网易数码讯 7月17日消息，2026世界人工智能大会期间，亮源新创（Light Origins）创始人兼首席执行官、ChatGPT核心贡献者姜旭参加“从虚拟到现实：世界模型如何驱动具身智能”圆桌论坛，围绕世界模型的核心能力、技术瓶颈以及具身智能商业化路径等议题分享观点。

打开网易新闻 查看精彩图片

本届大会以“智能伙伴，共创未来”为主题，汇聚人工智能领域的科研机构、产业企业和技术工作者，共同探讨基础模型、具身智能及人工智能产业化等前沿方向。亮源新创首次参加大会主论坛及专题论坛，并提出规模化预训练、规模化对齐和规模化部署三大具身智能发展范式。

Q：当前不同团队对世界模型的定义存在差异。一个真正的世界模型应具备哪些核心能力？

姜旭：世界模型需要完成两项核心任务，一是预测世界的下一个状态，例如视频生成模型预测下一帧画面；二是根据当前环境预测下一步动作。相较于状态预测，动作预测对于具身智能更加重要，因为训练世界模型的最终目的并非生成视频，而是控制机器人完成现实任务。

人在物理世界中行动时，通常是在观察和理解环境后直接作出决策。因此，状态应当被感知，动作应当被预测。世界模型需要重点建立规模化的“状态—动作”映射，通过学习人类在真实环境中的行为数据，使机器人逐步获得更强的感知、决策和执行能力。

但仅有世界模型还不足以实现通用具身智能。大语言模型、代码模型和智能驾驶的发展表明，人工智能能力突破通常需要经历规模化预训练、规模化对齐和规模化部署三个阶段。具身智能本质上仍是一个基础模型问题，也需要沿着这一技术路径持续演进。

Q：一些世界模型已经可以生成较为逼真的场景，但“看起来真实”并不等同于真正理解物理规律。当前的主要技术短板是什么？

姜旭：对于具身智能而言，世界模型最重要的能力，是基于视觉感知和环境观察生成下一步动作。当前主流技术架构尚未很好地兼顾理解与生成两项任务。

理解主要对应感知和抽象能力，生成更多涉及内容重建，两者所需要的表征方式并不完全相同。当前部分模型尝试以统一方式处理状态预测和动作预测，往往难以同时保证环境理解能力和动作生成质量。

亮源新创目前重点研究的问题，就是通过模型架构和训练数据创新，进一步衔接状态理解与动作预测。模型不仅要识别物体、空间和环境变化，还要能够根据任务目标生成可执行、可验证的动作。

Q：未来三年，哪些具身智能场景可能率先实现落地？

姜旭：具身智能是大模型能力向物理世界的延伸，其商业化规律可以参考大模型的发展过程。人工智能产业的重要驱动力，是利用海量数据形成新的智能供给。具身智能最先出现能力跃迁的领域，可能是互联网已经积累大量数据的场景。

当前互联网拥有规模庞大的视频资源，其中大量内容来自人类日常生活。尽管数据存在噪声，但规模化预训练具备一定的噪声容忍能力。因此，家庭生活及相关日常服务场景，可能较早受益于视频数据所提供的行为知识。

不过，技术能力突破并不必然意味着商业成功。具身智能早期仍可能存在精确度和可靠性不足等问题，因而更适合率先进入容错率相对较高的场景，以辅助工具或智能伙伴的形式参与任务。企业还需要持续探索产品形态和实际需求，不宜过早将商业化路径限定在单一方向。

亮源新创表示，未来将继续推进具身智能基础模型、机器人软硬件协同及工程化能力建设，并通过真实场景部署获取交互数据，形成模型持续训练和优化的数据闭环，推动人工智能从理解数字世界逐步迈向感知和参与物理世界。