AI终于开始懂物理了:全球首个通用世界基座模型意味着什么

6月12日北京智源大会，智源研究院院长王仲远在开幕式上放了个大招：悟界·Physis-v0.1，全球首个通用世界基座模型，正式发布。

措辞要注意——不是"又一个大模型"，是"全球首个通用世界基座模型"。

这两者的区别，比GPT-2到GPT-4的跨度还大。以前的AI不管多能聊多能画，本质就一件事：猜下一个词。Physis要做的是另一件事：预测下一个物理状态。

从"猜词"到"猜世界"

大语言模型的核心是Next Token Prediction，给你一段文字猜下一个字。多模态模型把这事扩展到了图像视频，但本质没变，还是在像素空间里猜下一帧画面。

猜画面不等于懂物理。

Sora能生成一群猪在天上飞，因为训练数据里有科幻电影。语言模型能答对高考物理题，但杯子从桌边掉下来会碎吗——它不知道。视频生成模型能做出漂亮碰撞效果，碎片飞多远飞多久？不知道。它学的从来不是物理规则，是像素统计。

智源把现有世界模型技术路线梳理成四类，每类都有硬伤：

以语言为中心（VLM、VLA），在文本空间猜词，学到的是"语言描述的世界"，物理后果一概不懂。

以像素为中心（Sora、Seedance），在视觉空间学视频，学到的是"像素描述的世界"，猪照样飞。

以三维结构为中心（3D重建、WorldLabs Marble），重建3D空间不等于理解世界，几何结构不等于物理状态。

以视觉表征为中心（LeCun的JEPA系列），预测视觉表征压缩，视觉嵌入演化不等于物理规律演化。

四条路都在"看世界"，没有一条真正"懂世界"。

Physis走了第五条路——物理隐空间基座。

核心思路：别盯着像素了，把所有物理信息压缩到统一隐空间，让模型预测物理状态演化，不是画面延续。

具体说，视频画面、深度图、3D点云、力触反馈这些异构信号，被专属物理状态编码器统一转化为标准化的隐空间物理状态Latent State。模型在这个空间里学物理规律，通过可插拔解码器输出你需要的结果——视频、动作指令、物理量测量值。

这带来四个关键能力：

物理一致性 ——输出的是带单位的三维运动轨迹和物理状态量，位移、速度、接触力，不是一堆像素。可度量可验证，直接接入机器人控制和工业仿真。

动作因果性 ——模型把动作当干预变量，成功和失败的边界动作给出截然不同的物理后果。不做"看似抓起来"的乐观预测，先在模型里验证再低成本部署。

长程可推演性 ——现有视频模型生成超过几秒就漂移崩塌，Physis在隐空间维护连续稳定的物理状态，长时序推演保持物体持久性和时间线一致。已支持50+复杂物理场景长程推理。

通用泛化性 ——学的不是某一场景的表面相关性，是物理世界共享的底层因果结构。刚体接触、光线折射、流体扩散，一个基座通吃所有场景。

很多人对智源的印象还停在"那个做悟道大模型的研究院"。这个领域智源积累比想象深得多。

2023年智源大会，LeCun就来阐述了新一代世界模型概念。2024年，智源明确提出世界模型是下一代大模型技术方向。同年发布悟界·Emu3，2025年Emu3.5——基于Next-Token Prediction实现文本图像视频统一学习，今年1月登Nature正刊，国内多模态大模型方向第一篇。

从"悟道"到"悟界"，从语言模型到多模态模型再到世界模型，六年迭代，不是突然蹦出来的。

这次大会还同步发了一堆东西：全球首个多模态神经科学大模型Brainμ1.0，AI药物发现模型OpenComplex2.5，具身大脑RoboBrain Orca，四款智能体产品。加上FlagOS 2.1已适配18家芯片厂商32款芯片，支撑90%以上主流开源模型部署。

不是只有一个Physis，是一整套从基座模型到智能体到软硬件生态的全栈体系。

这一点必须说清楚：Physis-v0.1还在训练。下半年继续分享进展，训练完成后才开源。

王仲远自己也说："至少未来三到五年，都会是世界模型持续演进迭代的阶段。科研探索这事说不准，可能卡在一个难点三五年也没突破，也可能突然迎来技术爆发。"

当前瓶颈明确：真实物理世界多模态交互数据极度稀缺，不同技术路线对数据需求也不一样。王仲远判断，只有等具身硬件普及，有了"物理世界的互联网"，真实物理数据大规模积累，才可能催生跨时代的世界模型。

Physis-v0.1是起点，不是终点。它证明了一条技术路线的可行性，但距离"AI真正理解物理世界"，路还长。

Physis不是给你聊天用的。目标场景全是硬核领域：

具身智能 。现在机器人能在操作台精确执行特定任务，换个场景就懵。缺的就是对世界常识和物理规律的通用理解。Physis提供的物理预判能力，是机器人从"执行器"变"智能体"的底层前提。

自动驾驶 。从"识别画面"升级到"预判物理运动"。知道前方车辆急刹后物理上会怎样运动，不只是看到急刹画面。

工业仿真 。精密装配、误差自检、机械推演、产线模拟，基于物理正确的推演，不是"视觉上看起来差不多"。

科学研究 。材料推演、流体仿真、结构分析、天体物理计算——任何需要物理建模的领域都可能被重新定义。

黄仁勋说物理AI可重塑的制造和物流产业价值达50万亿美元。Coatue预测市场规模6万亿美元。数字差异说明一件事：这是边界还在扩展的全新赛道。

从Next Token Prediction到Next Physical State Prediction，不是模型升级，是范式转换。

语言模型时代，AI学的是"人怎么说话"。世界模型时代，AI要学的是"世界怎么运转"。前者解决信息问题，后者解决物理问题。前者活在数字空间，后者要嵌入真实世界。

Physis-v0.1的意义不在于现在有多强——还在训练，谁也不知道最终效果。意义在于第一次把"预测下一个物理状态"这个范式变成了可验证的技术路线。

当AI不再只会猜词，开始理解重力、摩擦、碰撞、运动规律——那才是AI真正走出数字世界的时刻。

你怎么看世界模型这条路线？评论区聊聊。

点赞和推荐，是对我最好的支持👇