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律直接套用于世界模型‌的假设很可能失效了。人类还没有完全搞清楚大脑理解世界的方式，不明白大脑如何在无限细节中抽象出那些有用的结论。由于缺乏一个可模仿的目标，我们很难在算法层面提出一些新的框架和思路。而算法本身的突破创新是世界模型急需的。

《中国新闻周刊》：所以世界模型如果要涌现出智能，它的核心架构要和当下主流的深度学习有所区别吗？

申恒涛：不一定，深度学习会是一条路。现在思路不唯一，有与类脑智能、脑机接口结合的尝试，把人的意识、直觉上载到世界模型中去。还有一条路是构建很多个小的世界模型，然后堆叠抽象出一个世界模型的基座。到底什么路径更有希望，行业还在探索。

《中国新闻周刊》：是什么拖慢了世界模型的迭代速度？是数据稀缺？

申恒涛：核心仍是新架构的缺乏。很多人说数据是瓶颈，但我觉得在世界模型里，数据没那么重要。因为世界模型本身就是一个世界模拟器，从定义上来说，模拟器只需要有一小部分数据，就可以模拟各种各样的物理世界，产生各种各样的数据，反过来用于自训练。数据生成是世界模型的一个功能。

人在世界中学习，不需要遍历物理世界的所有细节，就能对世界的规律有可观的把握。我更倾向于认为，训练模型时只需要采集一部分真实世界数据，有些数据采集工作其实是无用功。比如某些机器人一个动作的训练，采集了第一视角、第三视角几万个小时的数据，还有人操控机器人的数据。但穷尽各种方法，机器人智能程度的提升始终有限。况且，这种采集来的数据基本是同一个或几个固定的动作，仍没有泛化性。

《中国新闻周刊》：对于图灵奖得主杨立昆提出的“隐空间”框架，你怎么看？如何理解这一抽象的概念？

申恒涛：人脑是高度抽象化的，有没有一种新的架构，能高度抽象化物理世界，让机器的大脑慢慢具有泛化性？杨立昆的思路就是去构建一个高度抽象的、隐式的空间。

所谓隐空间，就是从看到的画面或世界里抽象出的语义构成的空间。举个例子，一个房间我一眼望去，有个冰箱、几把椅子、一台电脑，这就是高度抽象化的语义。我记住的是我感兴趣的物体，和它们之间的关系。世界模型不需要进行像素级的信息还原，比如椅子的材质和颜色。与之相对的是显式，就像仿真器、渲染器做的那样，把每个像素都还原成物理世界原本的样子。

显式的短板很显著。如果模型必须先处理每个像素，得到它的特征，从共同特征上去挖掘语义，计算量就太大了。隐式最大的问题则是“表征坍塌”，也就是原本不同的数据点在隐空间中被抽象成了相同的语义，导致还原失效。夸张一点的例子是，模型把冰箱、椅子和电脑全都抽象成了“椅子”。

“三到五年迎来转折”

《中国新闻周刊》：如果真实世界数据采集没有那么重要，那现在将模型部署到真机上，从真实世界中搜集反馈数据进行再训练，对世界模型来说还重要吗？

申恒涛：这是第二步，场景适配，也就是落地。对于基座模型来说，即使在隐空间中或通过其他路径训练好了，在进入场景前，也需要基于具体场景进行模拟训练，提升模型对场景的理解。比如巡检机器人，我们需要电力巡检，也需要列车轨道巡检。即使用了相同算法、相同的基座模型，它们也要在不同场景中训练，才能适应不同的任务。所以目前具身智能落地困难的原因，除了世界模型能力不够强之外，还有二次开发、场景适配能力的缺乏。

《中国新闻周刊》：基座模型是个什么概念？我们为什么需要它？

申恒涛：到了18岁，人类对物理世界的认知水平几乎持平了，这相当于一种统一的“基座”。但是我们还会去大学里学习不同的专业，这对于机器人来说，就是去低空、太空、海洋等不同场景进修。基座模型提供了基础、通用的模型能力。

《中国新闻周刊》：你们团队的技术路线和世界模型有什么联系？技术上有何特殊性？

申恒涛：空间智能的含义更大一些，分为五个方向：数据、世界模型、具身智能、模型安全，还有AI内容生成（AIGC）。核心仍然是世界模型，它是空间智能的大脑。然后是具身智能，执行任务有了一定精准度后，才考虑落地的安全性。

我们的目标是用小数据、小算力做最好的世界模型。为了应对小数据，我们开发了数据增强与增广的技术。模型层面，我们采用独特架构和动态记忆机制，降低了算力要求，和主流世界模型相比我们只用约十分之一的数据和算力，就能达到同等模型表现。

《中国新闻周刊》：你在怎样的一个时间点决定涉足空间智能、世界模型方向？创立考拉悠然时就已看到了世界模型的潜力？

申恒涛：去年1月我做了国内第一个空间智能的相关报告，当然国际上李飞飞更早一些，那时大家对这一概念还不了解。到了今年1月，杨立昆和李飞飞的公司各自融资10多亿美元，整个硅谷投资风向都在朝世界模型转变。可以说世界模型真正大火也就是这大半年的事。

考拉悠然是2017年开始运营的，去年发布了考拉悠然无界世界模型BLM-1.0。刚创业的时候肯定没有看到这么远，那时还在做多模态，后来转向大语言模型，最后才到世界模型。

《中国新闻周刊》：世界模型未来会有怎样的发展？我们何时迎来“啊哈时刻”？

申恒涛：我认为世界模型在未来三到五年会迎来重要的转折点，技术上可能会出现一个压倒性的思路。可以说，全世界最聪明的大脑都在看向世界模型，当一件事汇集了如此大量的资源、金钱和智力的时候，突破是早晚的事。

责编：曾璇

一审：唐煜斯

二审：唐能

三审：唐婷

来源：中国新闻周刊