极佳视界联合创始人朱政：目标是「机器人造机器人」，2028年让机器人走进普通家庭|人工智能|朱政|机器人|视界|视障人士

7月21日，彭博社消息，北京极佳视界科技有限公司创始人兼CEO黄冠表示，公司就年内于香港交易所上市正进行讨论，且即将完成新一轮融资，投后估值约30亿美元。

那么，这究竟是一家怎样的物理AI公司？

©潮涌AI编辑部

大模型让数字世界的生产力翻了10倍乃至100倍，但物理世界的生产力还远未被解锁。

工人一天只能工作8小时，每个人每天花3-4小时做家务——如果机器人可以7×24小时完成这些任务，物理AGI的生产力将有多大？

过去一年，世界模型成了物理Agent领域最火的关键词，但世界模型究竟只是数据生成器，还是通往物理AGI的真正钥匙？

7月3日，极佳视界联合创始人、首席科学家朱政在“2026全球数字经济大会人工智能融合应用发展论坛”上以《世界模型：解锁无限的物理AGI生产力》为题，分享了极佳视界从VLA到世界模型的技术演进、产品矩阵，以及从2023年到2028年的物理AGI路线图。

以下是演讲实录，经潮涌AI整理发布：

三个目标

过去三年，语言模型不管用来做聊天、Coding还是Agent，都极大地增强了数字世界的生产力。

就像刚才CSDN蒋总讲的，在Claude Code出现之前，全球大概有1000万程序员可以用来写代码、做网页、做APP。Claude Code和Codex这类工具出现之后，全球可能又会有1亿乃至10亿开发者可以用写代码的技能来做应用——数字世界的生产力扩充了10倍乃至100倍。

与此对应的，极佳视界希望通过世界模型来赋能自动驾驶车辆，包括机器人，也就是具身智能，来提升物理世界的生产力。

在工业场景、商业场景乃至家庭场景，工人一天在工厂里可能只能工作8个小时，每个人在家庭里每天会花3-4个小时做家务。现在，我们要期待机器人可以7×24小时完成这些任务。

极佳机器人服务场景

展望未来，极佳视界希望同时做到三件事：

第一，通过物理图灵测试。也就是说在一个房间里，如果我们不进入房间进行观测，其实没有办法分清楚这个任务是由真人完成还是由机器人完成的，我们就认为它通过了所谓的物理图灵测试。
第二，无限的物理AGI生产力。对比Coding这种Claude Code工具，我们希望世界模型可以带来无限的物理AGI的生产力。
第三，“机器人造机器人”。仿照语言模型的Self-evolving，我们希望机器人也可以自主设计、制造和计划。通俗来讲，就是我们经常提到的“机器人造机器人”的这样一个计划。

从混合到纯世界模型的演进线

极佳视界是2023年6月成立的，到现在刚好三年，把自己定义成一家基础模型公司。

同时在做基础模型，包括GigaBrain VLA+世界模型系列、GigaWorld世界模型系列；另外在原生本体层面，同时做轮式双臂和双足本体；泛化场景上推进工业、泛服务和家庭场景。

除了具身智能和机器人，在自动驾驶和内容影视方向上也有布局。

极佳自动驾驶合作企业

现在大概2/3客户来自具身智能场景，包括老板电器、苹果、京东等，还有1/3来自自动驾驶，包括新能源车企、自动驾驶公司以及内容场景用户。

过去三年，机器人在本体运控层面以及电机、灵巧手、触觉传感器等方面取得了非常多进展。

今年整个行业可以进入通用模型的时代，包括具身大脑和具身数据的进展，当然这一切都建立在标准化的人形本体上，如双足式、四足式以及轮式双臂。期望未来本体+模型可以走向通用终端，在应用场景和应用产业链上取得更大进展。

极佳视界今年也牵头建设了通用世界模型——北京市重点实验室，希望从垂类世界模型（自动驾驶世界模型、具身世界模型、内容创作世界模型）出发，通过几年时间构建一个通用世界模型的系统和平台。

去年下半年极佳视界发布了VLA大模型GigaBrain-0，但做完之后在思考一个问题：是否应该按照语言模型或多模态模型的思路，直接在VLA上做Scaling？

通过大量实验发现，VLA因为需要把指令信息和视觉信息先转换成语言、和语言对齐之后，再解码成Action，这个过程非常低效，是有信息瓶颈的。

GigaBrain-0测试

于是，在寻求更高效的模型架构和协议方式，找到了世界模型。

第一个世界模型平台是去年12月发布的GigaWorld-0，主要作用是可以生成海量的泛化数据，包括颜色、纹理、光照、视角、动作的泛化数据。

最近推出了新一代GigaWorld-1，除了做数据生成之外，更重要的可以作为模拟器——进行闭环仿真、强化学习，或者代替真机的评测，可以做到长时间的交互生成，包括在成功或失败的轨迹中进行探索。

世界模型也可以服务于策略网络，比如GigaBrain-0.5M，它是一个VLA+世界模型的混合体，通过迭代可以充分利用预训练数据和在线产生的Online Raw Data。

更进一步推出了纯世界模型的架构，彻底抛弃VLA——GigaWorld-Policy。有一个视频生成的基模来做Backbone，在训练时同时预测Action和未来的视频，在推理时只预测Action。这样既保留了视频生成的能力，又兼顾了推理效率。更进一步，在这个统一架构上还可以预测未来的Reward、奖励或惩罚信号。

算法金字塔与2028路线图

在这些模型背后，是两座金字塔。

一个是数据金字塔，分为三层，这个大家讲得比较多了，我就不再赘述了。

重点想讨论一下我们的算法金字塔。

最底层，我们希望用到一些互联网数据、包括真人的异构数据，来学习到世界的常识——比如杯子受重力影响会掉到地面上，一个塑料的杯子可能不会摔碎，但是一个玻璃杯子就会摔碎。

第二个层面，我们希望引入带Action的动作数据来进行动作的对齐，也就是进行所谓的模仿学习或者有监督学习。

最后，希望通过强化学习的后训练，来解锁预训练的能力，期望可以达到涌现的效果。