《科创板日报》6月13日讯（由记者李明明报道）6月12日，第八届北京智源大会在中关村国际创新中心拉开帷幕。2015年图灵奖得主惠特菲尔德·迪菲基于其深厚的学术背景提出了一个重要的预判，这一预判为此次行业盛会确立了核心议题：人工智能正经历从数字世界向物理世界的跃迁，而世界模型的构建与发展正在成为下一阶段技术竞争的核心赛道。

迪菲在其题为《护AI智能体之安，御AI智能体之险》的主旨演讲中明确指出，机器智能将会深度主导社会的运行，并且这一过程不会演变成科幻作品中所描绘的那种人机对抗形式。人类社会将主动接纳技术所带来的效率提升，并逐步把事务决策权交付给机器来代劳，最终形成一种深度依赖的共存关系。他将这一进程的预判时间从原先的本世纪末提前到了2050年前后。

这一判断的技术落点，正是本届大会最受关注的世界模型。此前的大语言模型在能力上存在明确的边界，其核心作用在于对数字世界中的文本信息进行处理，尚未拥有能够在真实的物理场景中进行自主分析并形成有效决策的能力。而世界模型的成功构建，意味着人工智能得以成功实现了核心能力的范式跃迁，使其能够从预测下一个词元，进阶到预测下一个物理状态。这一进展赋予了人工智能理解与建模时空内在规律的能力，并能基于此对场景的动态演化过程进行推演，从而成为支撑机器代劳现实世界复杂事务的底层技术基础。这种正逐步渗透进工业、物流、家居等日常场景的技术演进路径，恰好契合了迪菲所描述的“非对抗式接管”模式。

迪菲同时也发出了重要的安全警示：当前业界普遍采用的补丁式安全策略已经无法适配智能体自主行动的新场景，而智能体权限边界的定义模糊已成为最为紧迫的短板。当世界模型推动AI从内容生成转向对实体世界的操控时，行为偏差所导致的后果将从信息错误升级为现实损害，因此安全防护体系必须在部署之前就完成前置性规划。

面对当前“人人皆言世界模型”的行业热潮，智源研究院院长王仲远在大会期间进行了概念澄清工作，以实现正本清源。他首次将当前主流技术路线划分为四类：以语言为中心的多模态模型、以像素为中心的视频生成模型、以3D重建为中心的空间模型，以及以隐空间表征为中心的JEPA路线。

王仲远对《科创板日报》记者指出，“视频生成并不等同于世界模型。”以Sora为代表的视频生成模型，其本质被界定为“世界模拟器”，然而训练数据中掺杂了大量影视与科幻内容，因而无法确保物理规律的正确性，也就不足以支撑在真实物理场景中进行决策。3D重建路线则主要服务于元宇宙以及数字孪生等虚拟构建场景，并未真正触及物理世界的因果规律。

根据王仲远的介绍，智源所选择的是融合语言与视觉表征的技术路线，以便在统一的潜空间中对物理状态进行编码，其核心在于预测“下一个物理状态”而非生成具体的像素画面。在本届大会上，智源正式发布了全球首个通用世界基座模型“悟界·Physis-v0.1”，该模型主打物理一致性、动作因果性、长程可推演性以及通用泛化性。

据介绍，悟界·Physis-v0.1这一模型具备了四大核心特性：物理正确性、动作因果可追溯性、长程一致性以及通用泛化能力。凭借这些特性，该模型能够适配于机器人、视频生成、游戏开发以及工业仿真等众多需要真实物理交互的应用场景，从而为具身智能与严肃工业等前沿领域的发展提供底层技术支撑。

在产业发展阶段的判断上，王仲远指出，当前世界模型的发展状态大致相当于2012年深度学习刚刚兴起的时期。这一时期的主要特征是技术路线尚未收敛统一，且真实的物理世界数据仍然严重不足，导致从技术探索到规模化应用之间仍有相当距离需要跨越。然而，与大语言模型时代中美之间存在明显代差的情况不同，王仲远明确表示，在世界模型这一新兴领域，中国与美国实际上处于同一起跑线。这为国内的科研机构提供了一个重要的机遇窗口，使其有机会探索并走出一条具有自身特色的原创技术发展路径。

数据问题构成了当前世界模型发展的核心瓶颈。真实物理世界的多模态交互数据处于极度分散的状态，至今尚未形成能够与互联网文本数据集相媲美的规模化资源。王仲远指出，视频数据依然是当前最容易实现规模化获取的资源类型，但其潜在价值还没有得到充分挖掘；另一方面，随着具身场景的逐步落地，将会持续积累真实交互数据，从而形成一个技术迭代的正向循环。

在本次智源大会的议程中，从图灵奖得主对未来的宏观预判，到一线科研机构对具体技术路线的探索与抉择，共同传递出了一个明确的行业信号：依赖单纯参数规模增长所带来的模型性能提升，其红利正在逐步消退；而如何让人工智能理解与作用于真实的物理世界，正日益成为技术发展的下一个核心战场。在此背景下，技术能力的突破性进展与安全保障体系的建设能否实现同步与协同，将从根本上决定这场智能范式跃迁能否顺利完成并走向正确的方向。

来源：世界模型站上智源大会C位 图灵奖得主把AI普及的时间往前拨了50年 | 财联社