尴尬的“世界模型”，四条路线纷争未决

8月27日，自变量机器人发布WALL-SS自回归世界模型，计划让虚拟世界真正成为机器人的“训练场”。同月，群核科技推出了Lux3D 3D生成模型，20秒内就能从一张图生成可交互的3D资产，并披露了“显式3D”世界模型路线图。

而就在此前不久，北京智源人工智能研究院推出悟界·RoboBrain Orca。同期，图灵奖得主杨立昆团队发布了AdaJEPA，让世界模型首次具备了“边做边学”的自适应能力，在部署中持续根据真实反馈校正预测。

稍早的4月，李飞飞World Labs连发Marble 1.1和Marble 1.1-Plus两款模型，一个提升画质，一个专攻超大规模场景生成。

世界模型领域的成果密集落地，看着很热闹，但背后其实有一个很尴尬的现实，就是即便在当前的学术界，“世界模型”至今还没有统一的技术定义。计算机视觉研究者把它理解为视频生成，机器人领域把它当成状态预测器，强化学习的圈子则从MBRL出发，把它视为策略学习的环境代理。

混乱并非偶然。“智能如何理解世界”本身就存在严重分歧：世界的本质应该被表示为像素、几何结构，还是抽象表征？围绕世界模型的技术路线也由此展开分野。

当然，还有一派主张从语言文本中学习世界知识，但这更多是LLM时代的延续，而非世界模型本体论层面的独立范式，因此本文不作重点展开。

像素生成派：“画”出的世界

世界模型的像素生成派可以追溯到已经被关掉的Sora，当初发布时，OpenAI用了“world simulator”这个说法。

Sora的技术逻辑是，通过扩散模型和Transformer架构，在海量视频中学习视觉像素的分布，然后根据给定的文字或图像提示，“画”出一段看起来真实连贯的视频。

但“画得像”和“理解物理规律”之间仍相隔甚远。

图灵奖得主杨立昆对这个路线的批评最直言不讳。他多次公开表示，通过生成像素来建模世界“是一次彻头彻尾的失败”，在高维连续感知输入中处理预测不确定性，这条路走不通。理由是，如果模型需要逐像素预测一个场景的未来状态，光照、纹理、阴影这些信息量巨大的细节会“稀释”模型对核心物理关系的注意力，而真正重要的因果结构反而学不到。

但是，这条路线并非就要被一票否决，在AI视频领域大杀四方的Seedance则代表了这一路线在中国的最新进展，以及向“世界模型”方向延伸的可能。

与Sora强调“世界模拟器”宏大叙事的路径不同，Seedance的技术路线是“解构人类内容的消费逻辑”，要的是让模型产出符合视听语言和物理直觉的可用内容。

Seedance 2.0的核心突破，被普遍认为是从“像素拟合”走向了“物理建模”。

此前AI视频模型的最大痛点在于“物体运动违背惯性、液体流动像色块平移、角色复杂背景中常有穿模”，根源是早期模型只在做“像素的统计学猜想”。Seedance 2.0则通过自主研发的运动合成技术，让模型理解了重力、阻力与碰撞，而背后则是模型对材质属性和物理交互的深度仿真。

7月31日，Seedance 2.5正式发布，在四个维度上实现了实质性跃升，其在世界模型方面的显著变化，就是模型的角色从内容创作工具向产业生产力基础设施迁移。

发布当天，徐工集团、小鹏汽车、灵初智能、微分智飞、穹彻智能等多家企业确认合作，率先引入该模型能力。从这些合作企业的构成也能发现，不论是具身智能领域还是智能驾驶领域，乃至在工业制造方向，“像素派”这条路线上的Seedance都有了不小的进步。

这表明，像素生成派正在突破“只会画”的瓶颈。但是，基准测试同时揭示了一个根本性问题，即便是在物理真实性上表现最好的模型，在真正的因果推理和逻辑一致性测试中仍然力不从心。

2026年5月，清华大学团队发布的World Reason Bench基准测试，专门评估视频生成模型的物理和逻辑合理性而非图像质量。测试涵盖世界知识、人类中心场景、逻辑推理、信息推理四大维度。结果显示，商业模型整体得分约为开源模型的两倍，Seedance 2.0在各项测试中综合排名领先，但逻辑推理上，即便是最好的商业模型在这一项上的得分也远低于其整体平均水平。

也就是说，从“像素生成器”到“可靠世界模型”的跨越尚未实现。

空间智能派：李飞飞的“3D重建”

与生成派“画画面”不同，李飞飞和她的World Labs选择的是从三维结构入手。

2026年7月，World Labs推出Real2Sim2Real物理AI解决方案，李飞飞的终局战略也清晰起来，其核心就是：用高效的物理AI仿真系统，解决具身智能的数据荒。

李飞飞曾指出一个现实：“不同于LLM可以从互联网上获取丰富的数据资源，具身智能从训练到评测阶段，数据都十分匮乏。”机器人和自动驾驶无法像大语言模型那样从互联网文本中学习，因为它们的训练数据是物理交互，而真实的机器人跑一次实验的成本高得惊人，而且难以覆盖长尾场景。

因此，行业陷入两难，仿真环境，比如如英伟达Isaac Sim的成本低、数据量大，但仿真与现实总有偏差。就算机器人在仿真里练得再流畅，一进现实可能连门都打不开，这就是著名的Sim2Real Gap（仿真到现实鸿沟）。

真实机器人遥操作采集数据，准是准，但太贵、太慢、不够多。

李飞飞的Real2Sim2Real给出的方案是，先用Marble等模型对真实环境做高保真3D重建，然后在仿真中大规模训练机器人策略，最后将训练好的策略回迁到真实世界，并要求在真实环境中验证有效。

这条路线的理想状态下，仿真与现实之间形成闭环，互相校正、持续迭代。

李飞飞把世界模型按功能分成了三类，即渲染器做视觉生成，模拟器输出精确物理数据，规划器直接指导行动。其中，她认为模拟器是物理AI发展的最关键一环。

但是，李飞飞的这条路线同样面对严峻的挑战，因为模型重建3D空间不等于理解世界，几何结构也不代表物理状态。也就是说，构建一个可测量的三维模型，和让模型真正理解“在这个空间里施加一个力会发生什么”，其实是两件事。

此外，真实三维数据短缺、仿真误差累积、AI生成的三维内容可能存在形变或物理不一致，都是需要持续攻克的难题。

潜空间表征派：杨立昆的JEPA

相比前面两派，杨立昆的“潜空间表征派”则完全跳出了“空间”的框架，而是在一个抽象的、压缩过的表征空间里预测未来。

2022年，杨立昆团队提出了联合嵌入预测架构（JEPA），其核心思想是不预测像素，不重建三维结构，只预测视觉表征的压缩，把当前观测到的图像或视频压缩成一组高层特征，然后在这个抽象空间里推断下一时刻的状态会变成什么样。

这个思路的逻辑非常“杨立昆”，符合他一贯作风，即极致的“效率优先”思维、对“预测是智能本质”的坚持和“敢于唱反调”的学术个性。

在他看来，模型不需要记住某个场景里光照是暖色还是冷色、纹理是光滑还是粗糙。因为这些细节对“理解物理规律”毫无帮助，真正重要的是物体之间的因果关联、运动中的状态变化、动作与反馈之间的对应关系。

如何把这些信息从冗余的感知信号里提取出来，在抽象空间里做预测，效率更高、泛化更好，才是问题的关键。

2026年7月，杨立昆团队推出在部署过程中持续学习的自适应潜在世界模型 AdaJEPA。

这个模型的产生来自一个生物学的启发，人类不是靠一个固定不变的大脑模型应对所有环境的，而是每时每刻都在根据感官反馈调整对世界的认知。AdaJEPA把这个机制移植到世界模型上：机器人每执行一个动作，就用真实观测到的状态转移校正模型，再用更新后的模型重新规划下一步。

实验结果表明，AdaJEPA在推物体、迷宫导航等任务中，面对视觉变化、动力学变化等分布偏移时，规划成功率显著优于“训练后参数不再更新”的传统模型。这意味着，世界模型已经不只是一个训练完就定型的离线系统，第一次具备了“在真实世界中边做边学”的能力。

但是，国内的智源研究院对JEPA路线也提出了自己的判断，认为这类模型确实比像素生成派更高效，但“视觉嵌入的演化并不等同于物理规律的演化”。单纯从视觉表征中学习，可能仍然会遗漏语言中承载的大量物理常识和因果知识。

智源研究院院长王仲远认为，真正理解世界，还需要与语言等模态融合。

潜空间融合派：智源的RoboBrain Orca

智源是国内最早系统布局世界模型的科研机构之一，早在2024年其就已明确提出“大语言模型—多模态大模型—世界模型”的演进路径。

2026年6月的智源大会上，王仲远正式发布了智源对世界模型的定义：面向真实物理世界、以预测下一物理状态为核心的下一代基座模型。

这个定义本身就否定了把“生成画面”和“预测像素”作为核心任务，把“物理状态预测”推到了中心位置。

智源对上述的几条技术路线都进行了总结，它自己的技术路线就是，利用语言承载的人类物理常识，又利用视觉表征的高效预测能力，在统一的潜空间里原生融合。

2026年7月，这条路线走出了第一个标志性成果，即悟界·RoboBrain Orca。

Orca的核心创新在于，它不是一个“更会聊天”的大语言模型，不是“更会生成视频”的视频模型，也不是“更会抓东西”的机器人策略模型。其目标更为底层，即先学会“世界状态怎么变化”，然后再根据下游任务的需要，通过不同的解码器读出文本、图像或动作指令。

具体来说，Orca构建了一个统一的世界潜在表征空间。

无论你输入的是视频、图片、文字指令还是事件描述，模型都会把它们统一整合到这个“虚拟脑海世界”里，自主学习的不是某种模态的统计规律，而是物体运动规律、场景演变逻辑、动作因果关联、事件时序关系。

为了支撑这套学习，研发团队设计了“有意识+无意识”双路径互补训练体系：

无意识学习：用12.5万小时真实世界视频，不依赖人工标注，让模型像婴幼儿一样自主感知物体掉落、移动、空间交互等客观规律。这部分负责“常识积累”。

有意识学习：用1.6亿条事件标注数据（文字描述、任务指令、视觉问答等），让模型学习具备明确语义的状态转换逻辑。这部分负责“知识深化”。

Orca团队有一个很形象的比喻来解释自己的理念，“我们不会让一个3岁小孩进工厂，打10万小时螺丝。”意思是说，与其让AI一上来就钻进某个具体工位，比如预测下一个词、下一帧画面、下一步动作，不如先让它上一堂关于“世界如何变化”的义务教育课。理解世界在先，输出动作在后。

结语

四条路线，各有拥趸，评判标准正在浮现，但行业远未形成共识。

有研究者认为，世界模型应该优先追求“物理精度”而非“物理合理性”。另一些人则认为“长程推演”比“实时推理”更重要，或者反过来。

这些争论本身就说明，世界模型的路线之争仍将继续。AI对“世界模型”的探索，已从单一的哲学思辨演变为多条技术路线的并行竞争。

路线之争未必会以“谁消灭谁”的方式终结，更可能是在争论和实践中，逐渐形成一个融合各方长处的共识

而在这场仍在进行的路线之争中，一个事实已经清晰，世界模型不再是某个实验室或者某个公司的专属赛道，而是全球AI产业竞相争夺的下一代基座。谁能率先在“物理状态预测”这个核心能力上取得突破，谁就将有可能占据从数字世界通向物理世界的战略隘口。

也许，2030年再回头时，今天的路线分歧只是技术演进过程中一段不可避免的混乱期，而这段混乱，恰恰是创新的温床。

本文来自微信公众号“铑科技”，作者：鸿辰，36氪经授权发布。