2026智源大會火爆超預期，智源研究院為世界模型定義四大路線｜甲子光年

世界模型以“預測下一物理狀態(tài)”為核心。

作者｜劉楊楠

編輯｜王博

2026年6月12日，全球頂級AI研究機構(gòu)智源研究院組織的第八屆北京智源大會于中關(guān)村國際創(chuàng)新中心啟幕。這場以“技術(shù)前沿、國際視野、青年人才”為標簽的學術(shù)盛會，迅速突破圈層，成為年度科技領(lǐng)域的現(xiàn)象級事件。

智源大會很多場論壇現(xiàn)場，不僅座無虛席，連過道都站滿了人。據(jù)了解，今年智源大會有一萬多名參會者，可以說是相當火爆的一場AI“內(nèi)行盛會”。

2026北京智源大會現(xiàn)場

在眾多的演講內(nèi)容中，智源研究院院長王仲遠的研究進展報告，是本屆大會的核心錨點。他直接拋出了智源對下一代人工智能的完整定義——世界模型。

“人工智能正沿著從大語言模型向多模態(tài)大模型再向世界模型演進的方向，加速從數(shù)字世界邁向物理世界。”王仲遠說。

世界模型成為了本屆智源大會的一大關(guān)鍵詞。

早在2026年3月，楊立昆（Yann LeCun）創(chuàng)辦的公司AMI Labs CEO Alexandre LeBrun曾預測：“世界模型將成為下一個熱門詞匯。6個月內(nèi)，每家公司都會自稱是世界模型來籌集資金。”

LeBrun幾乎一語成讖。

過去半年，「甲子光年」接觸的多家AI初創(chuàng)企業(yè)均在進行戰(zhàn)略轉(zhuǎn)型，對外口徑盡量往世界模型上靠。

談論它的人，有的在說一個能夠預測物理世界下一秒即將發(fā)生什么的算法架構(gòu)；有的在說一個能夠支撐具身智能機器人走入千家萬戶的聰明大腦；還有的人，用“世界模型”這張精美畫布，把自己真正想做的事包裝起來，確保自己不會被AI的后浪沖上沙灘。

各式各樣的故事背后，有大量投資者在買單。

據(jù)報道，過去18個月，全球已有超過100億美元資金流入世界模型與機器人AI領(lǐng)域。進入2026年，資本熱度仍在持續(xù)升溫。「甲子光年」粗略統(tǒng)計，截止2026年6月，國內(nèi)明確標注為“世界模型”方向的融資已披露金額超75億元。

什么是世界模型？世界模型真正能帶來什么？不同技術(shù)路線都存在哪些局限？又有哪些解法？

1.世界模型，包羅萬象

什么是世界模型？

本屆智源大會上，智源研究院為世界模型定義了四條清晰的路線。

第一類是以語言為中心的世界模型，包括VLM、VLA，模型在文本空間中預測下一個詞，學到的是語言描述的世界，并不能理解背后的物理后果；

第二類是以像素為中心的世界模型，像Sora和Seedance等視頻生成類模型，在視覺空間中學習視頻或圖像，學到的是像素描述的世界；

第三類是以三維結(jié)構(gòu)為中心的世界模型，包括3D重建以及李飛飛團隊的World Labs Marble模型，不過模型重建3D空間不等于理解世界，幾何結(jié)構(gòu)也不代表物理狀態(tài)；

第四類是以視覺表征為中心的世界模型，比如楊立昆的JEPA系列模型，預測的是視覺表征的壓縮，但視覺嵌入演化不等于物理規(guī)律演化。

這個分類非常清晰，可以說是為行業(yè)對于世界模型的定義進行了“正本清源”。

這也解釋了，為什么這么多的公司會與世界模型有關(guān)：視頻公司能通過給生成視頻增加交互性，讓視頻有游戲化的趨勢，甚至有可能將基于視頻生成的世界模型變成新一代“游戲引擎”；世界模型還有可能替代傳統(tǒng)的3D建模，為具身智能模型的訓練提供合成數(shù)據(jù)......

邊界的模糊也給世界模型創(chuàng)造了巨大的想象空間，使其在短期內(nèi)迅速匯聚共識，吸引資本、創(chuàng)業(yè)者和大廠同時押注。只不過，這些表層的共識下，還有大量的分歧。

斯坦福大學教授李飛飛曾在6月4日發(fā)布的長篇技術(shù)文章中指出，當前業(yè)界存在嚴重的概念混淆，計算機視覺、機器人學習、強化學習和生成AI等多個領(lǐng)域都在聲稱開發(fā)世界模型，但各自指代的內(nèi)容截然不同。

但在智源看來，世界模型仍處在發(fā)展早期階段，很重要的原因就是世界模型概念就是太過廣泛，就是怎么訓練世界模型，技術(shù)沒有收斂，數(shù)據(jù)更是遠遠不夠，到底是需要視頻數(shù)據(jù)、仿真數(shù)據(jù)還是真實物理世界的數(shù)據(jù)，業(yè)內(nèi)還沒有找到方法路徑。

這些因素耦合在一起，使得還沒有哪一個世界模型真正能夠讓人感覺特別驚艷，能夠解決真實物理世界的各種問題。

概念越熱，越需要回到技術(shù)本身。

2.問題與答案

相比將世界模型迅速包裝成產(chǎn)品敘事，智源研究院更關(guān)心的是：下一代大模型如果要從“生成內(nèi)容”走向“理解和預測世界”，究竟需要怎樣的模型范式、全模態(tài)數(shù)據(jù)和具身接口。

智源研究院是國內(nèi)最早提出并開展世界模型研究的科研機構(gòu)。從2023年楊立昆在智源大會提出新一代世界模型概念，到2024年智源將其明確為下一代大模型方向，再到悟界·Emu3、悟界·Emu3.5的持續(xù)迭代，智源的世界模型研究，并不是在熱詞出現(xiàn)后才開啟，而是從一開始就在嘗試把一個被不斷泛化的概念，重新落回一組可被研究和驗證的核心問題。

今年年初，智源組建新的世界模型團隊，啟用陳博遠、王鵬偉等優(yōu)秀的年輕研究學者，也是這一思路的延續(xù)：在行業(yè)共識還很粗糙的時候，先把問題本身變得更清楚。

2026智源大會上，王仲遠給出智源研究院對“世界模型”的理解：世界模型以“預測下一物理狀態(tài)”為核心，“物理狀態(tài)”可能包含語言、動作、狀態(tài)、當下的時間和空間等等信息，是面向真實物理世界的下一代基座模型。

面向物理世界的基座模型

真正的世界模型不僅能感知、理解、推理真實的物理狀態(tài)和物理常識，同時能涵蓋文本、視頻、深度、力覺、感知的全模態(tài)數(shù)據(jù)，還具備主動交互能力，能夠支撐各種物理世界的下游應用。

具體到技術(shù)路線上，智源研究院認為將來也許會有第五個分類，或者智源嘗試的很有可能是第五個分類：以語言為中心的分類和以視覺表征為中心的分類可能的融合，也叫做潛空間表征，同一個潛空間能夠Decode不同的模態(tài)。

智源依然延續(xù)的悟界·Emu3.5模型訓練的思想，就是將各種文字圖像視頻模態(tài)全部壓縮，原生統(tǒng)一訓練，壓縮在同一個語義空間，希望有更多的模態(tài)被壓縮進來，通過統(tǒng)一潛空間表征各種真實物理世界的狀態(tài)，Decode成為Action、畫面或者其它真實物理世界需要的狀態(tài)。

“我們認為將來統(tǒng)一的潛空間建模不僅僅是視覺空間，而是全模態(tài)潛空間，很有可能是世界模型真正下一個可能的路徑。”王仲遠表示。

在此基礎(chǔ)上，2026智源大會上，智源研究院介紹了兩個世界模型的最新進展——悟界·Physis-v0.1和悟界·RoboBrain Orca。

悟界·Physis-v0.1是全球首款通用世界基座模型。它以物理隱空間表征替代傳統(tǒng)像素、幀級預測方案，實現(xiàn)跨場景通用物理規(guī)律強化學習。搭載專屬物理狀態(tài)編碼器，可完成視頻、深度RGB、3D點云、力觸反饋等全模態(tài)信息壓縮，統(tǒng)一轉(zhuǎn)化為標準化隱空間物理狀態(tài)Latent State，打破了傳統(tǒng)AI垂類專用的技術(shù)瓶頸，彌補；主流人工智能模型不懂真實物理規(guī)則、物理推演結(jié)果可信度低、長程時序記憶缺失的核心短板，可廣泛應用于嚴肅工業(yè)、具身智能、物理仿真、科學研究等真實物理場景。

悟界·RoboBrain Orca是以下一個物理狀態(tài)預測為核心的具身大腦。它構(gòu)建 “統(tǒng)一表征 — 建模 — 預測 — 交互” 完整閉環(huán)，實現(xiàn)從 Next Token / Frame / Action Prediction 升級為 Next Physical State Prediction，徹底打破傳統(tǒng)AI僅能理解文本的局限，推動 AI 從理解文本走向感知、預測與交互物理世界。并融合大量Ego-centric交互數(shù)據(jù)，強化了世界模型的具身表征，有效提升下游少樣本與跨場景的泛化能力, 支撐具身智能機器人在物流場景、酒店服務場景等真實環(huán)境中的長期自主作業(yè)。

此外，2026智源大會上，智源還發(fā)布了一系列創(chuàng)新成果——

悟界·Brainμ1.0是全球首個理解與生成統(tǒng)一的多模態(tài)神經(jīng)科學大模型，從世界模型構(gòu)建多模態(tài)腦科學通用基座。智源聯(lián)合清華團隊基于該模型的研究成果已刊發(fā)于Science。一同發(fā)布的還有全球最大最全的AI-Ready神經(jīng)科學數(shù)據(jù)集及全球最大的AI-Ready神經(jīng)科學數(shù)據(jù)平臺悟界·BrainToken。

悟界·OpenComplex2.5則是可泛化、物理真實的下一代AI驅(qū)動藥物發(fā)現(xiàn)模型，能精確解析IDP靈活構(gòu)象，賦能創(chuàng)新藥物研發(fā)全鏈路，為神經(jīng)退行性疾病等難成藥靶點研究提供新的技術(shù)路徑。

智源將這些模型歸攏在AI for Life Science的大方向下，涵蓋類腦、心臟、蛋白質(zhì)結(jié)構(gòu)等分支。在王仲遠看來，這些都是世界模型可能覆蓋的主題，用大腦、蛋白質(zhì)、細胞構(gòu)成世界模型，都是在解決物理世界的問題，最終或許殊途同歸。

目前來看，這些可能的主題中，具身智能無疑是確定性最高的一個。但即便是這個確定性最高的方向，世界模型與具身智能之間依然面臨著一段痛苦的磨合期。

3.具身智能的考驗

具身智能的機會足夠大，也足夠復雜。它幾乎能夠滿足世界模型成長所需的全部場景，同時也給世界模型提出了諸多挑戰(zhàn)。例如數(shù)據(jù)的匱乏、模型技術(shù)路線的分歧、不可預估的算力消耗等等。

這些挑戰(zhàn)相互交織，彼此牽制，讓世界模型在具身智能場景前進的步伐稍顯沉重。

先說數(shù)據(jù)。長期來看，構(gòu)建世界模型的真實世界數(shù)據(jù)依然非常缺乏，這些數(shù)據(jù)散落在不同的孤島。

其中，視頻數(shù)據(jù)雖然海量，但它的“有效性”存在爭議。有人認為視頻只能提供表面的視覺信息，無法觸及物理因果；也有人持相反觀點。王仲遠則認為，視頻數(shù)據(jù)仍然沒有被充分利用。

但王仲遠承認，僅有視頻遠遠不夠，真實物理世界的數(shù)據(jù)依然需要持續(xù)累積。目前，智源也正在嘗試與高校和企業(yè)合作采集數(shù)據(jù)，內(nèi)部也在討論是否需要設(shè)計更輕量級、更便捷的數(shù)據(jù)采集設(shè)備。

相比數(shù)據(jù)的匱乏，具身智能模型的技術(shù)路徑也遠沒到收斂的時刻。

最典型的便是世界模型與VLA的路線之爭。 VLA（Vision-Language-Action）模型目前在工業(yè)分揀、服務機器人等特定場景中已經(jīng)取得了不錯的落地效果。

但VLA的局限性同樣明顯，如泛化性差；缺乏物理常識；且主動探索能力不足；且VLA模型規(guī)模較大，部署的延遲較高，無法滿足真實物理世界執(zhí)行動作的頻率。“VLA是當下，世界模型是未來。”王仲遠直言。

不過，除了路線之爭，目前世界模型的研究也存在一些共性難題。

王仲遠表示，全模態(tài)融合是當前智源內(nèi)部重點攻克的難題之一，核心問題是，如何把物理規(guī)律教給模型。比如，一瓶水放在桌子旁邊和一瓶咖啡放在桌子旁邊，跌落的時候產(chǎn)生的物理狀態(tài)和真實物理世界的影響，人類一看就知道，這些是人類世界模型能夠預測的。

現(xiàn)在的人工智能如果真正應用在物理世界的真實應用，會有很多的不足，對于時間、空間、物理規(guī)律、各種模態(tài)的物理常識不具備世界知識，不具備時間和空間這些明確的感知和決策推演，全模態(tài)的處理能力都不具備。

算力消耗同樣是繞不開的難題。

王仲遠認為，算力需求因模型路線而異，例如是否包含語言數(shù)據(jù)、采用極致壓縮還是生成路徑，不同路線對算力的需求差異較大。例如，智源的悟界·Physis通過潛空間建模，不同程度有不同的Decoder去接不同的模態(tài)和下游的任務，且隱空間學習本就追求極致壓縮，這些都能在一定程度上減少算力消耗。

比較樂觀的是，在王仲遠看來，LLM時期建起的大量算力基礎(chǔ)設(shè)施中，大都能在世界模型研究中復用。

例如，悟界Emu3.5采用就在嘗試以語言為中心的分類和以視覺表征為中心的分類可能的融合，并以驗證模型的可擴展性。世界模型雖然強調(diào)全模態(tài)，新增Action、State等采集挑戰(zhàn)，但算力基礎(chǔ)設(shè)施、訓練框架、工具鏈大多可復用。只是，后續(xù)在實際的場景應用中，還可能催生對世界模型的全新需求，這便需要根據(jù)具體的需求倒推基礎(chǔ)設(shè)施的改進方向。

他還提到一個更前沿思路： 現(xiàn)在萬億參數(shù)大模型要消耗1座城市的電，人腦只需要十幾瓦，吃幾顆蔬菜就可以產(chǎn)生10-20W的能量，可以實現(xiàn)跟大模型一樣的感知理解和推理能力，這就是生物結(jié)構(gòu)的神奇。智源確實有這方面的科研探索，就是類腦的研究，但智源覺得人腦的奧秘依然非常復雜，處于相對早期的科研狀態(tài)。

但那條路能走到最后？沒有人知道。

“技術(shù)創(chuàng)新是先行的，早于產(chǎn)品，早于系統(tǒng)，我們現(xiàn)在需要對于技術(shù)路徑進行各種各樣的探索，來促進世界模型的爆發(fā)。”王仲遠坦言，“但最終，還是需要一個具體場景的系統(tǒng)或產(chǎn)品，來證明我們今天反復強調(diào)的物理可驗證、長時序、因果邏輯推斷等技術(shù)目標，能夠真正落地應用于各種場景。”

4.市場需要模糊的正確

今天世界模型所遭遇的一切，看起來都似曾相識。

1999年，“.com”成為硅谷和納斯達克的信仰。公司無需盈利、無需商業(yè)模式，甚至不需要成熟產(chǎn)品，只要名字加上這后綴，股價便能飛漲。

彼時的互聯(lián)網(wǎng)，正如今天的物理AI，是一種“信者得救”的宏大敘事。沒有人說得清商業(yè)模式，但所有人都害怕錯過這趟車。

2006年，谷歌CEO施密特首次提出“云計算”。此后，跨國公司爭相標榜“云”服務，卻有媒體直言：“很多人并非真要搞云計算，不過是借概念炒作而已。”

2017年，區(qū)塊鏈成為流行詞，無數(shù)人借此一夜暴富。一眾ICO項目魚龍混雜，白皮書虛構(gòu)巨頭站臺，但資本依然狂熱不減。半年內(nèi)國內(nèi)ICO融資約26億元。僅一年時間，泡沫破裂，比特幣從近19000美元跌至3000美元，無數(shù)項目歸零。

歷史接連證明，一個足夠大的、模糊的想象足以迅速聚集起大量資本，但定義不清最終會把它拖入信任的深淵。可有趣的是，每一次泡沫破裂后，總有一些真正有價值的東西沉淀下來，成為下一個時代的地基。

互聯(lián)網(wǎng)泡沫后，亞馬遜和谷歌活了下來，國內(nèi)也有BAT為代表的互聯(lián)網(wǎng)巨頭成長起來，定義了數(shù)字商業(yè)的未來；云計算泡沫后，AWS、Azure與Google Cloud勝出，成為了現(xiàn)代數(shù)字經(jīng)濟的底座；區(qū)塊鏈泡沫后，那一批最瘋狂的項目倒下了，但作為信任機制的核心價值，在金融、供應鏈管理等特定領(lǐng)域的應用保留了下來。

如今，世界模型正在上演故事的下一幕。

越來越多的人開始把“世界模型”當作一種無需驗證的預設(shè)。無數(shù)投資者、創(chuàng)業(yè)者正在排著隊，等待一張通往想象中的“物理AGI”的船票。

事實上，光子計算、商業(yè)航天、碳中和等等同樣是歷史性的、攸關(guān)全人類命運的課題，為什么唯獨世界模型如此熱烈？

或許是因為，這些領(lǐng)域都太“透明”了。它們沒有世界模型那種充滿科幻氣味的神秘感。人們很清楚，它們是某一門科學或某一類工程，有相對清晰的物理規(guī)律和工程理論可以遵守，是站在無數(shù)巨人肩膀上的新成果。

而世界模型不同。它站在很多學科的交叉點上，站在一些至今仍屬于人類未解之謎的不確定性上。

互聯(lián)網(wǎng)、云計算、區(qū)塊鏈，歸根結(jié)底都指向數(shù)字世界的確定性。而世界模型需要征服的，是物理世界本身。這是一個遠比代碼復雜、遠比算法混沌、遠比協(xié)議無序的領(lǐng)域。

或許，相比弄清楚世界模型的準確定義，當前市場更需要的，正是“世界模型”招牌之下那種模糊的正確，以及其中暗藏的無限可能。

這就是世界模型在2026年夏天的真實處境。入局是一切的開始，至于入局的姿態(tài)是否正確，答案只能交給時間。

對于世界模型的終局，王仲遠的態(tài)度很開放，他坦言，智源作為一家科研機構(gòu)，需要擔起原始創(chuàng)新的責任，去開創(chuàng)，去創(chuàng)新，去突破，當然也有可能失敗。

“并不排除過兩年以后我們發(fā)現(xiàn)，今天這個地方?jīng)]想清楚，那個地方想錯了，這恰恰是科研的魅力。”王仲遠說。

（封面圖及文中配圖來源：智源研究院）