AI 开始学习「想象未来」：ECCV 2026背后，中国学者如何卡位世界模型|eccv|想象未来|机器人|真实世界

作者丨吴思梦

编辑丨岑峰

2026 年 9 月 8 日，全球计算机视觉顶级会议 ACM 与 ECVA（European Computer Vision Association）主办的 ECCV 2026 将在瑞典马尔默的 Malmö Arena 和 Malmömässan 两个相邻场馆开幕。这个两年一届、与 CVPR、ICCV 并称计算机视觉领域“三大顶会”的学术盛会，收到了 10473 篇论文投稿，最终接收 2883 篇（接收率 27.5%）。在会议公布的 86 个 workshop 中，有 13 个直接以“World Models”或“Embodied AI”为主题，这是 ECCV 历史上从未出现过的密度。Yann LeCun、Jürgen Schmidhuber、Kristen Grauman、Jamie Shotton 等学者都将作为 keynote 演讲者出现。

围绕世界模型的 workshop、tutorial 和论文，从三维理解、视频生成，到具身智能、安全评估，被集中放到了 ECCV 2026 的议程中。届时AI 科技评论将前往现场，进行前沿追踪报道。这背后代表的不只是一个研究方向升温。它意味着 AI 的竞争正在从“理解世界”，走向“预测世界”。而在这场变化中，中国研究者正在试图占据新的位置。

ECCV 2026为什么突然都在讨论世界模型？
世界模型并不是一个新概念。早在强化学习领域，研究者就提出过类似思想：如果智能体能够预测环境变化，就可以减少真实世界中的试错成本。但过去很长时间，这条路线没有真正成为主流。原因很简单：世界太复杂。真实环境中的数据昂贵，物理规律难以建模，而传统模型很难同时处理视觉、动作和长期预测。过去两年的变化，让世界模型重新进入中心。一方面，生成式 AI 的快速发展，让模型第一次具备了预测复杂视觉世界的能力。另一方面，机器人和自动驾驶产业开始迫切需要一种新的学习方式。机器人不能像语言模型一样，通过互联网文本获得经验。它需要面对真实世界里的动作和反馈。于是，一个新的问题出现：AI 能不能像人一样，在行动之前先想象？

ECCV 2026 的世界模型相关讨论，实际上集中在四个问题。第一个问题：世界模型如何构建？研究者需要回答，什么样的数据才能训练一个理解世界变化的模型。单纯的视频是否足够？是否需要动作数据？是否需要三维信息？第二个问题：世界模型如何评价？过去评价生成模型，通常关注图像质量。但世界模型不同。一个模型生成的视频再逼真，如果无法帮助机器人完成任务，也没有真正价值。因此，新的评测体系开始关注：模型是否理解空间关系？是否符合物理规律？是否能够预测行动结果？第三个问题：世界模型是否可靠？如果未来进入自动驾驶、人形机器人等领域，错误预测可能带来真实风险。模型不仅需要预测未来，还需要知道自己的预测是否可信。第四个问题：世界模型如何进入行动闭环？这是最关键的一步。预测未来不是目的。帮助机器做出正确行动，才是世界模型最终价值。如果再把这四个问题放到一起看，会发现 ECCV 2026 上世界模型的爆发，并不是单一研究方向升温，而是三股独立趋势在同一年合流的结果。第一股是世界模型本身的范式转移。从 Yann LeCun 2022 年的 JEPA 论文，到 ECCV 2026 主会 keynote 上 Yann LeCun 与 Jürgen Schmidhuber 同台，世界模型从“少数派方向”变成了主流共识。LeCun 长期主张“智能的核心是预测物理世界”，而工业界的 Sora、Veo、Genie 把这条预言变成了可视化产物。当 CVPR、NeurIPS、ICLR 都把世界模型作为专题时，ECCV 的转向只是时间问题。第二股是 3D 高斯泼溅（Gaussian Splatting）的工程化成熟。2023 年 Inria 团队在 SIGGRAPH 上重新激活这条路线后，三年内它已经扩散到 SLAM、水下场景、热红外、4D 动态场景、压缩流式传输、医学 CT 重建等几乎所有 3D 视觉下游任务。ECCV 2026 第一场海报就列出超过 80 篇 Gaussian Splatting 相关论文，覆盖范围横跨动态 4D、自动驾驶模拟、医学影像。当世界模型需要“操作 3D 场景”时，3D 高斯是最自然的 token 候选，它可微、紧凑、有位置/朝向/尺度/颜色/透明度五个可学习参数。这让“世界模型的可计算基座”第一次有了工程落点。

第三股是具身智能的产业化压力。当人形机器人、自动驾驶汽车、配送机器人开始面对真实的开放环境，单纯模仿学习的泛化瓶颈就暴露了。Spirit AI、Physical Intelligence、Google DeepMind、NVIDIA 同时押注 VLA + 世界模型，不是技术潮流，而是工业交付压力下的工程妥协。这三条线在 ECCV 2026 第一次正式会师：13 个 Embodied AI & World Models workshop、3 个 keynote、Yilun Du 等 panelist 的“AI 能否自主发现新知识”圆桌讨论，背后是同一个判断：世界模型、3D 表示、具身智能已经不再能分开讨论。

中国学者正在补齐世界模型的三块拼图
模型需要的不只是更大的参数量，还需要连接三个环节：理解世界，预测未来，影响行动。在这条产业链上，中国研究者正在从不同方向切入。有人试图重新定义世界模型的边界，有人在建立评价体系，也有人正在把模型推向真实机器人。

▎王新超：重新定义世界模型，从“生成未来”到“行动未来”

在《World Action Models: A Survey》中，研究者认为，过去很多工作混淆了世界模型、视频生成模型、视觉语言行动模型之间的区别。真正面向具身智能的世界模型，需要满足一个条件：预测出来的未来，必须进入行动路径。简单来说：如果模型只是生成“未来会发生什么”，它更像一个视频预测器。如果模型利用这个预测帮助机器人决定“下一步应该做什么”，它才更接近世界模型真正的价值。这也是 WAM 这个概念出现的原因。过去的 VLA（Vision-Language-Action）模型解决的是：看到什么，应该做什么。而 World Action Model 希望进一步解决：如果这样做，未来会怎样。这种变化非常关键。因为现实世界中的任务，往往没有标准答案。机器人拿起一个杯子，不只是识别杯子在哪里，还需要判断：杯子的重量是多少？抓取力度是否合适？移动过程中是否可能碰撞？这些问题，本质上都需要预测。因此，未来的具身智能系统可能不是一个单纯的行动模型，而是一个“预测未来，再选择行动”的系统。

▎陈志波、李新：让世界模型从“看起来真实”走向“真正可用”

▎杨高、梁晓丹：让世界模型进入机器人

如果说前两条路线解决的是“世界模型是什么”和“如何评价”，那么杨高和梁晓丹关注的问题更加工程化：世界模型如何真正进入机器人。9 月 9 日的 ECCV 2026 “How to Build Effective World Models for Embodied AI” workshop 中，二者出现在该 workshop 早期公布的 invited speakers 名单中。最终议程里，梁晓丹成为重要演讲嘉宾。

他们代表了两条不同的路线。杨高更关注如何利用大规模视觉数据和基础模型能力，让机器人获得更强泛化能力。梁晓丹（中山大学）是另一条路线。她的核心命题是物理具身基础模型：表征、架构及真机评测，强调世界模型的核心价值是预测一个会发生的世界，而不是生成一个像真的视频。这条命题在 ECCV 2026 之前，已经通过几个工作落地：A1（自适应早退机制）、AtomicVLA（原子动作分解）、eWAM（VLA 与世界模型的原生融合）、PhyAgentOS（标准化框架）、ManipArena（真机评测基准）。eWAM 的核心思想是把世界模型的潜空间预测作为 VLA 的内部监督信号，让预测下一帧与输出下一动作共享表示，这与 VLA-JEPA 的判断一致，但路径不同：VLA-JEPA 强调潜空间作为接口，eWAM 强调原生耦合。ProPhy 是这个思路在视频生成侧的延伸：通过 Mixture-of-Physics-Experts（MoPE）机制，把物理先验逐层注入视频生成，让视频是否符合物理规律成为可优化目标。两条路线的合流点是：当 VLA、世界模型、视频生成都在尝试把物理一致性内化为可优化的目标时，世界模型这个词的边界正在被改写，它不再只是预测未来的模块，而是机器人感知、决策、生成三者的共同约束。这也是为什么 ECCV 2026 把它放到与 Embodied AI 同等的位置。

最后
世界模型竞争的下一步，已经从“能不能生成好看的未来”，转向“能不能预测一个会发生的世界”。围绕这个问题的不同回答，构成了 ECCV 2026 世界模型相关 13 个 workshop、上百篇论文和同期竞赛的全部议程。当学界、产业界、监管者把视线投向同一议题时，它就不再只是一个研究方向，更是一个产业拐点。中国研究者从世界模型的边界、评价体系、机器人落地三个方向切入，并不是分散行动，而是同一个问题的三个不同侧面。当这三个侧面在某个时间点拼合在一起时，中国学术界在世界模型这条赛道上的位置，才会被真正改写。

为了方便大家抱团交流、互通会议消息，雷峰网专门建了ECCV 2026参会交流群！进群你会解锁这些「福利」?

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 现场探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。