物理AI要真正走进真实世界，缺的不是更复杂的智能体，而是能够理解环境如何变化的世界模型。这是清华大学自动化系副教授封硕近期表达的一个核心观点。在他看来，世界模型并非突然冒出来的技术热词，而是物理AI在发展中，被产业需求一步步推到台前的关键命题。它向产业界释放了一个值得关注的信号：物理AI能力的提升，或许正沿着一条可验证的规模化路径推进，而世界模型，正在成为那条路径上最关键的能力底座。

当AI进入真实环境，理解变化成为关键

近年来，封硕团队持续深耕真实世界建模、高价值测试环境构建以及智能体验证等方向。

他提出，当AI从规则明确的虚拟环境迈向真实场景时，如何应对复杂且持续变化的环境，就成了一个核心问题。在一个结构化、边界清晰的环境里，智能体可以表现得非常强大。但再往前走，要真正驱动生产力发展，AI就必须扎根于真实世界。世界模型的研究，关注的正是如何让AI系统理解真实环境、预测环境变化，并为物理AI的训练与验证提供基础支撑。基于这一思路，他的团队开始构建更真实、更具挑战性的环境，用于物理AI系统的训练和测试。

持续研究世界模型，成果登上《自然》杂志正刊封面

“我们始终关注环境本身——让它更真实、更高效、更具对抗性、也更智能，从而推动物理AI走向规模化安全部署。”封硕解释道。

在长期研究中，团队逐渐形成了对真实环境建模的底层判断：世界模型并非简单“生成看起来真实的环境”，而是要找到可规模化、包含环境动态变化的数据，用更本质的方式去表征世界，并将环境建模与下游任务解耦。“这个世界是不受观察者影响的。”同一个物体在不同光照、角度和相机参数下，可能呈现迥异的图像表现，但物体本身并未改变。世界模型需要学习的，正是这些变化背后的规律。

2024年，封硕团队围绕世界模型、高价值测试环境构建与智能体验证的研究，发表于《自然》杂志正刊封面。该研究探讨了世界模型规模变化与物理AI任务表现之间的关系，为探索世界模型能力提升路径提供了重要的参考。

探索密集学习方法，应对真实世界复杂数据挑战

物理AI在实际应用中，需要面对大量复杂情况，其中就包括那些低频但关键的数据样本。针对这一问题，封硕团队提出了“稀疏度灾难”概念，并围绕它展开深入研究。

“过去，AI主要关注的是‘维度灾难’，业界和学界用‘大’来应对——大模型、大算力、大数据。”但真实世界的数据存在长尾分布，如何让模型学习长尾中的知识、解决稀疏度灾难，才是模型能否真正落地的分水岭。传统做法依赖人工经验，为模型的薄弱环节拼凑数据，在大模型时代效率低且不稳定，甚至会出现模型整体表现回退的“跷跷板效应”。针对这一痛点，团队提出了密集学习方法，希望通过分析模型内部的学习过程，提高模型发现有效数据和学习复杂规律的效率。

“过去十年，我们一直在探索这个方向。现在，产业需求已经出现，我们希望把积累转化出来，加速世界模型走向应用的过程。”封硕说。

从实验室走向产业现场，推动世界模型应用探索

“高校有充足的人才资源，但场景、数据、算力则需要突破校园的边界，互相协同。”封硕认为，世界模型的发展不仅需要算法研究，也需要来自真实场景的数据、任务和反馈。

相比传统的横向课题合作，世界模型需要更紧密、更长期的产学研协同。这也正是北京幂级智能科技有限公司（Dense AI）成立的核心逻辑。

Dense AI团队成员石梦凯认为，“科研范式在变化，产业范式也在变化。”在物理AI时代，产学研的边界正在被压缩。在这一过程中，数据和反馈进入模型训练，工程团队完成应用验证，科研团队推动技术优化，从而形成从研究到应用的闭环。未来，Dense AI希望将长期科研路径带入产业现场，让世界模型成为物理AI走向真实世界的一块基础底座。