世界模型四路线（World Model Four Routes）

来源： wiki/sources/industry-batch-d-trends-hardware
相关概念： wiki/concepts/embodied-ai, wiki/concepts/multi-agent
相关实体： wiki/entities/baai-zhiyuan, wiki/entities/nvidia, wiki/entities/meta-ai

定义

世界模型是面向真实物理世界的下一代基座模型，以"预测下一物理状态"为核心，物理状态可能包含语言、动作、状态、时间和空间等信息。

"人工智能正沿着从大语言模型向多模态大模型再向世界模型演进的方向，加速从数字世界迈向物理世界。" —— 智源研究院院长王仲远

提出者： 智源研究院（2026年6月15日，第八届北京智源大会）

四条技术路线

1. 以语言为中心的世界模型

• 模型类型： VLM（视觉语言模型）、VLA（视觉语言动作模型）
• 核心特征： 在文本空间中预测下一个词
• 学到什么： 语言描述的世界，不能理解背后的物理后果
• 代表玩家： 各VLM/VLA厂商

2. 以像素为中心的世界模型

• 模型类型： 视频生成类模型
• 核心特征： 在视觉空间中学习视频或图像
• 学到什么： 像素描述的世界
• 代表玩家： OpenAI Sora、字节Seedance、Runway GWM-1、阿里HappyOyster
• 优势： 直观、易理解，直接面向内容创作，商业化路径清晰
• 短板： 对物理规律的理解停留在表象，难以支撑机器人训练

3. 以三维结构为中心的世界模型

• 模型类型： 3D重建、空间智能
• 核心特征： 生成可编辑的3D资产
• 学到什么： 几何结构，但"几何结构不等于物理状态"
• 代表玩家： 李飞飞团队World Labs Marble、群核科技、腾讯HY-World 2.0、NVIDIA Omniverse
• 优势： 可直接用于游戏开发、机器人仿真，工程化落地最快

4. 以视觉表征为中心的世界模型

• 模型类型： JEPA系列（联合嵌入预测架构）
• 核心特征： 预测视觉表征的压缩
• 学到什么： 视觉嵌入演化，但"视觉嵌入演化不等于物理规律演化"
• 代表玩家： Meta V-JEPA 2（Yann LeCun主导）
• 优势： 更接近人类认知方式，算力需求相对较低
• 短板： 缺乏直观输出，难以直接应用于内容创作

智源提出的"第五路线"

全模态潜空间统一建模：
- 将语言为中心与视觉表征为中心的分类融合
- 各种文字、图像、视频模态全部压缩到同一个语义空间
- 同一潜空间可Decode不同模态（Action、画面或其他物理世界需要的状态）

"统一的潜空间不仅仅是视觉空间，而是全模态潜空间，很有可能是世界模型真正下一个可能的路径。" —— 王仲远

代表模型： 悟界·Emu3 → 悟界·Emu3.5 → 悟界·Physis-v0.1 + 悟界·RoboBrain Orca

资本热度

三大情景推演（钛媒体分析）

中美差异化优势

• 美国优势： 基础研究（JEPA/AR-Transformer）、算力垄断（NVIDIA GPU/Google TPU）、数据资源（YouTube/Instagram）
• 中国优势： 工程化能力（8个月对标Genie 3）、应用场景（游戏/影视/文旅）、资本化进程（群核科技率先上市）
• 中国隐患： 底层架构创新仍由美国主导，"跟随式创新"长期能否胜出存疑

关键引语

• "6个月内，每家公司都会自称是世界模型来筹集资金。" —— AMI Labs CEO Alexandre LeBrun（2026.3预测，几乎一语成谶）
• "当前业界存在严重的概念混淆" —— 斯坦福教授李飞飞（2026.6.4）
• "谁掌控了空间，谁就能掌控物理AI的未来" —— 钛媒体结论