爆火！全世界最聪明的大脑，都在盯着它
中国新闻周刊 · 新闻与时政
原创 周游 2026-09-05 07:00 北京 三到五年迎来转折 8月底，世界机器人大会上由博尔特保持的人类百米最好成绩9.58秒，被机器人打破。北京人形机器人创新中心研发的人形机器人“天工Ultra”的最好成绩达到8.64秒。人们不禁发问：机器人跑赢了人类，然后呢？ 具身智能的竞争，正在从“机器人能不能完成动作”，走向“能否理解环境、预测结果，并在真实场景中持续完成任务”。作为具身智能最具潜力的大脑，毫无疑问，世界模型已成了当下AI领域最火的赛道之一。 “不少模型只是一个渲染器，而不是真正的世界模型。”同济大学计算机科学与技术学院院长申恒涛告诉《中国新闻周刊》。他是同济大学空间智能团队的带头人，并于2017年创立成都考拉悠然科技有限公司（以下简称“考拉悠然”），任董事长。去年，考拉悠然发布了悠然无界世界模型BLM-1.0。 申恒涛的研究目光也曾聚焦大语言、多模态模型，转向世界模型并不是件容易的事。他认为，人们必须意识到，传统大语言模型仰仗的规模定律，到世界模型这里已行不通了。世界模型等待的是一个崭新的架构。 申恒涛 图/受访者提供 “渲染器不是世界模型” 《中国新闻周刊》：在具身智能、物理智能、空间智能等纷繁定义里，世界模型处于什么样的定位？它究竟起什么作用？ 申恒涛： 现在具身智能火到了一个节点，核心原因是大家看到了未来人机共融社会形态的雏形。大量不同种类的机器人涌现，带给人们极大想象空间。但是经过近三年的发展，具身智能整体仍处于技术积累的早期阶段。主要进展基本出现在机器人本体结构上，智能水平的增长曲线正在放缓。 究其原因，具身智能领域，目前主流模型主要是VLA（视觉—语言—动作）模型，但这种模型的泛化性非常弱。世界模型概念的出现，让人们看到了另一种可能性。在人类发展史中，大脑智能的形成主要依赖于与自然界的不断交互。同样，AI长时间浸泡在数字世界里，要迈向通用人工智能（AGI），一定需要对物理世界的认知和理解，甚至要能发现新规律。这正是世界模型要做的事。 目前的共识是，具身智能的真正落地少不了世界模型的支撑。未来，它更像是一个基础设施。 《中国新闻周刊》：什么是泛化性？我们为什么要追求模型泛化性，又该如何评价泛化性？ 申恒涛： 以VLA模型为例，它沿袭的是采集数据、行为训练的基本模式。但现在问题是，训练机器人去做某个动作，它就只能做这个动作，且场景布置、动作角度等要完全一致才行。哪怕背景灯光角度稍微一变，这个动作很可能就执行不了。 这便是缺乏泛化性。同样的任务，机器人可以在不同场景中去做，这是场景泛化；机器人可以做这一任务，也可以同时做别的任务，这是任务泛化。这两种泛化性都是显而易见的，但目前都没法实现。这成了机器人进入场景的最大阻碍。 《中国新闻周刊》：也就是说，面对某个特别具体的任务，比如把一个杯子从桌上拿起来，机器人可以实现，但是如果换一个场景，它可能就不会了？ 申恒涛： 对，VLA的技术路径已遇到了这样的问题。这也是为什么业内开始逐渐偏离这条路。 《中国新闻周刊》：美国斯坦福大学教授李飞飞将世界模型分为渲染器、模拟器和规划器，对此你怎么看？ 申恒涛： 我觉得世界模型只有一种，就是模拟器。渲染器、规划器都是它的应用。模拟器是去模拟物理世界的运转，发现新的规律和知识。牛顿定律的发现源于一个掉落的苹果，世界模型能不能从掉落的苹果中悟出牛顿定律？理论上是可能的。 它首先要做的是理解，然后是预测，比如下一个小时的交通状况，气候变暖的程度，一万年以后人类社会变成什么样。近日尼泊尔发生泥石流灾害，如果有成熟的世界模型，它应该能提前推演泥石流的发生，以及灾后一个小时、十天甚至一年以后对地形的影响以及次生灾害的发生概率。这才是“好用”的世界模型。 在有了模拟器之后，渲染器和规划器是顺理成章的。在内容生成时，视频所呈现的物理世界有多真实，例如杯子不能飘浮在空中，这是渲染器的基本任务。规划器则是要与具身场景结合，做具体的任务规划，让机器人在真实环境中执行任务，比如举起杯子。 《中国新闻周刊》：现在也有很多“世界模型”看上去和我们平常理解的视频生成模型好像没有什么太大区别。 申恒涛： 那是渲染器，不是世界模型。现在人们都想沾世界模型的概念，但很多模型是利用了世界模型发现的规律，去做渲染和生成，而不是在开发世界模型。 “算法的突破创新是急需的” 《中国新闻周刊》：世界模型的理解和推演能力从何而来？以前大模型“暴力堆数据”的训练方式，能达到这样的目的吗？ 申恒涛： 世界模型和大语言模型有根本区别。语言是有限的，无非几千个单词来回组合。所以大语言模型形成了自己的规模定律（Scaling Law），随着数据规模增长，语言智能自然涌现。但是物理世界是无限的，想要还原所有细节，还有很长一段路要走。 人们逐渐发现，由于架构问题，将大语言模型的规模定