来源 | 洞见新研社

过去一年，“世界模型”（World Model）从一个学术黑话迅速膨胀成为AI以及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了风口浪尖。

在过去的18个月时间内，已有超过100亿美金的资金流入了世界模型与机器人AI公司，所押注的正是世界模型理解物理世界这一能力的颠覆性潜力。

作为乐观派的代表人物，先进机器智能实验室（AMI Labs）创始人杨立昆公开做出了预言，指出三到五年内世界模型将取代LLM并成为主流AI范式，而英伟达机器人业务一号人物Jim Fan则借助“VLA已死”这一言论，进一步点燃了技术路线更替方面的激烈讨论。

虽然争论一直很多，但业界对于“什么是世界模型”这一问题至今仍然没有能够形成共识，渲染器、模拟器、规划器、视频生成以及潜空间预测等五花八门的定义和路径会各自进行圈地，仿佛一群人在不同维度上对同一件事情开展讨论。

这种概念层面所存在的混沌状态，与落地时间表的迫切预期之间，形成了巨大的反差。

01 “下一个Token”和“下一个物理状态”

若要理解世界模型，首先就需要把握它与大语言模型之间所存在的本质区别。

大语言模型的核心机制在于对下一个Token进行预测，也就是在给定前面词语的基础上，对下一个词出现的概率开展预测。它知道“玻璃杯掉到地上会碎”，是因为这个句子在训练数据里出现过无数次，而不是因为它理解了弹性模量、应力传导以及冲击能量。

世界模型的出发点在于填补这一空缺，它所预测的并非下一个词，而是下一个状态，物体在空间中的位置将会发生怎样的变化，以及一个动作会引发怎样的连锁反应。

就像智源研究院院长王仲远所说的那样，人工智能的范式迭代正从“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，把“预测下一物理状态”作为核心，代表着人工智能的下一个重要范式跃迁。

然而，“世界模型”在当下其实并不是一个边界清晰的技术概念，不同团队所开展的具体工作之间存在的差异，远比这一名称所能够暗示的程度要大。李飞飞以及World Labs团队则明确指出，“世界模型”是当今AI领域中最重要、同时也是最被过度使用的术语之一。

针对当前行业内世界模型概念出现泛化与误用问题的现状，王仲远对现有技术路线开展了划分工作，将其分成了四大类别：第一类是以语言为中心的世界模型，其中包括VLM以及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，它们会在视觉空间中对视频或图像进行学习；第三类是以三维结构为中心的世界模型，包括3D重建及相关空间模型；第四类是以视觉表征为中心的世界模型，例如JEPA系列模型。

在这四类路径之外，智源研究院还在对第五种可能性开展探索工作，该路径依赖于统一潜空间的全模态表征融合方法，把文字、图像以及视频等模态压缩至同一语义空间来进行原生训练，未来会进一步纳入更多物理世界模态。王仲远判断，全模态潜空间建模可能是世界模型实现真正突破的路径。

如果说王仲远所提出的分类主要是从技术实现路径这一角度出发的，那么李飞飞以及World Labs团队则从功能维度这一方面提供了一个更为清晰的框架。

李飞飞借助强化学习中的经典结构，把当前纷繁复杂的生成模型、物理模拟系统以及具身智能方法，从功能上划分成了三类：

渲染器（Renderer）输出了可供人眼观看的像素画面，其中核心指标是视觉保真度。

模拟器（Simulator）输出了贴合客观规律的环境状态。李飞飞特别指出，模拟器虽然受到的关注最少，但它却是最为关键的组成部分，是连接渲染器以及规划器的桥梁。

规划器（Planner）： 输出智能体的动作指令。

目前，这三个方向正在开始进行彼此融合，李飞飞对此做出了判断，“当它们的边界消失时，它们将共同重塑更宏大的东西：机器智能与其所处物理世界之间的关系”，终点就是一个统一的世界模型，它既能渲染照片级真实视图，又能生成物理准确的结构，还能规划行动序列。

02 落地还需翻越两座“大山”

如果说大语言模型所面临的瓶颈在于算力方面，那么世界模型的瓶颈首先体现在数据上，这也是其在落地过程中需要翻越的第一座“大山”。

在今年2月举办的思科AI峰会上，李飞飞于演讲中指出，物理世界AI的发展滞后于语言模型，其核心瓶颈在于数据信噪比方面。其中文本数据语义清晰且易于获取，而物理世界的像素与体素数据则充满噪声，并且3D、4D维度的高质量数据也极度稀缺。

一个直观的对比显示，当前数字世界中大语言模型的训练数据量已达到上百万亿Tokens的量级，而物理世界中视觉-语言-动作模型的训练数据量往往只有前者的万分之一，这种真实数据的缺乏会直接导致模型能力的薄弱。

王仲远也坦言，世界模型当前所面临的瓶颈主要体现在真实物理数据匮乏、技术路线尚未收敛以及评测体系不完善等方面，其中物理世界的数据采集不仅价格昂贵，而且极端工况样本也十分匮乏。

除了数据因素之外，世界模型所面临的第二个挑战在于，虽然能够生成出看起来真实的画面，但这并不等同于真正理解了物理规律。

视频生成模型之所以能够生成出一群猪在天上飞的画面，其中的原因在于，该模型只是从科幻电影当中学习到了这一视觉模式，但它并未真正理解猪不会飞这条物理世界的常识。

此外，当前模型在因果推理以及对复杂动态系统开展预判这两大核心能力方面，仍然存在着较为明显的短板，导致其对物理场景进行的很多推演结果尚且难以达到实用的标准。

既然当前面临着如此多的问题，世界模型的落地前景究竟如何？回答这一问题，需要首先厘清世界模型以及VLA之间的关系。

视觉-语言-动作（VLA）模型是当前具身智能领域的主流技术路线，它把视觉、语言以及动作统一在端到端的大模型当中，从而可以在输入图像和指令之后直接输出动作序列。在过去两年时间里，VLA一度被视为具身智能的“标准答案”，当时谷歌DeepMind的RT-2论文刚发布，分析师们就根据论文的发现把具身智能的商业化时间表往前推进了三年。

然而，当VLA模型运行两年之后，其所存在的短板也逐步暴露出来：机器人虽然能够识别物体，却并不理解“推杯子会掉落”这一物理过程；虽然可以听懂指令，却无法预判“拧瓶盖究竟需要施加多大的力”，工程师们对此做出的点评是，VLA所学到的物理，其实是一种以表面关联为基础形成的“伪物理”。

于是，行业内部开始对VLA与世界模型之间究竟应当以怎样的一种关系来相互配合以及共同演进这一问题开展了广泛争论。

行业共识已趋于清晰：二者并非相互取代，而是高度互补的融合关系。 世界模型（尤其是以潜空间或三维结构为中心的那一类）通过对下一物理状态的精准预测，弥补了VLA在因果推理、动态模拟以及长期规划方面的核心短板，为其提供了真正的物理理解基础；而VLA则擅长语义 grounding 与端到端动作生成，将世界模型的“想象”高效转化为可执行策略。

这种共生模式正演化出统一的世界动作模型（World Action Models，WAMs），其中世界模型承担模拟器与规划器的角色，VLA则作为执行头，二者边界逐渐消失，最终导向具身智能的下一代基座。数据瓶颈与伪物理问题也将借助世界模型生成的合成数据与闭环校正得到缓解。李飞飞的渲染器-模拟器-规划器框架、王仲远的潜空间统一路径以及Jim Fan、Yann LeCun的相关论述均指向这一方向。2026年的实践已显示，纯VLA路线正让位于WM增强的混合系统，这正是人工智能从“预测下一个Token”迈向“预测下一个物理状态”范式跃迁的必然落地形式。

智平方创始人兼CEO郭彦东在2026年智源大会上给出了他的理解：世界模型并非VLA的竞争路线，而是构成了VLA体系当中的核心组成部分。

郭彦东对VLA开展了重新定义，将其视为多种模态融合以及大数据驱动的端到端模型架构的总称。在这一定义之下，世界模型与VLA并不存在本质区别，更不是相互替代的关系。

用更加通俗的话来进行解释，世界模型主要负责对世界开展理解，而VLA则主要负责把这种理解作用到世界当中。两者之间并非构成对立的关系，而是形成了天然统一的整体。而VLA与世界模型之间的分工，类似于大脑皮层与小脑的关系，其中大脑皮层负责理解以及规划，小脑则负责预测与纠偏。

智源研究院理事长黄铁军也持有类似观点：VLA与世界模型并不矛盾，企业运用VLA是现实的选择，而世界模型的目标在于打造通用大脑，一个强大的世界模型，应当充当VLA的“潜意识”以及“直觉模块”。

在实际落地过程中，这一融合思路已经得到了具体体现，小鹏汽车在CVPR 2026上首次展示的世界模型技术图谱，运用了“VLA+世界模型”双支柱架构，VLA依托海量真实驾驶数据来学习行驶逻辑，世界模型则专注于对交通场景开展前瞻性判断以及多步推演。

在机器人技术的具体落地过程中，VLA比世界模型目前要更为成熟一些，这其中的原因在于当前机器人落地较多的工业场景中，任务明确且动作种类有限，企业可以提前采集大量数据进而把模型训练到接近100%的成功率，而世界模型的主要优势在于跨场景以及多任务泛化，因此更适合家庭等开放环境，但众所周知，家庭场景距离成熟的商业化还是有不小的距离。

总的来看，这两条路线在短期内，或者在特定的场景之下，都完成了一定规模的商业落地工作，但它们真正所能执行的动作以及任务方面还是比较有限的。

03 动作闭环成下阶段竞争焦点

借助上文所开展的分析能够清楚发现，世界模型以及VLA所面临的问题实际上已经相当清晰，行业下一阶段的竞争焦点也因此变得十分明确，即需从“能预测”转向“能行动”。

星源智在2026年智源大会上所发布的全球首个具身交互世界模型“ω-EVA”，首次成功实现了世界模型落地到机器人行动决策闭环的过程。

星源智 ω-EVA（具身交互世界模型）

该描述精确对应2026年6月智源大会上星源智（Xingyuan Zhi / 北京星源智能）发布的ω-EVA具身交互世界模型（全球首个）。EVA即Envision（预演）、Verify（验证）、Act（行动），其核心创新在于构建“预演-验证-行动”决策闭环：机器人在执行动作前，在潜在特征空间中对候选动作的环境影响进行模拟预测，随后依据推演结果优化方案，再实际执行，从而实现“思考后行动”的实时纠错能力，而非单纯视频生成。已在华容道拼图（受干扰后的动态重规划）和工业分拣等场景得到验证。

此机制将世界模型从离线预测工具转变为具身智能的实时决策参与者，显著提升机器人在复杂物理环境中的适应性与稳健性。

星源智发布的ω-EVA揭示了一个重要的发展趋势，世界模型不能仅仅作为离线的思考者来发挥作用，而是需要成为实时的决策者来进行工作。从更深入的层面来看，世界模型需要从一次性的预测以及动作生成，逐步走向可以持续开展感知、想象与修正，并且能够从真实交互当中对自身进行更新。

从全球技术路线方面来看，动作驱动路线正逐步发展成为其中一个重要方向，它得以直接跳过了那些不必要的像素生成步骤，从而把所有计算资源集中到对物理交互的理解以及最优动作的生成这两个方面上。这种路线会更加接近生物智能的本质，因为人类在进行行动的时候，并不需要在脑中渲染出高清3D电影，而是以对物理世界的直觉理解为基础，直接产生反应。

那么，世界模型距离真正迈入生产落地环节，究竟还需要经历多长时间的验证与优化过程？

世界模型已在工业分拣、汽车辅助驾驶等窄域场景进入早期试点与验证（如星源智ω-EVA的预演-验证-行动闭环已在真实分拣线和动态重规划中测试，XPENG VLA 2.0实现量产辅助驾驶）。行业报告指出，2027年预计将成为商用机器人系统的标准组件，先在物流、制造等结构化环境实现规模化部署。

但要达到复杂开放环境下的高可靠、大规模生产落地，仍面临实时性、幻觉抑制、sim-to-real泛化以及边缘端推理成本等核心挑战，预计还需要2-4年的迭代积累才能形成稳定闭环。更通用的家用或非结构化具身智能，时间窗口可能延伸至3-5年甚至更长。总体来看，2026-2027年是关键转折窗口，特定高价值场景已接近或进入商业验证，而全面生产级应用仍需持续的真实世界数据闭环与工程打磨。

王仲远给出了一个谨慎乐观的判断：“至少在未来三到五年内，都会是世界模型持续演进迭代的阶段。对于科研探索这件事来说，结果很难预料，有可能会在一个难点上卡住三五年也没有突破，但也有可能会突然迎来技术爆发。”
王仲远给出了一个谨慎乐观的判断：“至少在未来三到五年内，都会是世界模型持续演进迭代的阶段。对于科研探索这件事来说，结果很难预料，有可能会在一个难点上卡住三五年也没有突破，但也有可能会突然迎来技术爆发。”

这一判断获得了来自多方的呼应，智源研究院所做出的预判认为至少还需要好几年的时间，在未来三到五年内世界模型都将持续开展演进以及迭代的工作。

短期来看，世界模型更有可能首先在生产环节发挥作用，将其作为数据引擎、训练工具以及环境构造工具来进行运用，而不是大规模部署到真机上开展实时推理；中期竞争重点将转向状态保持、物理一致以及跨镜头连续这些方面；长期则有望进一步接入机器人、游戏、数字孪生以及Agent任务闭环。

从商业化信号这一角度来看，行业正在从多模态生成阶段逐步转向可交互工作流这一方向，英伟达所发布的开源全模态物理AI模型Cosmos 3成功打通了视觉推理、世界生成以及动作预测这三大核心能力。阿里巴巴发布了千问具身智能大模型Qwen-Robot系列，其中同时包含VLA操作模型、VLN移动模型以及世界模型这三大模块。

这一系列发布与星源智ω-EVA的预演-验证-行动闭环形成呼应，标志着世界模型正从离线预测工具加速转变为具身智能系统的实时决策参与者。动作驱动路线在此过程中日益凸显优势，它得以直接聚焦物理交互理解与最优动作生成，从而跳过不必要的高清像素渲染步骤，更接近生物智能基于物理直觉直接反应的本质。行业报告指出2027年将成为商用机器人系统的关键窗口，先在物流制造等结构化环境实现规模化部署，但要在开放复杂场景达成高可靠落地，仍需2-4年迭代以解决实时性、物理一致性以及sim-to-real泛化等挑战。王仲远给出的判断仍具参考意义：“至少在未来三到五年内，都会是世界模型持续演进迭代的阶段。”短期内此类模型更可能作为数据引擎、仿真平台与训练工具率先发挥价值，中长期则有望深度嵌入机器人控制、游戏以及Agent任务闭环。

这些迹象清晰表明，行业正以多项实际试点和发布成果为基础，从技术探索阶段逐步转向产品化验证的实施过程。

这一转变借助ω-EVA的预演-验证-行动闭环在真实工业场景的验证、NVIDIA Cosmos 3对视觉推理与动作预测的打通以及阿里巴巴Qwen-Robot系列的模块化集成等具体进展得以实现。它不仅揭示了动作驱动路线如何聚焦物理交互理解并跳过不必要像素渲染，更体现了世界模型从离线工具向实时决策参与者的系统性演进。王仲远关于三到五年迭代期的判断也印证了当前所处窗口：短期以数据引擎和仿真平台价值为主，中长期则需攻克实时性与sim-to-real挑战，最终在结构化环境率先形成商业闭环。

04 结语

如今复盘来看，大语言模型使得机器得以谈论世界；而世界模型的出现，则让机器可以对世界开展理解、想象、推理，并且实现与世界的有效互动。目前来看，这场从数字世界迈向物理世界的跃迁才刚刚开始，而在未来的三到五年期间，将会成为决定哪一方能够率先抵达彼岸的关键窗口。

虽然已经在世界模型方面烧掉了百亿美元，但其概念至今仍然没有实现统一

来源：“烧”掉了百亿美元, 世界模型的概念都还没有统一 | OFweek机器人网