1月28日，由铅笔道联合主办的中关村早期投资论坛暨2026新场景大会举行，影响力登上活动行北京总榜第1名。本文为大会《世界模型》圆桌讨论实录。

整理 | 铅笔道 吴欣晓

编辑 | 铅笔道 王方

去年11月，斯坦福大学教授李飞飞提出一个概念：世界模型，在AI行业引发广泛讨论。

与此同时，李飞飞的公司——World Labs，估值飙升至50亿美元；同样关注大模型的科学家杨立昆，估值也超过30亿美元。

于是，一个关键的话题产生：世界模型是人工智能的终局吗？本文将对该话题展开探讨。参与本次探讨的嘉宾如下：

核心亮点提前看：

1、什么是“世界模型”？

答：让AI理解和预测现实世界的模型。版本很多，没有共识。

2、为什么世界模型如此火？

答：融资猛，估值高，对人类极其有用。

3、世界模型是AI的终局吗？

答：可能是。AI把执行干了，人类只需要去卷创意。

4、世界模型可以怎么赚钱？

答：做成产品，比如具身智能的大脑。

更多精华，请看圆桌现场实录。

01 世界模型到底是啥？

林觉民： 现在“世界模型”确实很火，大家看到杨立昆融到了几十亿美金，李飞飞也融到了50亿美金，这些公司的估值都在飞速上涨，国内也掀起了一波新的浪潮。

但有意思的是，到底什么是“世界模型”，好像大家各有各的说法。

王晟：首先，大家对世界模型的理解可能并不一致。

实际上，世界模型有两种典型的流派：一种是具身智能的世界模型，另一种是数字空间的世界模型。

我们理解的世界模型，并非完全模拟真实世界，而是针对特定的领域或“world”进行建模。比如医疗领域、金融领域、法律领域，每个领域都可以看作一个独立的world。

以医疗为例，假设我们构建了一个“医疗世界模型”，它可以模拟你得病后的整个过程。人们若得了甲流，通过这个模型，我们可以看到患者不干预时的身体反应、症状变化、以及生化指标的变化。

如果患者进行了治疗，模型会显示你用药后的效果，直到康复或是病情加重。我们通过这种模型来探索真实的“ground truth（基础真理）”。

比如我们投资的清华紫荆智康团队，他们的医疗AI在30多个、接近40个疾病诊疗领域，诊断水平已经超过了全球97%的医生。

他们的成功，正是因为通过医疗世界模型，模拟出疾病发展的全过程。通过这种world model（世界模型），我们可以让AI更快地学习，甚至让它在短时间内积累经验，成为世界顶尖的医生。

武伟：我们认为，要搞清楚世界模型的本质，首先需要理解它的两个核心关键词：模拟和交互。

“模拟”是指通过仿真技术构建一个虚拟世界，来训练AI进行推理和决策。而“交互”则是指通过与环境和人类进行交互，让AI能够更好地适应并反馈现实世界的变化。

从学术和产业发展的角度来看，世界模型的概念大概是从2018年开始被提出的，至今已经发展了七八年。期间，世界模型主要有三种不同的流派：

第一个流派是将世界模型用于仿真器，通过云端合成大量仿真数据，供智能体训练使用。英伟达的Omniverse和Cosmos系统就是走这一路线。

第二个流派是将世界模型作为通用交互界面，Google的Gemini3、李飞飞团队的Marble等项目都属于这一类，主要是用于娱乐和数字体验的应用。

第三个流派也是我们关注的重点，是将世界模型的推理能力直接赋能大脑，让AI具备内生的空间推理和想象能力。通过这种方式，AI可以在没有见过某些数据的情况下，通过推理和模拟，指导机器人进行更高效的决策和交互。

这种方法与传统的模仿学习不同，因为模仿学习依赖于离线数据的积累，而我们则更关注AI如何通过内生的模拟能力，来预测和适应新环境。

武伟：在我们的理解中，世界模型是“基础模型”（foundation model），是机器人原生所需要的基础模型。我们需要建模的是：物理空间的移动和操作层面的内生认知，这是我们的技术路线。

从我们的定义来看，世界模型其实是一个端到端的模型，或者可以理解为两端式端到端的大模型。

相比之下，千诀科技主要是做内脑架构，也就是人的大脑有多个分区，每个分区对应不同的小模型，或者用现在agent领域比较流行的词汇——skills（技能）。这些小模型和顶层模型结合起来，可以实现更低功耗的大脑模拟。

这是我对两者的理解，当然，团队的基因也起到决定性作用。我们基因决定了我们专注于模型的端到端构建，以及数据的扩展（scaling）。

宋亚宸：李飞飞最近刚融了一轮，估值已经达到了50亿美金。我悄悄看了他们的BP，里面提到李飞飞所定义的世界模型有三个主要应用场景：

第一个是娱乐行业的3D生成（3D generation in entertainment）；

第二个是XR（扩展现实）和元宇宙中的空间智能（spatial intelligence）；

第三个是机器人技术（robotics）。

其实最早做的是前两个场景。

我想说的重点是，我认为世界模型可能确实是AI时代的终极答案，包含了两件事：

第一，世界模型能助力发展具身能力，让各种各样的具身场景变得更加普及，能让更多的机器人替代人类的工作。

第二，劳动力如果被解放了，那人类应该做些什么呢？

从农业时代到工业时代，再到信息化时代，我们发现有两个特点：

1、人类的幸福指数越来越高，生命的周期越来越长，婴儿的存活率越来越高，超市里能买到的商品选择越来越多；2、大家的工作时间却越来越长，变得越来越“卷”。

从最早的农业时代，人们的工作时长很短，但随着时代发展，我们进入了一个更加“卷”的社会，特别是信息时代，996（早九晚九）已经成为常态，大家为了大厂的“福报”而拼命工作。

但AI的出现改变了这一切，理论上讲，AI时代是更“卷”的，但实际上似乎没有什么需要再去“卷”的东西了，因为机器人可以代替人类做所有的事情。那么，生产力和劳动力将去向何方？

我自己有个理论，认为人类最终要卷的，是自己的创意本身。

当AI可以零门槛、零成本、实时地帮助人类放大创意时，每个人都能创造世界级的、可交互的体验，就像神创造了这个世界一样，定下了物理规则，又造了万物。如果这一天到来，人人都能创造出属于自己的虚拟世界，甚至可以有更好的体验。

比如，重力不再局限于9.8，你可以飞，可以长翅膀，也可以创造不同的社会规则、评价体系，甚至是物理规则。人类将有更多的选择，把时间投入到自己真正喜欢的事情上。

这将是一个人人为我，我为人人的时代，每个人都可以用AI放大自己的创意，吸引更多人加入到自己的世界中来。

如果这种世界真能到来，那么我们就是在为别人创造极乐世界的时代，像圣人一样去为他人提供最好的体验。

AI在其中的角色，就是让每个人像神一样去创造完整的、世界级的、可交互的体验。这就是我认为世界大模型对于AI终局如此重要的原因。

未来每个人都能像“马良”一样，手握神笔，心想事成。

蒋屹舟：世界模型最早的研究，主要是为了理解和预测我们周围的物理世界。

就像牛顿通过观察苹果掉下来的现象，推导出了万有引力的规律。没有世界模型，我们的推理能力有限，只能根据已经观察到的现象做判断。

随着研究深入，李飞飞提出，世界模型不仅仅是理解世界，更重要的是预测世界。我们在十年前开始做“视频预测”，用它来预测机器人的运动轨迹，这一思路对机器人非常有用。

机器人在现实中需要能够预测未来的情况，而不是只根据过去的数据做决策。

比如，叠衣服这个看似简单的任务，不同形状的衣服需要不同的操作。通过世界模型，机器人能更好地理解衣服的特性，从而做出更精准的动作。

类脑智能是我目前关注的方向，它强调多个小模型的协作，而不是一个大模型解决所有问题。在机器人领域，世界模型帮助机器人预测未来的情景，这样它们在执行任务时可以更加高效。

比如，机器人在打扫卫生时，会根据预测的结果调整任务步骤，提高执行效率。

一个有趣的实验是给塑料袋打结。我们最初的训练方法并不够灵活，后来我们创造了一个“塑料袋世界模型”，让机器人理解不同塑料袋的物理特性，能够智能化地处理各种情况。这种方法让模型能适应更多的场景，而不仅限于特定的任务。

简单来说，世界模型帮助机器人更好地理解和预测未知世界，从而提高工作效率。

02 世界模型怎么落地？谁能跑出来？

林觉民：世界模型的发展方向如此多样，大家最终竞争的是什么？每个人的技术路线不同，最后如何比较？

王晟：从投资人的角度来看。为什么大家都在关注世界模型？

对我们投资人来说，“世界模型”现在是共识标签——就像前两年的“具身智能”，一听就觉得很想投。

但实际上，这只是一个共识的标签。

大家对世界模型的定义并不相同，就像我们今天在座的几位嘉宾，每个人的理解都不完全一致。作为投资人，我们愿意接受所有看似合理的世界模型定义，关键在于它是否能够落实到具体的技术实施，是否能够持续增长，且有较高的市场潜力。

从我个人的视角来看，未来的世界模型需要具备两个核心要素：

首先是拥有一套接近“真实世界”（ground truth）的验证系统，这个系统必须能够生成大量高质量的数据。数据不仅仅是要多，还要足够真实和高质量，以便为模型训练提供有价值的反馈。

其次，数据分布要平衡，既要有稠密数据，也要涵盖稀疏数据的情况，这样才能避免模型过拟合，也能确保训练出更具泛化能力的模型。通过世界模型生成大量高质量数据，是训练模型的基础。

武伟：如果从商业本质角度来看，世界模型的竞争还是要回到一个核心问题：一个公司能否在竞争中存活。

作为商业公司，我们必须明白，只有两种方式能够确保生存。要么有健康现金流，要么有高增长、高天花板的路径。

从世界模型的发展阶段来看，目前更接近第二种模式——快速增长的阶段。做世界模型的公司，是否能找到适合自己的落地方向，并且能够快速增长，是决定能否存活的关键。

以我们为例，我们的第一个产品化方向就是具身大脑。我们通过思维实验来推算，人类一生收集的数据量大约是300万段每分钟的视频片段（clips），这相当于18岁之前积累的经验。

如果我们假设一个工种需要一年时间来熟练掌握，那么大约是3亿段clips的数据量。我们通过这些数据的积累，来预估人类世界模型的最大智能化上限。

如果我们能够构建一个拥有十亿级数据量的世界模型，并通过预训练使其在零样本和少样本的情况下表现得足够强大，那么这个世界模型的商业价值就会非常高。

因此，未来的关键是如何收集足够高质量的数据，进行良好的预训练，并最终在实际应用场景中具备强大的泛化能力。

宋亚宸：其实，我们需要思考一个核心问题：为什么现在大家都在讨论世界模型？为什么创业公司、资本和顶尖人才都在涌向这个领域？是因为AI发展到一定阶段，世界模型应运而生吗？还是因为具身智能技术发展成熟了？我认为，这两个因素并不是世界模型崛起的根本原因。

世界模型的出现，最根本的原因在于信息载体的变化。过去，信息载体的提升是一个不断升维的过程，从文字到图片，再到视频，直到今天的3D世界。随着信息密度和体验质量的提升，我们也迎来了3D和世界作为新的信息载体。

以往，文字、图片和视频曾是信息表达的主流。但现在，随着AI技术和硬件基础设施的进步，3D以及更高维度的世界成为了我们表达和传递信息的最终载体。

过去几千年，文字是表达世界的工具，但随着信息技术的发展，3D和世界的表达形式才刚刚开始成为主流。我们即将进入一个新时代，AI能够帮助我们直接处理和理解3D世界，并且创造更丰富的交互体验。

这其实是信息利用效率的提升。信息密度越高，传播效率就越快。

当我们只能在古代的龟壳上刻字时，信息传播效率非常低；但随着技术进步，互联网、图片、视频的出现，传播效率逐渐提高。而3D和世界本身，最终将成为我们信息传递和创造的主要载体。

蒋屹舟：我个人对世界模型的理解有些不同。

我们做的是类脑智能，偏向非端到端的设计。最初我们是做类脑机器人的，尤其是在国家项目中，认为世界模型不仅仅局限于视觉或某种单一的输入模式。

以一个盲人操作物体为例，即使他无法通过视觉来感知世界，但他依然能通过其他感官掌握物体的特性，并推测出自己的行为可能带来的后果。这种因果关系的理解，才是我们认为最为核心的部分。

通过类脑模型，我们的优势在于对数据的需求不那么大，传统的强化学习需要大量数据，而我们采用的非端到端方法，通过理解世界的因果关系，就能有效减少数据需求。

我们相信，世界模型不仅限于自然世界，它同样适用于人类构建的世界。大语言模型（LLM）就是一个典型的例子，语言作为人类对世界的抽象工具，能够帮助我们理解和表达大部分的事物。通过对这些抽象的理解，机器也可以构建出一个符合逻辑的世界模型。