☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
过去一年，“世界模型”（world model）从一个学术黑话迅速膨胀成ai和机器人行业里的关键词，与此同时，vla（vision-language-action，视觉-语言-动作模型）作为具身智能的主流技术路线，也在这场讨论中被反复推上风口浪尖。过去的18个月内，有超过100亿美金的资金流入了世界模型与机器人AI公司，押注的正是世界模型“理解物理世界”的颠覆性潜力。
乐观派代表、先进机器智能实验室（AMI Labs）创始人杨立昆公开预言：“三到五年内，世界模型将取代LLM成为主流AI范式”，而英伟达机器人业务负责人Jim Fan更以“VLA已死”引发技术路线更替的激烈争论。
争议纷繁，但业界对“什么是世界模型”至今仍未形成统一认知：渲染器、模拟器、规划器、视频生成、潜空间预测……五花八门的定义与路径各自圈地，仿佛一群人在不同维度上谈论同一件事。
这种概念上的混沌，与落地时间表的迫切预期，形成了巨大张力。
“下一个Token”和“下一个物理状态”
要理解世界模型，首先要厘清它与大语言模型的本质差异。
大语言模型的核心机制是“预测下一个Token”——给定前序文本，输出最可能的下一个词。它知道“玻璃杯掉到地上会碎”，是因为该句式在训练数据中高频出现，而非真正掌握了弹性模量、应力传导或冲击能量等物理机制。
世界模型的出发点，正是填补这一空白：它不预测词语，而是预测下一个物理状态——物体的空间位移如何演变，一个动作将触发怎样的连锁反应。
正如智源研究院院长王仲远所言，人工智能正经历范式跃迁：从“预测下一个Token”迈向“预测下一个物理状态”。世界模型作为面向真实物理世界的下一代基座模型，其核心使命即是以“预测下一物理状态”为锚点，驱动AI由数字世界深度延伸至物理世界。
然而，“世界模型”在当下并非边界清晰的技术术语，不同团队所构建的系统，在目标、输入、输出与评估方式上差异显著。李飞飞与World Labs团队直言：“世界模型”是当前AI领域中最重要、也最被滥用的术语之一。
针对业内概念泛化、标签滥用的现状，王仲远将现有技术路径系统划分为四大类：
第一类是以语言为中心的世界模型，包括VLM、VLA等；
第二类是以像素为中心的世界模型，例如视频生成类模型，在视觉空间中学习视频或图像序列；
第三类是以三维结构为中心的世界模型，涵盖3D重建、空间建模及仿真相关技术；
第四类是以视觉表征为中心的世界模型，如JEPA系列模型。
在此四类之外，智源研究院正探索第五种可能性——基于统一潜空间的全模态表征融合：将文本、图像、视频等多模态信号压缩至同一语义空间进行原生联合训练，并逐步纳入触觉、力觉、时序运动等更多物理世界模态。王仲远判断，全模态潜空间建模或将成为世界模型实现质变的关键突破口。
如果说王仲远的分类侧重于技术实现路径，那么李飞飞与World Labs团队则从功能角色切入，提供了一个更具操作性的框架：
渲染器（Renderer）： 输出供人眼观看的像素级画面，核心指标是视觉保真度与艺术表现力。
模拟器（Simulator）： 输出符合客观物理规律的环境状态演化，如刚体碰撞、流体运动、遮挡关系变化等。李飞飞特别强调，模拟器虽受关注最少，却是连接感知与行动的枢纽，是真正通向因果理解的桥梁。
规划器（Planner）： 输出智能体的动作指令序列，强调任务完成率、鲁棒性与跨场景适应能力。
目前，这三类系统正加速走向融合。李飞飞指出：“当它们的边界逐渐消融，它们将共同重构机器智能与其所处物理世界之间的根本关系。”终极形态，是一个统一模型——既能生成照片级逼真的视图，又能输出物理一致的结构演化，还能实时规划并执行复杂动作序列。
落地还需翻越两座“大山”
如果说大语言模型的瓶颈在于算力，那么世界模型的首要瓶颈是数据，也是其实现规模化落地必须跨越的第一道关卡。
今年2月思科AI峰会上，李飞飞指出：物理世界AI的发展滞后于语言模型，根本症结在于数据信噪比低。文本数据语义明确、采集成本低、标注相对规范；而物理世界的数据——尤其是带精确几何、动力学、动作标签的多模态交互数据——不仅稀缺、昂贵，且噪声极大。3D、4D时空维度下的高质量真实数据更是凤毛麟角。
一个直观对比：当前数字世界的大语言模型训练数据已达百万亿Tokens量级；而物理世界的视觉-语言-动作模型，训练数据往往仅为其万分之一。真实数据的匮乏，直接导致模型泛化能力薄弱、物理常识缺失、长程推演失准。
王仲远亦坦言，世界模型当前面临三大核心瓶颈：真实物理数据极度匮乏、技术路线尚未收敛、评测体系严重缺位。物理世界的数据采集不仅成本高昂，而且极端工况（如暴雨夜高速变道、厨房油污滑倒、老人突发跌倒等）样本极难覆盖。
在数据之外，世界模型的第二大挑战在于：生成“看起来真实”的画面，不等于“理解物理规律”。
视频生成模型可以输出“猪在天上飞”的画面——因为其训练数据包含大量科幻电影片段，模型只是记住了该视觉模式的统计分布，而非掌握了重力、质量、空气阻力等基本物理约束。
此外，当前模型在因果推理与复杂动态系统预判两大核心能力上仍存在明显短板。例如，对多物体交互中的连锁反应、非线性摩擦力影响、柔性物体形变传播等场景，推演结果尚难满足工业级可靠性要求。
既然问题重重，那世界模型的商业化前景究竟如何？要回答这个问题，需先厘清它与VLA的关系。
VLA（Vision-Language-Action）是当前具身智能的主流架构，将视觉感知、语言理解与动作生成统一于端到端大模型中：输入图像与自然语言指令，直接输出动作序列。过去两年，VLA一度被视为具身智能的“标准解法”。谷歌DeepMind发布RT-2后，多家机构据此将具身智能商业化时间表提前三年。
但VLA运行两年后，其局限性日益凸显：机器人能识别杯子，却无法预判“推杯子会导致其滑落桌面”；能听懂“拧开瓶盖”，却难以估计所需扭矩与旋转角度。工程师们将其总结为：VLA习得的是一种基于表面关联的“伪物理”，缺乏对底层机制的建模能力。
于是，行业开始重新审视VLA与世界模型的关系。
智平方创始人兼CEO郭彦东在2026年智源大会上提出新视角：世界模型并非VLA的竞争者，而是其内在核心组件。
他重新定义VLA为——多种模态融合、大数据驱动的端到端模型架构的统称。在此框架下，世界模型与VLA并无本质对立，更非替代关系。
通俗而言：世界模型负责“理解世界”，VLA负责“作用于世界”，二者天然协同、缺一不可。其分工逻辑，近似于人类大脑中“大脑皮层”与“小脑”的协作关系：前者统筹理解与高层规划，后者专注实时预测、误差补偿与运动协调。
智源研究院理事长黄铁军亦持相似观点：“VLA与世界模型并不矛盾。企业采用VLA是现实选择，而世界模型的目标是打造通用‘直觉模块’——一个强大世界模型，应成为VLA的潜意识与本能反应中枢。”
这一融合思路已在实际产品中初见端倪。小鹏汽车在CVPR 2026上首次披露的世界模型技术图谱，即采用“VLA+世界模型”双支柱架构：VLA依托海量真实驾驶数据学习常规行驶逻辑；世界模型则专注于交通场景的前瞻性判断与多步因果推演（如预判前方车辆急刹引发的连环反应、施工区绕行路径优化等）。
具体到机器人落地场景，VLA当前成熟度更高。原因在于：工业环境任务边界清晰、动作类型有限，企业可通过密集采集特定场景数据，将模型训练至接近100%成功率。而世界模型的核心优势在于跨场景泛化与开放环境适应能力，更适合家庭、养老、教育等不确定性高、长尾任务多的场景——但这些场景距离大规模商业化仍有不小距离。
总体来看，两条技术路线已在部分细分领域完成初步商业闭环，但所能覆盖的动作类型与任务复杂度仍较有限。
动作闭环成下阶段竞争焦点
从上述分析可见，世界模型与VLA面临的共性挑战已十分明确：行业下一阶段的核心战场，正从“能预测”转向“能行动”。
星源智在2026年智源大会上发布的全球首个具身交互世界模型“ω-EVA”，首次实现了世界模型驱动机器人完成“感知—预演—验证—行动”的完整决策闭环。
该模型引入“预演、验证、行动”三阶流程：机器人接收到指令后，先在内部世界模型中模拟动作带来的环境变化；再依据推演结果评估风险、优化策略；最终执行最优动作，并将真实反馈用于模型持续更新。
“ω-EVA”的发布揭示一个重要趋势：世界模型不能仅作为离线“思考者”，而必须进化为实时“决策者”；更进一步，它需从单次预测与动作生成，升级为持续感知、动态想象、在线修正、闭环学习的自主智能体。
从全球技术演进看，“动作驱动”路线正快速崛起——它跳过冗余的像素级渲染环节，将全部计算资源聚焦于“物理交互建模”与“最优动作生成”，更贴近生物智能的本质：人类行动时，并不在脑中渲染高清3D影像，而是基于对物理世界的直觉建模，直接触发肌肉响应。
那么，世界模型距离真正进入生产环境实时部署，还有多远？
王仲远给出谨慎乐观的判断：“至少未来三到五年，都会是世界模型持续演进迭代的阶段。科研探索充满不确定性——可能卡在一个难点上多年无突破，也可能突然迎来爆发式进展。”
这一判断获得多方呼应。智源研究院研判：“至少还需数年时间”，未来三到五年将是世界模型持续打磨、验证与收敛的关键期。
短期看，世界模型更可能率先作为数据引擎、仿真工具、训练加速器、环境构造平台等基础设施，在产线调试、算法预训练、虚拟测试等环节发挥价值，而非大规模部署于终端机器人实时推理；
中期竞争焦点将集中于状态稳定性保持、物理一致性保障、跨镜头/跨传感器连续建模能力；
长期则有望深度融入机器人本体控制、游戏物理引擎、工业数字孪生、以及Agent级任务闭环系统。
从商业化信号看，行业正加速从“多模态生成”迈向“可交互工作流”。英伟达发布的开源全模态物理AI模型Cosmos 3，已打通视觉推理、世界生成、动作预测三大能力链；阿里巴巴推出千问具身智能大模型Qwen-Robot系列，同步集成VLA操作模型、VLN导航模型与世界模型三大模块。
这些进展表明：世界模型正从实验室探索阶段，稳步迈入产品化验证与工程化落地的新周期。
结语
回望来路，大语言模型赋予机器“谈论世界”的能力；世界模型的兴起，则让机器开始具备“理解世界、想象世界、推理世界并与之互动”的潜能。这场从数字世界向物理世界的范式跃迁，才刚刚拉开序幕。而未来三到五年，将是决定谁能率先抵达彼岸的关键窗口期。
* 图片来源于网络，侵权请联系删除
本文来自微信公众号 “洞见新研社”（ID：DJXYS-0309），作者：辰纹，36氪经授权发布。
