2026年6月17日，一家仅成立两年半的AI公司——Odyssey，以14.5亿美元估值完成了3.1亿美元B轮融资。领投方Natural Capital，跟投名单里赫然写着亚马逊、AMD Ventures、GV——以及Google首席科学家Jeff Dean的个人名字。
三周后，7月8日，Odyssey CEO Oliver Cameron发表了一篇题为《Our Path to Superintelligence》的长文。这不是融资PR稿，而是一篇关于AI范式走向的檄文。Cameron提出了一个直击行业要害的论断——AI社区把绝大多数精力花在了“复制智能”上，却几乎没有人认真研究“智能生长的环境”。
而这，可能是整个AI行业当下最危险的盲区。
静态训练的天花板
Cameron做了一个极其形象的类比：当今的大语言模型训练方式，像一个高度发达的文明，却生活在一个永远无法发明出“火”以外的能源的世界里——这个世界本身就设定了这个文明智力发展的天花板。
“环境对大脑的能力上限和成长空间，起着决定性的作用。”这是Cameron全文的核心判断。
过去几年，AI社区在“静态训练”这条路上走到了极致。OpenAI用Scaling Law证明了“更多数据+更大参数+更多算力=更好性能”的有效性。但一个越来越明显的事实是：Scaling Law的边际收益正在递减。每一代新模型需要的算力翻倍，但性能提升的幅度却在收窄。
更关键的是，这些模型——无论是GPT-5.5还是Claude 4——都有一个共同的基因缺陷：它们的训练数据是静态的。它们学的是人类已经写好的文本、已经录好的视频、已经标注好的数据。它们从未真正“经历过”任何事。
世界模型：另一种范式
Odyssey走的是截然不同的路。Cameron和他的团队——核心成员来自DeepMind、Tesla、Waymo、Meta、Apple——专注的是“世界模型”：一个能学习物理世界运转规律、实时响应交互、并能自我进化的智能系统。
Odyssey在2026年5月迎来了密集的产品发布期：Odyssey-2通用世界模型在物理精度上达到SOTA；Starchild-1成为首个实时多模态世界模型；Agora-1支持多人在同一生成世界中实时互动；而最关键的——PROWL-1，一个让世界模型自己逼自己变强的递归对抗系统。
PROWL-1的运作方式极其巧妙：一个RL智能体被放入世界模型中，它的奖励函数不是“完成任务”，而是“找出世界模型的漏洞”。每次发现漏洞，就被标记为对抗样本，反馈给世界模型去修正。模型修正后，RL智能体再去找更难的问题。
Cameron写道：“RL智能体不是通过被动演示来学习，而是主动搜索世界模型崩溃的场景，把这些失败转化为新的训练数据。随着世界模型因此改进，就需要更强大的RL智能体才能发现下一轮漏洞——这就形成了一个自然升级的训练过程。”
这不是一个“训练→测试→部署”的线性流程，而是一个永不停歇的递归升级循环。
从考卷到游戏
今天的AI训练，本质上像一场“闭卷考试”。模型拿到一个固定的数据集，反复刷题。当模型把考卷上的所有题型都刷到接近满分时，它就再也无法进步了——因为没有人出更难的新题。
世界模型的思路是：把“考卷”换成“游戏”。游戏会随着玩家水平的提高而变难。AI社区用了很多年才意识到：智能的本质不是记忆，而是适应；适应的前提是有一个不断变化的环境。
从神经科学角度看，人类大脑的发育高度依赖环境刺激。语言习得需要语言环境，运动能力需要物理环境，社会认知需要社会环境。Cameron的论点正在于此：如果要造出超级智能，就不能只给它一本百科全书，还要给它一个会“生长”的世界。
多智能体：智能的涌现条件
Cameron特别强调了多智能体的重要性。“最丰富的经验流不会来自孤立的RL智能体，而是来自与其他智能体共享世界的RL智能体。这意味着需要队友去协作、需要对手去博弈、需要伙伴去预测其行为。”
这在Agora-1中得到了体现。多个AI智能体或人类可以在同一个生成的虚拟世界中彼此互动。Cameron认为，在多智能体环境中，智能体可以发展出更高层次的策略和预测能力——这些能力在单智能体环境中永远不会出现。这实际上是在复现人类文明中“智能涌现”的条件：语言、协作、竞争、贸易——几乎所有人类引以为傲的智力成果，都是在多智能体互动中涌现出来的。
体验即服务
Cameron提出了一个极具前瞻性的概念：“Experience-as-a-Service”。“如果体验越来越成为各类应用的瓶颈，那么能够创造大规模体验的世界模型，就是所有人类和AI的一项必要的基础技术。”
机器人是“体验瓶颈”最明显的领域。一个机器人要学习“抓取杯子”，需要在真实世界中反复尝试数千次。但有了世界模型，它可以在虚拟世界中“预演”数万次。Cameron认为，类似的逻辑适用于科学、工程、教育等几乎所有领域。他甚至提出了一个更为宏大的愿景：“我们将在有生之年成为多行星物种，而一个能够适应人类从未亲身经历过的严酷世界的智能，其价值不可估量。”
超过30亿美元正在涌入
Odyssey不是唯一押注世界模型的公司。2026年上半年，整个世界模型赛道吸金超过30亿美元：Yann LeCun离开Meta后创立的AMI Labs以35亿美元估值完成10.3亿美元种子轮；Fei-Fei Li的World Labs再融10亿美元，估值54亿美元；DeepMind的Genie 3以24fps生成实时交互3D世界；NVIDIA的Cosmos平台下载量超200万次；Decart在5月完成3亿美元融资，估值40亿美元。
但Odyssey的差异化在于递归对抗训练。大多数竞争对手在做的，本质上是“更好的视频生成”或“更逼真的模拟”——仍然在用Scaling Law的逻辑。而PROWL-1试图解决一个更深层的问题：如何让模型在部署后继续自我进化。
两条路，两个未来
2026年的AI行业正面临一个十字路口。一条路是继续沿着Scaling Law走——已被证明有效，但边际收益递减，且无法解决“静态训练”的根本缺陷。另一条路是用世界模型创造“动态环境”，让智能体在环境中自我进化——风险更高、技术难度更大，但如果成功，可能打开通往真正通用智能的大门。
Cameron并不否认Scaling Law的价值，但他在提醒行业：我们可能用错了90%的精力。
如果他的判断是对的，最危险的将是那些专注于“纯文本大模型”的公司。当世界模型能够理解物理世界的因果律、能够实时交互、能够自我进化时，仅仅能“生成文本”的模型将变得像“只能发电报的计算机”一样——虽然有用，但远非终极形态。
然而，Cameron的宣言留下了一个未被充分回答的问题：世界模型本身的天花板在哪里？如果这个世界模型本身就不够智能，它“生长”出来的智能体，是否也会被限制在这个天花板之下？PROWL-1让RL智能体和世界模型互相刺激、互相提升，但这是否足以突破“造物主的天花板”，仍然需要时间和实践来回答。
超级智能不是被训练出来的，而是在一个会逼它变强的世界里，自己长出来的。如果这句话是对的，那么Odyssey卖的不是模型，不是算力，而是人类从未认真投资过的东西：一个会生长的智能世界。
快报