怎么让AI真正“下地干活”？中国厂商加速探索世界模型

物理AI何时会迎来ChatGPT 时刻？刚刚过去的2026WAIC上，世界模型备受关注。

“2026年是‘世界模型元年’。”昆仑万维董事长兼CEO方汉在大会期间抛出了这样的论断。他认为，2026年AI的核心命题将转向“理解”与“交互”，让AI真正理解物理世界的运行规律，并能与真实环境进行闭环互动。

世界模型被视为让AI理解世界、能在物理世界自主行动的关键技术底座之一，大会上，昆仑万维发布Matrix-Game 3.5世界模型，蚂蚁灵波推出具身原生世界动作模型LingBot-VA 2.0，智元、大晓机器人、极佳视界、它石智航、戴盟机器人等均展出了自家的世界模型方案，许多厂商将世界模型作为下一阶段AI竞争重点。尽管世界模型仍处于产业探索期，但在具身智能落地的浪潮中，世界模型正站上舞台中央。

世界模型很“热”

从本届WAIC观察，中国企业的世界模型研发明显加速。

昆仑万维发布了Matrix-Game 3.5世界模型，聚焦可交互世界模型技术，创新实现Patch级（将图像或视频帧切割为‌带空间坐标的微小局部块）记忆注入，实现长期一致性的空间记忆。模型构建了自动化数据生产管线，覆盖1200余个游戏场景，为训练提供更多样本，并宣布核心架构开源。

蚂蚁灵波则推出具身原生世界动作模型 LingBot-VA 2.0，做出具身智能发展的新路线选择：让机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计。

此外，极佳视界首次展示“通用世界模型”全系列产品，覆盖从生成到行动，从本体到场景；​智元展出世界模型GE-2，让机器人不仅能够模拟环境，还能够通过环境变化不断学习，为机器人迭代提供闭环环境；大晓机器人发布开悟世界模型 3.1，走向融合生成智能、物理智能与认知智能的行动一体化世界模型。

与此同时，在解决如何渲染世界和模拟世界方面，3D生成企业也在加速入局。影眸科技的世界生成模型Hyper3D WorldGen也在WAIC首次亮相，意味着3D生成开始从单体迈向“场景级”，更多3D物品开始可被用于仿真训练，实现了从真实影像到可训练场景的端到端转化。

世界模型的“篮子”很大，各家技术路线并不相同，在产业链中的位置也有差异。尽管“世界模型元年”来到，行业有许多共识尚未形成。但从本届大会来看，不同公司开始押注不同的技术路径或解决方案。

方汉的判断是：先Scaling（缩放定律，模型能力随数据量、算力、参数量增加而提升），技术会走向收敛。在他看来，世界模型所有路径最后一定会收敛，就像自动驾驶曾经历过多技术路线角逐，最终收敛到端到端模型一样，但收敛需要时间，至少要做到1000万小时数据，模型能力才有可能出现质变拐点，多的话可能需要1亿小时。昆仑万维的方向之一是利用异构数据来降低数据成本，方汉看好异构数据作为世界模型或具身模型预训练的主要数据来源，实现“Scaling才是王道。”

它石智航创始人兼CEO陈亦伦则表示，当前世界模型最大的挑战，并非生成“看起来真实”的世界，而是真正理解物理世界的运行规律。“仅依靠视频数据，无法学习完整的世界规律。”视觉能够提供几何和语义信息，却无法直接获得力、接触等关键物理信息。对于需要操作和交互的机器人而言，触觉、力觉等多模态数据不可或缺。

总体来看，围绕世界模型的探索方向正呈现出多元化趋势。

世界模型的下一站

方汉认为，游戏行业将率先被世界模型改变。随着世界模型的发展，开放世界游戏将不再依赖数百人团队数年的手工搭建，可让虚拟世界随玩家行动实时生长、持续演化。未来三到五年，世界模型将成为游戏行业的基础设施，彻底刷新内容生产方式，而国产模型已在这一赛道领跑全球。

而在被认为是世界模型更长期、更具想象空间的应用方向——具身智能领域，行业仍在加速进化。

陈亦伦强调，世界模型的发展最终取决于高质量真实数据的持续积累。这类数据不仅需要包含完整模态，还需要同时记录机器人动作与环境状态的持续变化，本质上是真实世界中“干活的数据”。

而世界模型的技术收敛会按什么样的时间点到来？“谁先造出1000万小时的数据是关键”，方汉表示，目前行业模型训练普遍在10万小时数据量级，昆仑万维这次的发布花了20多万小时数据。谁会先实现就要看：谁先到达100万小时？500万小时？1000万小时？以及，到了1000万小时能不能出现拐点？

“中国是所有数据采集设备的硬件产地，也就是说，世界模型的数据生产方面，中国在数据采集工具包括家政等服务场景上都有优势，我认为数据最大的产能地是中国。”方汉认为，在世界模型引领具身智能认识世界方面，中国厂商存在着优势。他预测，今年底有厂商能到百万小时，明年底可能有厂商到千万小时，亿小时级别则需要至少3到5年。

机器人进入物理世界、加速“能干活”的趋势中，AI进入物理世界必然要解决理解世界、知道如何行动的问题，世界模型也因此被认为可能成为具身智能重要基础能力，但一个现实是，在模型路线上，物理 AI 的终局是端到端 VLA（视觉语言动作模型）、世界模型、世界动作模型、还是更复杂的 Agent 系统，行业仍存在争议，许多厂商押注也在押注多个路线。

伴随着世界模型的热潮，具身智能“ChatGPT 时刻”的到来还需要多久？WAIC上，多位行业人士对这个时间作出预判，预判时间从两年到五年不等。但行业形成的一个共识是：物理 AI 的智能涌现不会来自单一模型、单一数据源或单一路线，而取决于数据规模、模型架构、仿真评测、真机反馈、部署场景与硬件系统共同构成的持续进化飞轮。