“世界模型”当下最吊诡的地方在于：它前所未有的热，却也前所未有的模糊。正是在这个时间点，智源研究院直接把“世界模型”推到了今年智源大会的核心位置。
6月12日，2026智源大会上，智源研究院宣布了两项与世界模型相关的最新进展：悟界·Physis-v0.1 和悟界·RoboBrain Orca。前者指向通用物理世界基座模型，试图让AI从“生成画面”走向“预测物理状态”；后者面向具身智能，希望让机器人在行动之前，先学会感知、理解和推演世界。
大会前，与智源研究院院长王仲远等进行了近3小时的交流，主题正是拆解和探讨当下最热的“世界模型”。试图弄清楚：世界模型到底是什么？它是人工智能的一次重大范式变革吗？现在到了什么阶段？卡点在哪里？智源又打算怎么押注？中美之间有没有差距？
定义之惑：到底什么是“世界模型”？
王仲远给出了一个很清晰的判断：世界模拟器不等于世界模型，视频生成更不等于世界模型。原因很简单——视频模型可以生成看起来逼真的画面，但不一定真正理解物理规律。它能生成一头在天上飞的猪，也能生成物体凭空消失、流体运动违反物理规律、重力逻辑不成立的片段。这样的模型在影视、游戏、自动驾驶数据生成等场景中有价值，但如果直接用在机器人、工业控制或真实世界决策上，风险就大了。
“如果机器人装上这样的大脑，可能会误以为自己是钢铁侠。”王仲远打了个形象的比方。
他对世界模型的定义是：面向真实物理世界的下一代基座模型。核心从“预测下一个词”（Next Token Prediction）变成了“预测下一个物理状态”（Next Physical State Prediction）。
目前世界模型还处于早期，技术路线远未收敛。王仲远梳理出至少五条路线：
第一类是以语言为中心的世界模型。包含大语言模型、VLM、VLA都可归入此类。语言能总结很多世界的知识，但只是以文字方式表达；VLM、VLA则把其他模态映射到语言空间。以语言为中心，算是世界模型的一类。
第二类是以像素为中心的世界模型。这是目前最广为人知、也最容易被误用的路线。OpenAI发布Sora时用了“World Simulator”这个词，它预测的是下一个画面帧，所以更接近“世界模拟器”。这类模型能生成连贯视频，但短板在于：它可能学到的是影视作品中的视觉相关性，而不是真实物理世界的因果规律。
第三类是以三维结构为中心的世界模型。李飞飞提出的“空间智能”方向，本质上是数字世界的构建——关注3D重建、空间生成和可交互环境。World Labs发布的Marble，尝试从单张图片生成可交互、持久化的3D环境。王仲远指出，这更像元宇宙和游戏场景的延伸，解决的是“数字空间”的问题，而非“物理空间”。
第四类是以视觉表征为轴心的世界模型。这是Yann LeCun长期强调的方向，从I-JEPA、V-JEPA到V-JEPA-2，主张模型不必生成完整画面，而是在隐空间（latent space）中预测世界的抽象状态。王仲远认同这一路线对大语言模型局限性的判断——光靠语言模型确实无法解决真实物理世界的复杂问题，但他并不完全赞同“语言不重要”。在他看来，未来的世界模型不能只依赖隐式表征，也不能完全绕开语言，因为语言仍然是推理、规划和表达的重要接口。
智源研究院其实在探索第五条路线——也就是第一条和第四条的融合：以语言为中心的分类与以视觉表征为中心的分类可能实现融合，也叫潜空间表征。同一个潜空间能够解码不同的模态。智源延续了悟界·Emu3.5模型训练的思想：将各种文字、图像、视频模态全部压缩，原生统一训练，压缩在同一个语义空间，希望未来有更多模态被压缩进来，通过统一潜空间表征各种真实物理世界的状态，再解码成为Action、画面或其他物理世界需要的状态。王仲远认为，将来统一的潜空间建模不仅仅是视觉空间，而是全模态潜空间，这很可能是世界模型真正下一个可能的路径。
“世界模型最终要解决的是看到、感知、理解真实世界，进行推理规划和决策。”王仲远说。它不应只是一个仿真器，而应是一个能够辅助人类和智能体理解物理世界、预测未来状态、做出行动决策的基座模型。
世界模型VS大语言模型：AI的重大范式变革
如果说大语言模型的核心范式是Next Token Prediction（预测下一个词），那么智源认为，世界模型的核心范式将是Next Physical Prediction（预测下一个物理状态）。王仲远直言：“这是人工智能的一次重大范式变革。”
过去几年AI的主线非常清晰：先是语言模型，让机器理解和生成文本；然后是多模态模型，让机器能够处理图像、视频、声音等信息；再往后，AI必须进入物理世界，与硬件、机器人、工业系统、科学实验和生命系统发生关系。换句话说，AI不能永远停留在屏幕里。
大语言模型已经在写作、总结、问答、编程等数字世界任务中展现出巨大价值，但真实的人类社会并不只由文字、代码和网页构成。工厂、物流、酒店、医院、实验室、道路、家庭——这些才是更复杂、更高价值、也更难建模的物理世界。
王仲远将这一过程概括为：大语言模型、多模态、世界模型，最终通往物理AGI。物理AGI不是抽象的聊天机器人，而是能够在真实世界中感知环境、理解状态、推演后果、做出决策，并通过实体或工具执行动作的智能系统。
这也是智源过去几年布局的主线。2024年，智源发布悟道大模型，开启了中国大模型时代；随后转向多模态，推出悟界系列。2024年6月的智源大会上，智源已经明确提出：AI将从原生统一多模态，进入物理世界与硬件结合，再进入微观世界AI for Science，最终通向物理AGI。世界模型不是2026年突然长出来的方向，而是技术路线中的一个阶段性结果。
这一脉络在Emu系列中已有所体现。2024年悟界·Emu3，2025年悟界·Emu3.5，实现了图像、文本、视频的原生统一。王仲远认为，Emu系列本质上是智源对世界模型的早期探索，是“多模态世界模型基座”的雏形。但他也承认，Emu3.5时代的多模态世界模型还远远不够——当时融合的主要是文字、图像和视频，连声音和动作都没有完全融合。真正进入物理世界后，模型必须理解动作、状态、时间、空间和物理规律，还要能判断一个动作会导致什么后果。
举个例子：一瓶盖着盖子的水和一瓶没盖盖子的水，如果同时从桌边跌落，人类会自然预判两者后果不同——前者可能只是摔落，后者可能洒水、造成滑倒或损坏物品。但要让模型真正学会这种物理常识，并不容易。这正是世界模型相较多模态模型的关键区别：多模态模型解决的是不同信息形式的统一理解和生成；世界模型要进一步解决的是——在真实物理世界中，状态如何变化，动作如何产生后果，因果链条如何被推演，长期状态如何保持一致。
王仲远认为，语言模型时代的能力激发方式是Prompt；世界模型时代，能力激发方式可能是State。语言模型时代，模型更多是被动观察和响应；世界模型时代，模型必须具备主动交互能力。语言模型时代可以是单模态或多模态；世界模型时代必须走向全模态。世界模型不是对大语言模型的简单替代，而是一次更大的范式扩展：从数字符号预测走向物理状态预测，从回答问题走向理解世界，从生成内容走向规划行动。
世界模型有哪些应用场景？和具身智能什么关系？
“VLA是当下，世界模型是未来。”王仲远认为，具身智能是当下最大的应用场景，但世界模型远不止于此。它可以替代传统物理仿真引擎（超越人类手工写的物理公式），可以用于科学发现甚至帮人类发现未知的物理规律，可以服务工业、物流、医疗……任何“在真实物理世界中干活”的场景。
现在的具身模型还很“笨”——一个场景一个任务地训练，换个环境就不会了，缺乏物理常识和泛化能力。这正是世界模型要解决的：做一个通用的物理世界基座模型，像大语言模型一样，能适应不同场景，做出合理决策。智源想做的，正是在这个范式尚未完全收敛的时候，提出自己的定义、分类和路线判断。
智源的路线：悟界·Physis做物理底座，悟界·RoboBrain Orca做具身大脑
今年，智源在世界模型方向最重要的两个布局，是悟界·Physis-v0.1和悟界·RoboBrain Orca。两者都指向物理世界，但侧重点不同：一个偏底座，一个偏大脑；一个更强调物理状态建模，一个更强调具身交互闭环。
先说悟界·Physis。它的核心范式是Next Physical State Prediction——预测下一个物理状态。与许多视频生成模型不同，Physis的目标不是生成更漂亮的视频，而是学习真实物理世界中状态变化的规律。智源对其定位是：全球首个通用世界基座模型，以预测下一个物理状态的范式，探索真实物理世界AI底层引擎。关键变化在于：不以像素或帧为核心，而以“物理状态”为核心。一个瓶子倒下去之后，状态变化不仅包括画面里的像素变化，还包括瓶子的姿态、速度、碰撞、接触关系、液体是否流出、桌面是否吸水、周边物体是否被带倒。一个模型如果只生成“看起来像瓶子倒了”的视频，并不等于它理解了这个过程。真正的世界模型需要知道：瓶盖是否拧紧、水量是多少、地面材质是什么、受力方向如何、撞击会传导到哪里。
悟界·Physis尝试将视频、RGB-D、3D点云、力触反馈等全模态信息压缩和统一到隐空间中——模型不是在简单预测下一帧画面，而是在latent space中学习状态的演化。它具备四类核心能力：物理一致性、动作因果性、长程可推演性、通用泛化性。潜在应用场景包括严肃工业、具身智能、物理仿真、科学研究等真实物理场景。
如果说悟界·Physis更像“物理底座”，那么悟界·RoboBrain Orca更接近“机器人大脑”。智源的定义是：以下一个物理状态预测为核心的具身大脑，具备统一表征、因果推演、模态解码三大核心能力。
过去两年，VLA几乎是机器人“大脑”的主流叙事——机器人通过视觉观察环境，通过语言理解人类指令，再把理解转化为动作输出。它已经推动机器人在分拣、抓取、包装、酒店服务等特定场景中落地。但VLA的短板也很明显：泛化不够、长程任务不稳、复杂场景中的物理理解不足，在真实机器人上部署时还会遇到延迟、算力和响应频率问题。王仲远说得很直接：“VLA是当下，世界模型是未来。”VLA能让机器人听懂指令、看到环境、做出动作，但对世界变化的预测能力还不够。机器人不能只是执行，它还要能在行动前想一想：这个动作之后会发生什么？
悟界·RoboBrain Orca要解决的，正是具身智能里更底层的问题。它试图让机器人像人类一样，不仅执行指令，还能感知环境、理解状态、预判后果、规划动作，并在执行后根据反馈继续调整。从技术范式上看，它试图从Next Token、Next Frame、Next Action Prediction升级到Next Physical State世界状态预测，将语言、视觉、动作等信息统一到状态表征中，使模型能够同时生成语言思考、视觉预测和动作决策——实现“想、看、动”三位一体。如果机器人要端一杯水给人，它需要知道杯子有没有盖子、水会不会洒、路线中是否有障碍、机械臂抓握是否稳定、失败后如何调整。这正是世界模型要解决的深层问题。
世界模型卡点在哪？还在大语言模型的2012年
用大语言模型的发展阶段类比，今天的世界模型走到哪里了？王仲远的判断是：世界模型还处在大语言模型的2012年（深度学习阶段），非常早期。他展开了一个时间线推演：2006年Hinton提出深度信念网络；2012年AlexNet在ImageNet上大放异彩，深度学习进入产业化视野；但直到2018年Transformer和大规模预训练才真正成熟；2024年底ChatGPT爆发。从理念萌芽到改变世界的产品，走了将近二十年。世界模型需要这么长的周期吗？王仲远认为可能不需要——“随着人工智能越来越强，演化速度越来越快，可能三年五年就有足够多的数据累积。”但他同时强调，“世界模型的周期”可能是三年甚至更长时间，是一个十年维度的命题，短期价值体现在技术验证而非商业兑现。
目前，方向已经显现，大家意识到它的重要性，但技术路线尚未收敛，数据远远不足，评测标准也不清晰，还没有出现像GPT-3.5或ChatGPT那样让行业形成共识的产品。在王仲远看来，世界模型面临以下难点：
第一个卡点：怎么把物理规律教给模型。人类看到一瓶水快要跌落，会天然预判接下来会发生什么——瓶子是盖着的还是没盖着的、里面有多少水、桌面什么材质、落地后会不会碎。但模型不会天然拥有这些物理直觉。视频生成模型可以生成一段“水杯倒下”的画面，但这段画面是否真的符合物理规律，是另一回事。
第二个难点：长时间序列一致性。很多视频生成模型可以从5秒、10秒延长到更久，但看起来更长并不等于真正理解了时间。王仲远举例：如果给一个瓶子里加水，旁边放一个时钟，模型进行状态预测。镜头移开又移回来，时钟是不是真的经过了10秒或20秒？水平、动作和环境是否保持一致？今天的很多视频模型可以生成看似连续的长视频，但不一定符合真实物理世界的时间规律。
第三个难点：怎么把Action教给模型。世界模型必须理解动作和后果之间的因果关系。机器人推一下、夹一下、拧一下、倒一下，都会带来不同的状态变化。如果没有动作数据、没有交互反馈，模型很难真正知道“我做了什么”和“世界发生了什么变化”之间的关系。
第四个难点：数据的匮乏。大语言模型之所以爆发，一个关键原因是互联网文本足够多。图像和视频模型也受益于海量互联网视觉数据。但世界模型需要的数据复杂得多——它需要真实物理世界中的多模态数据：视觉、声音、动作、时间、空间、物体状态、机器人轨迹、人类指令、执行反馈、成败结果。更重要的是，这些数据必须能反映真实因果关系，而不是只呈现表面画面。这类数据目前远远不够。
但王仲远表示，世界模型不可能等到“数据完全Ready”之后再做。具身智能和真实物理场景的落地本身也会形成数据闭环——工厂分拣、酒店服务、仓储搬运等场景，虽然一开始只是解决具体问题，但落地过程中采集到的数据，反过来会帮助未来世界模型训练。世界模型的发展不是先有完美数据、再有完美模型，而是模型、场景和数据共同迭代。这也是智源为什么愿意在世界模型还不成熟时提前投入。“我们看到了一些可能的方向，但仍需要全世界一同努力。”他说。
结语：世界模型，中美在同一起跑线
在大语言模型领域，业界普遍认为中国和美国差距在6-12个月。但当问到世界模型的中美差距时，王仲远给出了一个出人意料的答案：“没有差距，中美在同一起跑线上。因为方向都刚刚开始。”
从行业竞争来看，短期内呈现“百花齐放”的状态，各类技术路线持续并存：视频生成团队、3D数字场景团队、传统大模型厂商、车企、具身智能企业都会入局。大家的研发目标和技术路径各不相同，短时间内难以形成统一标准。长期来看，能否打造出通用世界基座模型，将是决定胜负的关键。世界模型不是一场短暂的风口，而是人工智能发展的必经之路。
