的小鹏、理想、Momenta、百度Apollo等，都在道路世界里做感知、预测、规划和行动闭环。

第五条是具身智能世界模型。NVIDIA Cosmos / GR00T、Physical Intelligence、Figure，以及中国的极佳视界、宇树、智元、银河通用、自变量机器人等，都在尝试让机器人在现实中行动、失败、反馈、再学习。

第六条是原生全模态世界模型。它试图用一个统一架构表达、理解、生成真实世界，不再把文本、图像、视频、3D、动作和具身输入割裂开来。智象未来正在押注的，就是这一条路。

世界模型的6条路径

总结来看，美国在世界模型的探索上，普遍倾向于底层逻辑研发。中国企业并未陷入 “对标美国” 的陷阱，而是从一开始就走上了技术与商业双轮驱动的差异化道路。阿里Happy Oyster、腾讯 HY-World 2.0 同步发布模型并绑定影视、游戏场景，极佳视界聚焦具身智能落地，智象未来则以全模态架构打通内容生成与物理世界。

中国拥有极高密度的应用场景：自动驾驶、机器人、工业制造、短视频、游戏、文旅、营销、电商、影视、城市数字化。这些场景不仅是市场，也是数据来源，是世界模型最需要的现实反馈系统。

与大语言模型阶段相比，在世界模型阶段，中国不只在追赶，而是在应用扩散、产业承接、产品速度和场景闭环上，已经进入世界模型第一梯队。比如，在SeeDance2.0火遍全球的时候，Sora 却被迫关停。最近，智象未来发布的HiDream-O1-Image，在六个业界标准Benchmark 达到SOTA（最佳模型），超过了Google 的Nano Banana 2、GPT Image 1。中国的具身智能、自动驾驶，同样处于全球领先水平。

同时，我国也在争夺世界模型的底层定义权，比如百度Apollo自动驾驶集成了多项底层技术的突破，智象未来开发的原生全模态架构，都属于底层技术创新。

中国不仅要回答“世界模型到底怎么变成产业”，还要定义“世界模型应该是什么”。

中国创业公司：

从单点模型到底层架构创新

创业公司的活跃度尤其是高科技创业的繁荣，是国家创新活力的关键风向标。

我国在世界模型上的进展呈现出“大厂生态驱动”与“创业公司架构突围”并行的特点。大厂路线更偏场景入口，毕竟大厂优势就是生态、算力和流量入口。但世界模型的产业链很长，数据、架构、生成、仿真、具身反馈，每一个环节都可能长出新的创业公司。

中国创业公司的机会，不是复制大厂，而是卡住关键链条。

梅涛，是一位创业者，同时他也是加拿大工程院外籍院士，前微软亚洲研究院资深研究员，全球首个文生视频技术开创者，在计算机视觉与多模态领域深耕二十余年。2023 年，他创立智象未来，没多久Sora 出街惊艳全球，但他当时的判断是：“这是文生视频的重要方向，但我们坚信，单纯的视频生成不是终点，走向全模态世界模型才是未来。”团队没有陷入 “模仿 Sora” 的内卷，而是坚持架构创新。

智象未来是中国这波世界模型创业中非常值得观察的样本。他们是国内最早做文生图、文生视频的多模态开创者。“我们2017年就发布了全球第一篇文生视频论文，并获得当年ACM Multimedia 2017 Brave New Idea Paper荣誉。”（注：ACM Multimedia 是多媒体领域的旗舰国际会议）梅涛说，“那时候我还在微软。很有意思的是，当年那篇论文的作者，现在都在我们公司，都是核心基模研发人员。”

这种技术积累的厚度，让智象未来在三年内始终保持大模型发布节奏，并持续进行底层架构创新。2023年，他们基于Unet架构；2024年转向DiT（ Diffusion Transformer，推出基于 DiT 架构的产品 vivago.ai。2024年，在全球首次提出“扩散自回归”（Diffusion + AR）模型架构，以平衡生成质量、时序一致性、可控性和效率。其开源图像生成模型HiDream-I1 曾在 Artificial Analysis 榜单上线后 24 小时登顶，图像编辑模型 HiDream-E1.1 也进入图像编辑智能体第一梯队。2026年推出UiT（Unified Transformer）架构的原生全模态模型，这是更彻底的架构创新。

与传统 DiT 架构不同，UiT 架构放弃了各模态独立编码的模式，将文本、图像、视频、3D、动作等所有信息，以原始信号形式统一输入模型，实现无损编码与原生交互。智象未来CTO姚霆的进一步解释是：“过去文字、图片、视频各有编码，信息损失严重，还会产生幻觉。我们的架构没有中间编码环节，直接处理原始信号，可控性与精度实现质的飞跃。”

基于 UiT 架构的智象未来HiDream-O1全模态世界模型，用统一的Transformer，从原始信号端到端做全模态对齐。目前已经构建了三大核心能力：全模态统一表达，同时理解生成文本、图像、视频、3D、动作；因果推演，基于物理规律预测事件发展；物理世界构建，生成符合真实物理规则的场景与交互。

从 DiT 到扩散自回归，再到 UiT原生全模态，智象未来的每一步发展都是在技术迭代中完成。但要是因此而将其定义为纯技术研发公司，却又完全不对。与杨立昆将世界模型作为基础科学、不期待短期商业化的态度完全不同，梅涛从创办公司第一天起想的就是商业化闭环。

梅涛一直强调，创业公司不能只靠技术声量活着，要先找到PMF（Product Market Fit，产品市场契合度）。他曾说：“我们在商业化方面走得比较早，也比较快。虽然我们融的钱并不是最多的，但是花的每分钱、招的每个人，我们都是想明白的。”这句话其实解释了智象未来的基本路线：不是一掷千金地堆大模型，而是在模型能力、推理成本、产品场景和商业收入之间找到可持续的闭环。这大概也是中国创业公司的典型特征。

智象未来不是为了展示一个大而炫的模型，而是要让模型进入真实生产流程。

截至 2026 年第一季度，智象未来产品已覆盖全球超 3000 万专业用户和 4 万余家企业客户，并形成“1+1+3”的商业化全景：一个 HiDream 系列大模型底座，一个 Token Hub 平台，以及商业营销、影视创作、社媒内容创作三大智能体应用。公司资料显示，今年第一季度营收已经超过去年全年。

这不是普通意义上的“商业化成绩”，而是通向世界模型的数据熔炉。世界模型不是只靠算法，还靠数据。

智象未来不是从空白数据开始训练，而是在版权视频、IP、影视、文旅、营销、社媒创作、电商短视频等场景里持续积累多模态数据、用户反馈、行业流程和商业结果。它的“HiBurst”产品服务跨境电商和短视频营销，“HiDreamFans”产品打通线上内容生成与线下门店运营，“帧赞”产品切入专业级 AI 剧集创作，“vivago.ai” 面向专业社媒创作者。这些产品表面上是 AIGC 工具，本质上却在形成“模型—平台—场景—反馈”的闭环。

类似的场景，目前已经延伸到世界模型相关领域：具身智能和生命科学。

以具身智能为例，这个行业现在最缺的，就是高质量、可规模化、物理一致的训练数据。现在大多依赖互联网视频数据或计算机仿真数据，显然无法解决物理世界无尽的长尾问题。但传统动捕数据可以记录真实动作，却也带来了另一个问题：穿戴式设备、光学系统、惯性采集、触觉装置会改变人体形态、遮挡关系和视觉分布，形成所谓的视觉鸿沟（Vision Gap）。

智象未来与诺亦腾的合作，正是解决这两者的矛盾。简单来说就是，诺亦腾通过动作捕捉到真实物理数据，智象未来则依托这些数据生成海量的多样化视频数据，达成AI想要的Scaling Up（规模生成）。这就是“真实数据 + 生成式视频数据”的新范式。

姚霆举了个例子：“诺亦腾用动捕设备采了一套抓水瓶的视频——就这一个视频，场景、背景、机械臂种类完全固定。我们用带action驱动的视频生成能力，可以把它变成几百几千个视频。”

他把这件事称为“数据炼金术”。他说：“普通的通用视频生成模型通常是为了好看，容易产生幻觉或物理不一致。为了让生成的视频数据能够达到具身智能产业需求的物理一致性，我们基于智象自研的多模态大模型，对传感动捕设备采集的数据进行了高可控性的生成式优化，使之更加符合具身智能企业进行高精度训练的要求。”他认为，这种方式打破了传统动捕数据局限，为具身智能进化提供高质量“燃料”。

智象未来与百图生科的合作，聚焦“‌虚拟细胞‌”等微观世界模型构建。利用智象未来在‌全模态生成技术‌与‌图像数据处理‌方面的优势，结合百图生科的xTrimo大模型，共同突破了传统生物实验数据获取瓶颈，构建高效虚拟实验平台，显著缩短药物研发周期、降低成本。今年3 月份，百图生科已向香港交易所提交上市申请。

从图片生成，到视频生成，到具身训练数据生成，智象未来已经演进到“生成世界”。这就像一个进化的过程，图片和视频生成都是为了走向最终的世界模型。就像智象未来认为的那样：“图片是世界模型的入口”，“视频是记录现实世界的重要载体，天然包含时间、空间、动作与因果关系”，“如果没有一个底座特别强的视频模型，很难在上面产生一个world action model。”但是只有视觉模型也是不行的，它也无法最终通往世界模型——世界模型还应该支持更多的模态输入与输出，所以必须从底层架构开始进行原生全模态的构建。

在全球格局中，智象未来不是 NVIDIA Cosmos，也不是 World Labs，也不是 Runway 的简单中国版。它更像是三条路线的交汇点，不是美国路线的复制品，也不是单纯的中国 AI 视频公司。它更像是中国世界模型路径中的一个创业样本：用商业化场景积累数据，用底层架构创新提升模型能力，用生态合作补齐具身与微观世界，用全模态底座连接内容生产、智能体和物理 AI。这对于一家创业公司来说，挑战无疑也是最大的。

在中国格局中，类似智象未来这样的创业公司，还有很多，就像本文前面所列举的6 条路径一样。

与美国集中在底层技术创新不同，中国路径的最大特点，不是单点巨头，而是多点突破。正在用多家公司、多场景、多路线，拼出一套中国式世界模型生态：大厂负责入口和场景，创业公司卡关键链条，自动驾驶和机器人提供真实物理反馈，内容、营销、影视、游戏提供商业数据熔炉。

2026年，世界模型“分水岭”

英伟达机器人主管Jim Fan今年曾发文称，2026年将成为大世界模型真正为机器人以及更广义的多模态AI奠定基础的第一年。

如果说 2025 年是世界模型的“概念元年”，那么 2026 年则正式成为世界模型的 “分水岭” 。这里包括两层含义：

其一，行业对世界模型的定义将彻底告别模糊与炒作，从 “各家自说自话” 走向统一技术共识，视觉 - 语言 - 动作（VLA）深度融合成为必然趋势，所有路线最终都指向 “理解物理世界、预测时空变化、支撑真实交互” 的核心内核；

其二，中美双方站到了同一个起点，在今后的一年即将看到此起彼伏的世界模型“大秀”，如同今日的每月一更的“大语言模型能力”。全球世界模型的底层架构、交互能力、产业落地的比拼将进入白热化。

站在分水岭之上，全球世界模型的发展已清晰显现出五大不可逆趋势，既勾勒出技术演进的方向，也暗合了中国企业的破局路径：

第一，世界模型会从视频生成转向可交互世界。未来比拼的不是生成 10 秒、60 秒视频，而是能不能进入、编辑、控制、复用、导出和训练智能体。

第二，3D 资产会成为世界模型的中间层。视频是结果，3D 是结构；没有结构，世界模型很难真正进入游戏、仿真、工业和机器人训练。

第三，具身数据会成为新石油。互联网视频只能告诉模型世界看起来怎样，动作数据、轨迹数据、力反馈、失败案例，才能告诉模型行动之后世界如何变化。

第四，世界模型会分化为宏观和微观两条路线。宏观世界模型服务机器人、自动驾驶、工业、城市和游戏；微观世界模型服务生命科学、药物研发、材料科学和虚拟实验。

第五，中国会从“应用工厂”向“世界模型底座”补课。中国强在应用闭环，但下一步会完善——统一世界表征、仿真基础设施、物理一致性评测、开源生态和开发者平台。

分水岭之年，也是机遇与挑战并存的破局之年。

对于智象未来这样的创新公司而言，这场分水岭之战的核心，是跳出 AIGC 工具的同质化内卷，将原生全模态底座、高精度动作数据、交互式世界生成、全场景产业应用彻底打通，从 “多模态生成工具商” 升级为 “原生全模态模型的创新者”。

结语

世界模型不是 AI 发展的终点，而是 AI 真正进入人类文明基础设施的起点。梅涛与智象未来的实践证明，中国创业者不仅能在应用层创造价值，更能在底层架构的“路线战争”中，凭借对 PMF 的敏锐嗅觉与技术的原创坚持，重构物理世界的数字底座。这场关于“主权”与“因果”的硬仗，才刚刚开始。（本文结束）

<推荐观看>

<推荐阅读>