通用大模型能力突进，世界模型经历关键转折

记者 郑晨烨

“我们没有专门为这些动作编写程序，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净，再继续画画。”10月22日，宇树科技（688836.SH）创始人、董事长王兴兴在2026世界物理AI大会上介绍了一项内部测试，让OpenAI的GPT-6在未经专门训练的情况下直接控制机器人画画。

王兴兴感慨，大家对AI的信仰其实都还不够，包括他自己。11月4日，他在2026年世界互联网大会乌镇峰会上又表示，目前全球最头部的多模态大模型在任务规划问题上已经解决得非常好，明年大概率是机器人行业、机器人模型的临界点。

王兴兴口中的多模态大模型，主要指GPT、Gemini、Claude等通用大模型。这类模型最初是大语言模型，原本是根据上文预测下一个词，此后逐步加入图像和视频处理能力，训练数据主要来自互联网。

OpenAI今年 9月发布的GPT-6　Astra，把这类模型的能力从任务规划延伸到直接控制机器人。

机器人评测平台RoboDojo团队与香港大学、清华大学等机构的研究人员在9月21日发布的一篇论文中指出，在不针对具体任务微调的情况下，Astra在RoboDojo仿真任务中的平均成功率为 22.48%，上一代GPT-5.5仅为0.88%。这一成绩一度高于RoboDojo榜单上全部公开的专用机器人模型。

GPT-6　Astra等高性能通用大模型的出现，在一定程度上让人怀疑，专门让AI理解物理世界的世界模型（World　Model）路线是否已被证伪。或者说，既然通用大模型也能控制机器人，随着模型能力的继续加强，专门做世界模型似乎就没有必要了。

事实果真如此吗？

通用大模型能替代什么

世界模型原本指能够根据当前状态和一个给定动作，预测世界下一刻状态的模型，如预测机械臂推动水杯后，水杯是否会落下桌面。近两年，世界模型走红，其含义也随着AI的进步不断发生变化。

早在1943年，英国心理学家肯尼思·克雷克就提出，人脑中存在现实世界的小型模型，人在行动之前可以借此预判结果。

上世纪80年代末至90年代初，这一思路进入神经网络研究，研究者David　Ha和Jürgen　Schmidhu-ber　2018年发表论文《World　Mod-els》，让AI先学习环境的变化规律，再在学到的模型中训练，世界模型的名称由此逐渐在深度学习领域流行。

此后数年，世界模型主要是学术界的研究方向。图灵奖得主杨立昆2022年发表论文，主张以世界模型为核心构建机器智能。在大语言模型成为行业主流之后，他仍公开批评这类模型缺乏对物理世界的理解。

从2024年开始，世界模型的热度明显上升，视频生成、机器人和自动驾驶都需要这类能力。

2024年2月，OpenAI发布视频生成模型Sora，技术报告题为《作为世界模拟器的视频生成模型》。当年9月，AI领域华裔科学家李飞飞创办的World　Labs公开亮相，融资2.3亿美元，其目标也是让AI理解三维物理世界。

2025年1月，英伟达发布世界模型平台Cosmos，为机器人和自动驾驶生成训练数据。英伟达创始人兼CEO黄仁勋称，机器人领域的“ChatGPT时刻”即将到来。

世界模型赛道随即受到资本追捧。2025年底离开Meta后，杨立昆创办了世界模型公司AMI　Labs，今年3月宣布融资10.3亿美元。这家公司的主张是：真正的智能不是从语言开始的，而是从世界开始的。9月，AMD宣布拟以约 82亿美元收购 World　Labs。

市场研究机构创投通的相关统计显示，2025年物理AI和世界模型领域的融资事件为23起，2026年至今已超过100起。

World　Labs在今年6月发表的一篇文章中称，世界模型是当前AI领域含义最混杂的术语之一，并按输出结果将其分为三类：一是生成给人看的画面，二是模拟物理状态，三是决定下一步的动作。

对于这三类工作，通用大模型如今都已涉足。

在生成画面方面，通用大模型公司推出的视频生成模型已具备这一能力。不过，芯片说ICTIME首席分析师林美炳告诉经济观察报记者，画面逼真并不等于模型理解了物理规律，不接受动作输入的视频生成模型，严格来说还不能算是世界模型。

在模拟物理状态方面，通用大模型的做法是调用现成的工具。浙商证券在2026年10月21日发布的一份研报中指出，Astra已能调用三维软件Blender还原现实空间，谷歌的Gemini　4　Argon能够调整摩擦等参数，再由物理引擎计算接触和运动。也就是说，通用大模型未必需要自己掌握物理规律。

在决定下一步动作方面，通用大模型近期的能力变化最大。英伟达西雅图机器人实验室10月公布的仿真测试显示，在120项抓取摆放任务中，没有做机器人专项微调的Astra成功率为66.3%，英伟达基于世界模型Cosmos开发的机器人模型为36.8%，美国公司PhysicalIntelligence专门为机器人训练的模型π0.5为28%。

但在执行速度上，三个模型的排序正好相反：在上述测试中，Astra直接输出动作时，单次调用平均需要18.56秒；英伟达的这款模型需要约0.71秒；π0.5仅需约47毫秒。

机器人控制对速度的要求很高，智元机器人联席总裁、具身业务体系总裁姚卯青此前曾告诉经济观察报记者，智元的控制系统分为三层，最底层是与电机通信，每秒1000次；中间层负责运动规划，每秒10到20次；最上层负责任务调度。也就是说，对机器人而言，通用大模型的速度跟不上下面两层，目前更适合放在最上层。

“大模型想一步的时间，产线上等不起。”深圳一家头部机器人企业的产品经理告诉经济观察报记者，在具体做法上，该企业让大模型理解任务、拆解步骤，但具体动作仍交给自己训练的动作模型处理。

除了速度，操作精度也是通用大模型的短板。11月5日，王兴兴在第九届进博会期间表示，目前最大的挑战并不是模型的理解能力不够，而是在物理世界中执行时，“最后几毫米有比较大的偏差”。

今年 9月，独立评测团队Robocurve公布的真机测试中，Astra把方块放进碗里，20次成功19次，但精密拼图插入20次只成功2次。

精度上的短板与训练数据有关。“视频学习能让通用大模型知道人拿起了杯子，但不会告诉它机械臂该怎么动。”前述产品经理说。机械臂的动作要依靠真机数据，即机器人实际操作时采集的数据。

三维设计软件公司群核科技（00068.HK）董事长黄晓煌11月3日在乌镇峰会上表示，大语言模型之所以最强，是因为互联网留下了可以免费抓取的海量文字数据，但物理世界的数据只能靠人或机器人采集，成本仍然很高。

通用大模型的另一处短板，是在实际操作中预判动作的后果。南京大学、南洋理工大学、北京大学等机构的研究人员在10月20日发布的一篇论文中指出，Astra对任务的理解和实际执行之间落差明显，问题集中在预判动作后果、精度和复杂动作协调。

而预判后果正是世界模型的主要工作，通用大模型公司自己也在开发世界模型。

10月27日，谷歌DeepMind发布世界模型Genie4的研究预览版，通用大模型Gemini负责拆解目标并调整计划，Genie4负责模拟接下来发生的情况，两者配合模拟了人形机器人下跳棋。

至少在眼下，预判后果仍需要世界模型来完成。

纯粹的世界模型公司“压力日增”

预判后果的能力有其价值，但专门为世界模型付费的买家似乎并不多。

物理世界的试错与数字世界不同，大模型写错代码，修改后再次运行即可；机械臂打翻水杯，错误则无法撤回。试错的代价越高，提前预判的价值越大。

不过，这项能力未必要由专门的世界模型公司提供：机器人公司和车企多是自行开发，或者使用开放模型；芯片公司则把模型开放出来，以带动算力需求。

机器人行业的常见做法是把世界模型并入自己训练的动作模型。机器人公司智平方创始人兼CEO郭彦东曾举例说，泡茶的先后步骤依赖语言模型，水杯靠近桌边可能掉落，这类预测依赖世界模型，如果不把世界模型合并进来，很多任务完全做不了。

目前，机器人公司主要用世界模型做两件事：一是在执行动作前推演可能的影响，二是生成仿真数据。在这两种用途下，世界模型都只是机器人公司整套模型的一部分。

前述产品经理称，市面上已有免费的世界模型，该企业更愿意把资金投入数据和模型微调，而不是专门采购世界模型。

世界模型的吸引力之一，是使用低成本的视频数据，减少真机数据的采集量，但综合计算之后，成本未必更低。

前述产品经理介绍，一种方式是先用互联网视频训练世界模型，这需要百万小时级的数据，再用几十到上百小时的高质量机器人数据微调；另一种方式是直接训练动作模型，共需要数千小时的数据，其中大部分是真机数据，每小时成本约300元至1000元。前者单价低、用量大，后者单价高、用量小，两种做法的总成本可能相近。

比起视频数据，机器人公司更关注真机数据。智平方副总裁莫磊近期在接受经济观察报记者采访时表示，真机数据对模型后续性能提升作用更关键，“数据的多样性比数据的量更重要”。

车企的情况也类似，智能汽车领域的头部企业多在自研，或者基于开放模型自行开发。

小鹏汽车（09868.HK）今年4月发布的世界模型X-World，基于阿里巴巴（09988.HK）开源的视频生成模型WAN2.2搭建；9月开始推送的智驾新版本，又让世界模型X-Foresight首次装车，可预判未来6秒会发生什么。

百度集团（09888.HK）11月3日公开的世界模型ApolloWorld，用于萝卜快跑的测试和验证。

万创投行董事总经理吴沛东告诉经济观察报记者，开放模型和工具缩短的是起步时间，头部车企仍会自研核心技术，二三线企业受益更明显。在他看来，智能驾驶在购车决策中的分量已经上升，但作为独立付费项，消费者的意愿仍然很弱，他们更愿意为用得放心和事故后有人担责付费，不太愿为“会思考”付费，这也导致车企为购买外部模型付费的动力不足。

在机器人公司和车企之外，芯片公司关注世界模型，主要是为了算力需求。

英伟达把世界模型Cosmos开放给行业，其相关工作人员告诉经济观察报记者，开放这些模型可以帮行业把基础模型做到“60分”，车企再用少量算力和自有路测数据做微调，但全行业使用这些开放模型，最终都会转化为对云端训练与仿真算力的持续需求。

AMD选择直接收购WorldLabs，交易预计年底前完成。AMD董事长兼首席执行官苏姿丰在11月3日的业绩会上表示，这笔收购能让AMD更深入地了解前沿模型的演进。在林美炳看来，AMD看中的主要是模型团队，把团队纳入体系后，芯片公司可以更早掌握下一代模型对显存、带宽和时延的要求。

机器人公司和车企很少专门为外部世界模型付费，芯片公司又把自己的世界模型开放出来，这种情况造成市场上世界模型公司面临商业化压力。另外，训练世界模型的投入也相当大。

国内世界模型公司极佳视界，其联合创始人、首席科学家朱政在9月份公开表示，如果训练数据要达到千万甚至上亿小时，“有可能需要花几千亿元才能训（练出）一个真正通用场景的世界模型”。林美炳也认为，世界模型很耗算力，初创公司的算力规模很难和通用大模型公司相比。

事实上，通用大模型公司也在加快进入这一领域。OpenAI今年3月宣布停止Sora的消费者应用和API服务，Sora研究团队转向世界模拟以推动机器人发展。

OpenAI首席执行官奥尔特曼近期公开表示，OpenAI会自己制造人形机器人，预计2027年拿出演示样机。记者在采访过程中也了解到，自研硬件能帮助大模型公司更高效地获取高质量的训练数据。

在这种情况下，朱政认为，通用大模型公司转向世界模型并无太大门槛，留给纯粹世界模型公司的时间窗口不是很长。“必须在一到两年内兑现大众对它的期望。展望未来五年，我对世界模型最大的风险或者担心，就是商业化闭环究竟能不能走通。”朱政说。