这事儿还得从几个“预测”说起。

大语言模型学会了预测“下一个词”，于是有了能写代码、能做题、能聊天的ChatGPT、DeepSeek、Qwen。视频生成模型学会了预测“下一帧”，于是有了画面越来越逼真的Seedance、Sora。具身模型学会了预测“下一个动作”，于是机器人开始能搞定越来越复杂的任务。

而悟界·RoboBrain Orca想做的，是更底层的一件事：让AI在“脑海”里形成一个表征，一个对当前世界状态的高度“浓缩”。有了这个表征，AI就能建模世界状态向前或向后的演变。这就是它的核心哲学——The World is in Your Mind。也就是那句开宗明义的话：从预测“下一个具体模态输出”，走向预测“下一个世界状态”。

你可能会问，这具体是怎么做到的？

当悟界·RoboBrain Orca看到一段视频、一张图、一个指令、一段事件描述时，它会在内部先构建一个统一的“世界潜在表征空间”。你可以把这个空间想象成AI的“内心世界”——它把视觉、语言、事件、任务意图这些多模态信号都组织起来，学习物体怎么运动、场景怎么变化、动作会带来什么后果、事件之间有什么因果关系。当前状态如何走向未来状态？在某些条件下，世界会不会朝着另一个方向演化？这些，它都在学。所以，它的核心变化是从Next Token、Next Frame、Next Action，转向了Next State Prediction。

技术哲学说起来也不复杂：先利用多模态世界信号学好世界表征，再基于这个表征去搞定一切任务。

那么，这个世界表征具体是怎么学的？悟界·RoboBrain Orca把学习拆成了两条互补的路径。

两条学习路径：无意识与有意识

婴儿会看到东西掉落，看到人走动，看到门被推开，看到球滚到桌子下面。这些经验不是通过标签学来的，而是靠连续观察自然世界，慢慢积累起来的。悟界·RoboBrain Orca的“无意识学习”正是如此——它客观地看世界，通过海量真实世界的视频，先学会“世界自己是怎么动的”。

另一条路径是“有意识学习”，也就是主观地跟世界交互。它用语言描述的事件、任务指令和VQA问答来学习，帮助模型掌握那些稀疏但具有具体意义的状态转移。

这两条路，一条负责广度，一条负责深度。

数据量级：12.5万小时视频，1.6亿条事件标注

训练数据当然不是小打小闹。悟界·RoboBrain Orca使用了12.5万小时的视频数据，关联了1.6亿条事件标注。更重要的是，这套方案具备持续Scaling的潜力——随着训练数据的增加，下游任务的能力也会随之提升。

学到的世界表征可以通过多种解码器“读出”。在文本读出上，它擅长理解状态转移和动态运动推理；在图像读出上，它能展现真实场景下的交互预测能力；而在动作读出上，即便预训练阶段没有学习动作标签，它依然能帮助下游机器人实现更好的泛化。

为什么这可能是关键一步？

悟界·RoboBrain Orca所代表的世界学习范式，有可能从具身智能出发，进一步走向科学发现、复杂系统建模，乃至更广阔的认知边界。当然，它现在还是多模态表征世界模型的一个早期版本，但它可能成为通用世界基础模型的一块重要基石。

说到底，这已经不是单纯地模仿输入输出了，而是真正在构建AI对世界的理解方式。