文 | 洞见新研社，作者 | 辰纹

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个时间内，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。

乐观派的代表，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”，而英伟达机器人一号位Jim Fan更是用“VLA已死”的言论，点燃了技术路线更替的激烈讨论。

争论很多，但业界对于“什么是世界模型”至今还没有达成共识，渲染器、模拟器、规划器、视频生成、潜空间预测……五花八门的定义和路径各自圈地，仿佛一群人在不同维度上谈论着同一件事。

这种概念上的混沌，与落地时间表的迫切预期，形成了巨大的反差。

“下一个Token”和“下一个物理状态”

要理解世界模型，首先需要理解它与大语言模型的本质区别。

大语言模型的核心机制是“预测下一个Token”，给定前面的词，预测下一个词出现的概率，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、应力传导和冲击能量。

世界模型的出发点就是来填补这个空缺，它预测的不是下一个词，而是下一个状态，物体在空间中的位置会怎么变化，一个动作会引发什么样的连锁反应。

就像智源研究院院长王仲远说的那样，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，以“预测下一物理状态”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”在当下并不是一个边界清晰的技术概念，不同团队在做的事情，差异远比名字所暗示的要大。李飞飞和World Labs团队直言，“世界模型”是当今AI领域中最重要、同时也最被过度使用的术语之一。

针对当前行业内世界模型概念泛化、误用的现状，王仲远将现有技术路线划分成了四大类：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；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，智源研究院还在探索第五种可能，基于统一潜空间的全模态表征融合，将文字、图像、视频等模态压缩至同一语义空间原生训练，未来将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真正的突破路径。

如果说王仲远的分类是从技术实现路径出发，那么李飞飞和World Labs团队则从功能维度提供了一个更清晰的框架。

李飞飞通过引入强化学习中的经典结构，将当前纷繁复杂的生成模型、物理模拟系统与具身智能方法，从功能上划分为三类：

渲染器（Renderer）：输出供人眼观看的像素画面，核心指标是视觉保真度。

模拟器（Simulator）：输出贴合客观规律的环境状态。李飞飞特别指出，模拟器受到的关注最少，却最为关键，是连接渲染和规划的桥梁。

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彼此融合，李飞飞判断，“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，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。

落地还需翻越两座“大山”

如果说大语言模型的瓶颈是算力，那么世界模型的瓶颈首先是数据，也是其落地需要翻越的第一座“大山”。

今年2月的思科AI峰会上，李飞飞在演讲中表示，物理世界AI发展滞后于语言模型，核心瓶颈在于数据信噪比，文本数据语义清晰、易获取，而物理世界的像素、体素数据充满噪声，且3D、4D维度的高质量数据极度稀缺。

一个直观的对比，当前数字世界的大语言模型训练数据量已达到上百万亿Tokens的级别，而物理世界的视觉-语言-动作模型训练数据量往往只有前者的万分之一，真实数据的缺乏直接导致模型能力的薄弱。

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

在数据之外，世界模型的第二个挑战是，生成看起来真实的画面，不等于理解物理规律。

视频生成模型可以做出一群猪在天上飞的画面，其中的原因在于，模型从科幻电影里学到了这个模式，但它并不理解“猪不会飞”这条物理常识。

此外，当前模型在因果推理、复杂动态系统预判两大核心能力上还存在着较大的短板，对物理场景的很多推演结果还达不到实用的标准。

既然有这么多问题，那么世界模型的落地前景到底如何？要回答这个问题，我们需要先厘清世界模型与VLA的关系。

VLA（Vision-Language-Action）是当前具身智能的主流技术路线，将视觉、语言、动作统一在端到端大模型中，输入图像和指令，直接输出动作序列。过去两年，VLA一度被视为具身智能的“标准答案”，当时谷歌DeepMind的RT-2论文刚出来，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挪了三年。

可是当VLA跑了两年后，其短板也逐渐暴露出来：机器人能识别物体，却不懂“推杯子会掉”；能听懂指令，却无法预判“拧瓶盖需要多大的力”，工程师们对此的点评是，VLA学到的物理，是一种基于表面关联的“伪物理”。

于是，行业开始争论，VLA和世界模型，到底应该以一种怎样的关系相处？

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：世界模型不是VLA的竞争路线，而是VLA体系中的核心组成部分。

郭彦东重新定义了VLA：多种模态融合、大数据驱动的端到端模型架构的总称。在这个定义下，世界模型与VLA没有本质区别，更不是替代关系。

用通俗的话来解释就是，世界模型负责理解世界，VLA负责作用于世界，两者并非对立关系，而是天然统一的整体。而VLA和世界模型的分工，类似于“大脑皮层”与“小脑”的关系，大脑皮层负责理解与规划，小脑负责预测与纠偏。

智源研究院理事长黄铁军也持类似观点：VLA与世界模型不矛盾，企业采用VLA是现实选择，而世界模型目标是打造通用大脑，一个强大的世界模型，应该是VLA的“潜意识”和“直觉模块”。

在实际落地中，这一融合思路已经有所体现，小鹏汽车在CVPR 2026上首次展示的世界模型技术图谱，采用了“VLA+世界模型”双支柱架构，VLA依托海量真实驾驶数据学习行驶逻辑，世界模型则专注于对交通场景进行前瞻性判断和多步推演。

具体到机器人的落地，VLA比世界模型要更成熟一些，其中的原因在于，当前机器人落地较多的工业场景，任务明确、动作种类有限，企业可以提前采集大量数据把模型训练到接近100%的成功率，而世界模型的主要优势在于跨场景、多任务泛化，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。

总的来说，这两条路线在短期内，或者在特定的场景下，都完成了一定规模的商业落地，但它们真正能做的动作和任务还是比较有限的。

动作闭环成下阶段竞争焦点

从上文的分析不难看出，世界模型和VLA所面临的问题实际上已经很清晰了，行业下一阶段的竞争焦点也就非常明朗了，即要从“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落地机器人行动决策闭环。

该模型设置了一个“预演、验证、行动”的决策闭环流程，机器人执行指令前，会先预判动作带来的环境变化，然后，再根据推演结果优化方案。

星源智的“ω-EVA”的发布揭示了一个重要的趋势，世界模型不能只做离线的“思考者”，而要做实时的“决策者”，更深入一些，世界模型要从一次性的预测和动作生成，走向持续感知、想象、修正，并从真实交互中更新自己。

从全球技术路线来看，动作驱动路线正在成为重要方向，它直接跳过了不必要的像素生成步骤，将所有计算资源集中在“理解物理交互”和“生成最优动作”上，这种路线更接近生物智能的本质，人类在行动时，并不需要在脑中渲染出高清3D电影，而是基于对物理世界的直觉理解，直接产生反应。

那么，世界模型距离真正进入生产落地环节到底还有多久？

王仲远给出了一个谨慎乐观的判断：“至少未来三到五年，都会是世界模型持续演进迭代的阶段。科研探索这件事说不准，可能卡在一个难点三五年也没突破，但也可能突然迎来技术爆发。”

这一判断得到了多方呼应，智源研究院预判“至少还需要好几年时间”，未来三到五年都是世界模型持续演进和迭代的阶段。

短期来看，世界模型更可能先在生产环节发挥作用，作为数据引擎、训练工具、环境构造工具，而不是大规模部署到真机上实时推理；中期竞争重点将转向状态保持、物理一致和跨镜头连续；长期则有望进一步接入机器人、游戏、数字孪生和Agent任务闭环。

从商业化信号来看，行业正在从“多模态生成”走向“可交互工作流”，英伟达发布的开源全模态物理AI模型Cosmos 3，打通了视觉推理、世界生成、动作预测三大核心能力。阿里巴巴发布了千问具身智能大模型Qwen-Robot系列，同时包含VLA操作模型、VLN移动模型和世界模型三大模块。

这些迹象表明，行业正在从技术探索走向产品化验证。

结语

如今复盘，大语言模型让机器能够谈论世界；世界模型的出现，让机器可以理解、想象、推理并与世界互动。目前，这场从数字世界走向物理世界的跃迁才刚刚开始，而未来的三到五年，将是决定谁能率先抵达彼岸的关键窗口。