夜雨聆风摘自学习强国
中国发展改革报社2026年7月14日
世界模型正成为AI新赛道，获资本与政策双重加持，被列入2026年度《十大新兴技术报告》，并纳入广东省“十五五”规划。物理AI催生十万亿市场，但需突破算力与时延瓶颈。智源研究院王仲远指出当前具身智能泛化能力不足，黄铁军强调世界模型需一体化训练，区别于VLA的模块拼接。李飞飞团队警示概念混淆，黄铁军认为数据是核心瓶颈，主张“边工作边采集”获取多传感器交互数据，推动AI真正理解物理世界。
当大模型竞赛还在为千亿、万亿参数争得面红耳赤时，敏锐的资本早已将筹码押在了更具想象力的赛道上。据DecibelPartners统计，仅上半年，风险投资基金向世界模型相关企业投入超30亿美元。近日，世界经济论坛第十七届新领军者年会（夏季达沃斯论坛）期间发布的2026年度《十大新兴技术报告》，将“世界模型”列为未来五年深刻影响世界的核心技术之一。此外，广东省“十五五”规划《纲要》在“提升大模型基础能力”章节中明确提出“构建多模态与世界模型”。
从国际论坛到中国地方规划，世界模型正以前所未有的速度进入政策与产业的聚光灯下。这意味着人工智能的竞争焦点，正从“参数规模、榜单排名”转向“谁能先让AI理解真实世界怎么运转”。连接这两端的，正是当下AI发展的核心命题——世界模型能否成为机器真正理解物理世界的关键。
物理AI撬动十万亿市场
过去几年，大语言模型展示了较强的文本处理能力，写代码、做翻译、生成文章，几乎所有数字空间内的任务都能应对。然而，当人工智能试图走出屏幕、进入实体世界，这套“数字原生”的能力体系便开始遭遇瓶颈。
正是在这一背景下，世界模型站上了风口。摩根士丹利预测，到2035年由世界模型赋能的产业规模将达到10万亿美元；Gartner则预计，2026年全球世界模型相关市场规模将突破50亿美元。物理AI的想象空间覆盖机器人、自动驾驶、智能制造、智慧物流、数字孪生、医疗健康等多个领域。
要让这些想象落地，算力基础设施首当其冲。作为算力加速领域的龙头企业，云天畅想科技集团（以下简称“云天畅想”）创始人兼CEO茅晓东告诉记者，当前AI正从ChatAI（聊天机器人）迈向AgenticAI（智能体）与PhysicalAI（物理AI）。前两者仍在数字空间内完成对话与任务执行，而PhysicalAI包括自动驾驶、工业机器人、具身智能等领域，将AI带入实体世界，这给算力提出了时延挑战。
但算力只是门槛之一，更深层的问题在于“理解力”本身。北京智源人工智能研究院（以下简称“智源研究院”）院长王仲远在接受记者采访时直言，当前具身智能的泛化能力依然严重不足。“一旦将一个任务迁移到另外一个任务，它的失败概率依然非常高。”他认为，人类具备极强的通用性，而机器恰恰缺少对真实物理规律的理解与推理能力。
通俗来说，这种“演示级”与“实用级”之间的鸿沟，源于机器对人类习以为常的物理常识的缺失。一个三岁孩童能本能地理解挥手示意的含义，能预见水杯从桌边滑落的轨迹，而机器却难以将这些视觉信号转化为对物理规律的深层理解。正因如此，世界模型被普遍视为继大语言模型之后最具变革性的战略机遇，亦是通往物理世界通用人工智能（PhysicalAGI）的必由之路。
不过，随着概念热度攀升，行业内对“世界模型”的泛化与误用也日益突出。王仲远将现有技术路线划分为四大类：以语言为中心的世界模型（含大语言模型、VLM、VLA）、以像素为中心的世界模型（以视频生成为代表）、以三维结构为中心的世界模型，以及以视觉表征为轴心的世界模型。他特别强调，视频生成模型并不等同于世界模型，其训练目标并非还原真实物理规律，更接近“世界模拟”，而非具备完备的状态预测能力。
著名AI科学家李飞飞与WorldLabs团队曾撰文指出，当前业界谈论世界模型时存在严重的概念混淆：一个能生成绚丽但物理上不可能的火焰的视频模型、一个即兴创作可玩游戏的语言模型、一个能准确模拟燃烧过程的物理引擎，都在使用这同一个名词。概念混战之下，“正本清源”成了当务之急。
VLA落地非终点
既然VLA（视觉—语言—动作模型）能够快速落地，为何还要费力研究世界模型？
对此，智源研究院理事长黄铁军告诉记者，两者并不矛盾。“企业用成熟技术解决明确问题可行，但从研究机构角度，我们希望具身智能像人类一样在任何场景解决问题。”他打了一个比方：“就像人脑小宇宙中，每个人都对世界有一个模型，做事时才有基本判断依据。面向机器人，要构造一个对世界万事万物规律性有掌握的世界模型。”在他看来，这才是具身智能走向通用化的核心。
市场数据印证了这一方向的广阔前景。国务院发展研究中心预测，2030年国内具身智能市场规模达4000亿元，2035年突破万亿元。摩根士丹利则将世界模型定义为AI的“想象引擎”，具备空间理解、物理建模、时序预测及互动决策四大核心能力，能让AI在采取行动前先于虚拟空间进行推演，真正实现“先思考、后行动”。
黄铁军进一步指出，VLA和世界模型的区别在于，VLA是视觉、语言、动作三个模型的组合。视觉模型先看见场景里有什么，语言模型理解物体之间的关系，动作模型再决定用什么方式去抓，是把三个已有的模型拼在一起解决一个问题。世界模型则是把视觉的、认知的，甚至行为决策这些环节，全部放在一个模型里一体化训练出来。
那么，我们该如何理解世界模型与AGI的关系？黄铁军指出，无论学界对AGI的定义如何分歧，世界模型都是其中最重要的组成部分，如同大脑之于身体。他说：“未来AGI若超越人类，一定是因为它的世界模型比人类更强大。”这不仅意味着更强的信息处理能力，更意味着对物理和社会规律的更深层次理解与预判。
数据才是真瓶颈
要构建一个能够真正理解物理规律、具备因果推理能力的通用世界模型，数据成了最大的瓶颈。黄铁军认为，过去依赖的互联网视频数据属于“旁观者记录”，是静态、离线信息，缺乏对交互过程中反作用力、触觉反馈、动态因果的捕捉。踢球、弹琴、游泳，都是与世界互动，需要实时感知环境并调整内部模型。
在黄铁军看来，真正的世界模型需要多传感器输入，其训练必须依赖大量实时、在线的交互数据。但这并不意味着要回到昂贵的数据工厂模式。黄铁军介绍，智源研究院提倡“边工作边采集”的模式：工人佩戴轻便设备正常作业，数据同步沉淀；或通过智能眼镜等可穿戴设备，在用户获取智能体服务的同时，以极低成本贡献第一视角交互数据。
“真正的世界模型必须融合多传感器输入，对未来一段时间内的状态做出精准推测，其逻辑与自动驾驶颇为相似——即利用现有车辆搭载的传感器，在行驶过程中持续积累数据、迭代模型。”黄铁军坦言，数字模型不受物理代价限制，进化速度极快；但具身智能受限于物理条件，发展节奏会相对滞后，这条路必须走好。（记者杜壮）
责任编辑：杨嘉熙
