世界模型“六小龍”在WAIC吵起來了！行業紅利就在非共識里

林方舟 發自 凹非寺
量子位 | 公眾號 QbitAI

世界模型，是當前AI圈最火、也最沒有共識的領域之一。

它的概念沒有收斂、技術路線沒有收斂、訓練方式沒有收斂、數據標準沒有收斂、評測尺度沒有收斂……

7月19日，在WAIC“世界模型六小龍”論壇上，一場信息密度極高的圓桌討論，湊齊了六家公司的世界模型技術負責人。他們是：

• 大曉機器人首席科學家陶大程（主持人）
• 螞蟻靈波首席科學家沈宇軍
• 極佳視界聯合創始人&首席科學家朱政
• 無界動力聯合創始人兼CTO夏中譜
• 智元機器人AI算法總監任廣輝
• 自變量機器人聯合創始人兼CTO王昊

這些嘉賓的觀點，代表了行業對世界模型最前沿的思考，值得一聽。

什么能力重要？

共識不多講了，嘉賓們的分歧才是最有趣的部分。

先來看世界模型的技術路線之爭。

這六家公司目前押注的技術路線，按照“模型在什么空間里推演世界”的尺子，可大致歸類為三派：

• 像素生成派：代表公司是極佳視界
• 隱空間（JEPA）派：代表公司是無界動力
• 融合派：代表公司是大曉機器人（理解生成預測一體化）、螞蟻靈波（推出了多條路線的世界模型全家桶）、自變量機器人、智元機器人

由于走的技術路線不同，各家公司自然對許多焦點問題有不一樣的看法。

比如：世界模型究竟該對物理世界有多大程度的理解？

一邊希望它盡可能接近物理模擬器。

無界動力的夏中譜提出，評價世界模型要看它對幾何、運動、力等狀態的預測精度。

另一邊則認為，機器人沒必要先成為物理學家。

螞蟻靈波的沈宇軍認為“物理合理性”比“物理精度”更重要。機器人只需要明白同樣重量的鐵比棉花掉的快，但到底快多少，不需要知道，只需要觀察。

他說，機器人不必算清每一條軌跡、復現每一個物理參數，只要知道哪些差異會影響眼前的動作，就夠了。

對模型能力評價的標準，嘉賓們也存在分歧。

智元的任廣輝認為，推理的長時物理一致性，是評價是世界模型能力必不可少的指標之一。

而自變量的王昊卻直言：長程推演是“偽需求”，比起這個能力，他更看重推理的時效性。如果推理慢到錯過決策窗口，再完整的理解也沒有用。

在觀點碰撞背后，各個嘉賓捍衛的是自家模型擅長的能力。

模型對于物理世界的理解，隱空間里可以直接回歸物理量，所以敢要求物理精度；像素生成學到的天然是“看起來合理”，所以只承諾物理合理性。

而關于長時一致性，智元的世界模型，有一大用途是當仿真器，長程推演正是仿真器的生命線；自變量把世界模型與VLA整合進同一個端到端框架，預測是動作生成的前置步驟，預測鋪得越長，推理就越慢，占掉的決策時間就越多。

什么將率先收斂？

除了技術路線之爭，世界模型在下一階段最可能先收斂的是什么？

大家的判斷也不盡相同。

任廣輝和夏中譜認為是統一表征。語言模型找到了token，具身智能還沒找到自己的“token”，視覺、語言、動作這些模態得對齊進同一個表征。

王昊押的是融合，視頻生成貢獻未來預測、隱空間貢獻推理、3D顯式建模當空間記憶，各取所長拼出新架構，這在大語言模型歷史上發生過一遍。

沈宇軍的押注則落在觸覺上。他篤定，下一階段行業會率先形成共識：觸覺將成為機器人不可或缺的模態。觸覺數據一旦突破，物理世界和數字世界的世界模型，將分道揚鑣。

如今許多機器人的世界模型，從數字世界的視頻生成模型遷移而來；螞蟻靈波則在開發具身原生的世界模型，從控制執行的需求出發、基于自回歸架構從頭預訓練，讓模型為“邊預測、邊行動”、而非為生成好看的畫面而設計。

陶大程認為，世界模型最近的收斂不會發生在某一條技術路線上，而是發生在一把橫向的評測標尺上。

他舉例，就像深度學習的爆發，不是神經網絡在論戰里說服了特征工程派，而是ImageNet把所有方法拉到同一把尺子下。標尺統一了，收斂自然就會發生。

大曉機器人在論壇期間發布了PHYSICAL IQ，定位為首個具身原生、面向多場景、多本體、多任務的物理智能評測基準平臺，公平量化不同機器人本體與世界模型的物理智能水平。

從Demo走向Deployment

雖然各家的技術路線有分歧，但當機器人進入物理世界，最終的評價標準會變得很樸素：它能不能穩定完成任務？

按照夏中譜的定義，叫“決策有效性”；任廣輝說的偏技術，“最終為policy提升多少指標”；朱政的定義則是“多任務真機成功率”。這些指標雖然名字不同，但目標殊途同歸。

Demo穩定完成任務并不難，因為為了一個Demo可以不計成本，真正難的是在真實世界中規模化部署（Deployment）。

王昊分享了一個規律：模型能力從90%提升到99%，再從99%提升到99.9%，投入的成本并不是線性增長。

實驗環境里看似微小的錯誤率，落到部署現場，可能就是一次次人工接管、一次次返工，最后變成一筆算不過來的賬。

對隨機和突發情況的應對能力，也是機器人走出實驗室后必須要補上的短板。

沈宇軍舉了商超里的例子。機器人要找一包蔬菜，顧客卻可能順手把它放進了牛奶柜。單獨一起事件，可能是偶發情況；但對每天面對不同顧客的機器人來說，這就是日常。

大曉機器人的陶大程強調了端側能力對于部署的重要性。

很多世界模型跑在云端，但機器人留給自己做判斷的時間，可能只有幾十毫秒到幾百毫秒。網絡不能永遠在線，云端也不能總在等待。

他說，最難的不是讓模型變聰明，而是讓聰明變得便宜、可靠、及時。

一句話說：Demo展示的是能力上限，部署則考驗能力下限。

最后，還有一個問題值得深思：世界模型今年上半年才真正火起來，如果兩年后看，眼下的什么做對了，什么做錯了？

沈宇軍說，行業有時把“模型的能力”和“模型展現出來的能力”混淆了。模型的能力是泛化效率、可交互性這類內在屬性；展現出來的能力是生成效果這類外在呈現。

他認為，兩年后看，所有為模型架構能力做的工作，都做對了，但過于追求模型呈現出來的能力，并不好說；所有為數據鏈路做的準備，都做對了，但當下積累的數據最終是否會被用到、是否會被更新迭代，并不好說。

朱政說，眼下模型之外的太多事情分散了精力。在基模尚未收斂的時候，就去探索非常多的商業化場景，大概率不會成功。

任廣輝稱，兩年后，世界模型會走向更加“具身原生”，需要更大規模的具身原生數據和為具身而生的原生架構。

這場持續一小時左右的圓桌，討論了世界模型最值得關注的幾個話題，呈現出行業現階段代表性的共識和分歧。

陶大程的總結說得很好：分歧是論文的素材，重疊是產業的基底。對整個行業而言，分歧并不是問題，反而是當下的紅利。