北京
網易數碼訊 7月17日消息，2026世界人工智能大會期間，亮源新創（Light Origins）創始人兼首席執行官、ChatGPT核心貢獻者姜旭參加“從虛擬到現實：世界模型如何驅動具身智能”圓桌論壇，圍繞世界模型的核心能力、技術瓶頸以及具身智能商業化路徑等議題分享觀點。
本屆大會以“智能伙伴，共創未來”為主題，匯聚人工智能領域的科研機構、產業企業和技術工作者，共同探討基礎模型、具身智能及人工智能產業化等前沿方向。亮源新創首次參加大會主論壇及專題論壇，并提出規模化預訓練、規模化對齊和規模化部署三大具身智能發展范式。
Q：當前不同團隊對世界模型的定義存在差異。一個真正的世界模型應具備哪些核心能力？
姜旭：世界模型需要完成兩項核心任務，一是預測世界的下一個狀態，例如視頻生成模型預測下一幀畫面；二是根據當前環境預測下一步動作。相較于狀態預測，動作預測對于具身智能更加重要，因為訓練世界模型的最終目的并非生成視頻，而是控制機器人完成現實任務。
人在物理世界中行動時，通常是在觀察和理解環境后直接作出決策。因此，狀態應當被感知，動作應當被預測。世界模型需要重點建立規模化的“狀態—動作”映射，通過學習人類在真實環境中的行為數據，使機器人逐步獲得更強的感知、決策和執行能力。
但僅有世界模型還不足以實現通用具身智能。大語言模型、代碼模型和智能駕駛的發展表明，人工智能能力突破通常需要經歷規模化預訓練、規模化對齊和規模化部署三個階段。具身智能本質上仍是一個基礎模型問題，也需要沿著這一技術路徑持續演進。
Q：一些世界模型已經可以生成較為逼真的場景，但“看起來真實”并不等同于真正理解物理規律。當前的主要技術短板是什么？
姜旭：對于具身智能而言，世界模型最重要的能力，是基于視覺感知和環境觀察生成下一步動作。當前主流技術架構尚未很好地兼顧理解與生成兩項任務。
理解主要對應感知和抽象能力，生成更多涉及內容重建，兩者所需要的表征方式并不完全相同。當前部分模型嘗試以統一方式處理狀態預測和動作預測，往往難以同時保證環境理解能力和動作生成質量。
亮源新創目前重點研究的問題，就是通過模型架構和訓練數據創新，進一步銜接狀態理解與動作預測。模型不僅要識別物體、空間和環境變化，還要能夠根據任務目標生成可執行、可驗證的動作。
Q：未來三年，哪些具身智能場景可能率先實現落地？
姜旭：具身智能是大模型能力向物理世界的延伸，其商業化規律可以參考大模型的發展過程。人工智能產業的重要驅動力，是利用海量數據形成新的智能供給。具身智能最先出現能力躍遷的領域，可能是互聯網已經積累大量數據的場景。
當前互聯網擁有規模龐大的視頻資源，其中大量內容來自人類日常生活。盡管數據存在噪聲，但規模化預訓練具備一定的噪聲容忍能力。因此，家庭生活及相關日常服務場景，可能較早受益于視頻數據所提供的行為知識。
不過，技術能力突破并不必然意味著商業成功。具身智能早期仍可能存在精確度和可靠性不足等問題，因而更適合率先進入容錯率相對較高的場景，以輔助工具或智能伙伴的形式參與任務。企業還需要持續探索產品形態和實際需求，不宜過早將商業化路徑限定在單一方向。
亮源新創表示，未來將繼續推進具身智能基礎模型、機器人軟硬件協同及工程化能力建設，并通過真實場景部署獲取交互數據，形成模型持續訓練和優化的數據閉環，推動人工智能從理解數字世界逐步邁向感知和參與物理世界。
本文來源：網易數碼
責任編輯：
陳功_NT3893
