机器人失败时，行业往往只知道它没做成，却不知道它为什么失败。

夹爪松了一点，杯子就会滑落；桌子低了几厘米，原本流畅的调酒动作就会变形；摄像头被遮挡，机器人可能误判物体的位置。一次演示可以通过反复调试避开这些问题，但机器人进入商店、仓库或家庭后，遇到的恰恰是大量无法提前写进脚本的变化。

这也是2026年机器人行业争论世界模型的背景。一条主流路线是视觉—语言—动作模型（VLA），把视觉与语言指令直接映射成机器人动作。Google DeepMind的Gemini Robotics等模型沿着这条路线推进。另一条路线强调，机器人行动前需要先预测：如果这样抓、那样推，世界接下来会发生什么。英伟达今年推出Cosmos 3，把视觉语言模型、世界模型和世界动作模型放进同一套Physical AI技术栈。

但世界模型已经成为一个过于宽泛的名字。能生成物理世界视频的模型、为机器人合成训练数据的模型、直接参与动作决策的模型，都可能被归入其中。真正的分歧不只在模型结构，而在评价标准：是看生成画面是否逼真，还是看机器人能否完成长程任务、减少错误，并在失败后恢复？

大晓机器人选择后一个方向。这家公司于2025年12月正式亮相，从机器人的大脑切入，推出ACE具身研发范式、开悟世界模型Kairos和统一具身基模型ACE-Brain。董事长王晓刚是商汤科技联合创始人、执行董事；首席科学家陶大程是澳大利亚科学院院士，长期从事计算机视觉和机器学习研究。

两个人的分工也对应了大晓想解决的两类问题。王晓刚谈得更多的是产业：机器人应该先进入哪些场景，如何用订单带动本体降本和数据回流。陶大程谈得更多的是技术：世界模型到底应该记住什么，如何证明模型学到的是物理因果，而不是视频中的表面相关性。

他们形成的共同判断是：机器人行业的下一道门槛，不是再做一次更惊艳的表演，而是建立“部署—数据—模型—再部署”的闭环。模型架构可能按季度变化，真实场景中的失败数据、恢复策略和工程能力，需要按年积累。

7月15日和16日，在世界人工智能大会前的两场媒体沟通会上，王晓刚和陶大程分别回应了世界模型、VLA、数据和商业化等问题。

以下为两场对话汇编，经编辑整理。两位受访者并非同时接受采访，问题顺序有所调整。

世界模型降低行动的代价

Q：如何定义世界模型？大晓的开悟（Kairos）世界模型要解决什么问题？

陶大程：具身世界模型的核心不是去做物理世界的全量像素复刻，而是围绕行动控制，去维护「控制充分状态」，以降低行动代价为目标。它需要支持同一状态下多个动作分支的推演，建立动作和结果的因果模型，通过多时间尺度记忆完成长程任务，并且持续利用高控制信息密度的数据实现模型的高效训练。

一个好的具身世界模型，要从五个维度去验证：第一，模型的预测是否真正降低了行动代价——碰撞、滑落、任务中断、人工接管；第二，是否能比较不同动作的后果，而不是只续写一条视频；第三，换物体、换环境、换本体后，是否能保持动作的因果关系；第四，是否能在长程任务中维护共享的世界状态；第五，能否识别失败、恢复临界状态和接触边界。同时，延时、显存、通信和能耗也应该纳入评价体系。

王晓刚：世界模型的目标是提升机器人的泛化能力，尤其是在新场景、新任务下实现智能涌现。此前行业用得比较多的是VLA（Vision-Language-Action），它的特点是针对特定任务做训练。但大家真正期待的是具身的「ChatGPT时刻」——就像大语言模型那样，你问它之前没见过的问题，它也能完成。我们的开悟3.1采用理解、生成、预测一体化的架构，三种能力共享特征，实现高效的信息压缩和协同演进，这是去年12月我们率先提出的架构，今年3月英伟达的Cosmos 3也采用了类似思路。

VLA擅长完成规定好的特定任务，但无法形成智能涌现，也难以应对新环境或新任务。不过在世界模型完全成熟之前，VLA作为一种补充仍然有价值，尤其是在流程相对固定的场景里。两者的协同会在一段时间内并行存在，但随着世界模型能力越来越完善——比如以人为中心的数据从几十万小时发展到千万小时量级——世界模型就能够把VLA的能力吸收进去，我们期待一个真正大一统的基座模型出现。

Q：世界模型会不会只是生成好看的视频，实际上学不到真正的因果关系？如何验证它学到了「控制变量」而非数据偏差？

陶大程：控制充分状态不能靠几段看起来合理的视频来证明，而应该变成一个可以证伪的实验命题。严格定义是：把完整的观测和动作历史压缩为内部状态Z之后，基于Z做出最优动作的真实物理成本，应该尽量接近基于完整历史的最优成本。这里的成本不只是任务是否完成，还包括碰撞、滑落、不当接触力、人工接管、恢复时间、虚实偏差。

验证分三步：第一步是Representation Probing——基于冻结的内部状态Z来预测任务进度、对象状态、接触稳定度、失败事件、安全风险和虚实gap，并与通用视觉embedding、视频重建latent、纯VLA特征进行对比。如果内部状态只是提高了画面连续性，却无法准确预测这些控制相关变量，就不能称为控制充分。

第二步是因果压力测试——保持任务物体的几何和动作不变，系统性地改变背景、纹理、语言描述和无关物体，看模型预测是否稳定；再改变支撑面、重心、摩擦、接触点、夹爪速度力矩等，看是否真正影响控制相关结果。

第三步是反事实与闭环实验——对同一物体状态精确复位，分别执行左抓、右抓、快慢等不同动作，比较模型预测分支和真实rollout的关系，考察接触事件误差、成功失败判断、动作质量评估和不确定性校准。

ACE-Brain与Kairos：「看懂世界」与「预测后果」

Q：ACE-Brain和Karios在机器人智能全链路中分别扮演什么角色？未来会是单一大模型还是多模型协同？

陶大程：ACE-Brain负责组织机器人的认知和行为，Kairos负责建立机器人对物理世界和行动后果的内部模型。ACE-Brain 0回答了「机器人如何理解自己所在的空间」——物体在哪里、彼此是什么关系、哪些区域可通行或操作。ACE-Brain 0.5进一步从「看懂世界」走向「physical agentic AI」，把空间感知、任务规划、导航操作、进度评估、错误恢复连接起来，形成「看见→思考→行动→检查」的闭环。

Kairos回答的是：如果机器人这样行动，世界会怎样变化？不同动作会导致什么不同结果？哪里会滑落、碰撞或失败？它把视觉、语言、机器人状态、触觉力、历史行动压缩成一个控制充分状态，这个状态不需要保存世界的所有细节，但要保留对象状态、空间关系、接触条件、任务进度、动作后果、失败风险和预测不确定性。

大晓既不是把彼此割裂的模型松散拼接，也不是幻想一个模型取代所有软件和控制系统，而是形成共享认知、分层计算、闭环协同的统一机器人大脑。ACE-Brain提供「我在哪里、要做什么、做到哪一步」的认知主线；Kairos提供「这样做会发生什么、风险在哪、有没有更好选择」的物理主线。此外还有动作专家和工程系统，把这些认知可靠地变成现实行动。

王晓刚：开悟3.1的独特之处在于理解、生成、预测一体化，三种能力共享特征。以前外挂或级联的方式存在信息衰减——比如先用视频生成模型处理，很多物理信息、空间信息就已经丢失了，后面再接理解和预测模块也很难恢复。共享特征架构能实现高效信息压缩和三种能力的协同演进。像ACE-Brain 0.5，就是Kairos理解能力的快速落地案例，用在酒店洗衣场景中，它具备空间理解、规划、反馈的完整链条。

信息密度比数据时长更重要

Q：你们定下数据采集的百万小时、千万小时目标，规划依据是什么？与其他公司相比，大晓的优势在哪里？

陶大程：百万小时和千万小时对应的是两个不同的阶段。百万小时用于完成基础覆盖和数据引擎的验证——建立开放世界的物理先验、人类任务结构、第一视角交互，同时验证采集、切分、去重、标注、存储、训练全链路能否稳定运行。千万小时则面向长尾覆盖——更多物体属性、工具、环境、行为组合，罕见接触事件，跨文化和产业场景。

但核心不是小时数本身，而是「有效时空token」的覆盖率和边际收益。大晓构建了环境式数据金字塔和多路径体系：开放世界视频、人类行为数据、真机数据，以及世界模型合成数据，通过课程式学习分层组织。普通观察视频的权重巨大但主要用于广泛先验；人类Ego数据权重更高，用于意图、工具使用和任务分解；真机接触、失败、恢复数据规模最小，但对world-action训练贡献最直接。

开悟采用从开放世界视频、人类行为到机器人交互的干预强度课程式学习。开放世界阶段数据描述到百万小时量级，人类行为阶段约100,000小时量级——不同阶段的数据价值完全不同。从百万到千万的扩张有明确的质量目标：每增加一批数据，都需要观察验证损失、物理合理性、指令对齐、跨对象环境泛化、动作预测、失败预判以及真实策略提升的边际变化。如果某类型数据已经饱和，就要转向新的物理现象或更高控制信息密度的事件。

王晓刚：未来的数据有三个层次。第一层是互联网采集的海量视频数据（千万小时量级），反映世界客观物理规律。第二层是以人为中心的环境式素材——通过穿戴式设备，用第一视角、多视角相机和力触觉手套，记录人类在真实生产生活中与环境交互的全过程。这是我们在成立之初就提出的概念，这次WAIC会发布第二代硬件方案和数据处理引擎。

我们把这类数据的信息密度从L1到L5做了分级：L1只是带运动相机拍原始视频，场景有限、标注缺失；到L5则是头戴第一视角、全景相机、胸部和手腕多视角相机协同——误差控制在毫秒级，加上力触觉信息，精确提取手部运动、关节3D mesh、人体关键点，还能通过力触觉恢复物理属性。采集场景也更多样，不只采集成功数据，失败案例同样有价值，能帮助机器人更快地从失败中学习。

第三层是少量真机遥操数据，把人类行为映射到不同机器人本体的参数上。前两类的目标都是千万小时量级。

Q：如何看待遥操、仿真、环境式素材这三种数据路线的优劣？

王晓刚：遥操数据受限于真机本体，从一个本体采到的数据很难推广到其他本体，而且不是在真实生产生活环境中采集的，积累速度也太慢——单靠这种方式不可能达到具身的ChatGPT时刻。仿真合成数据可以作为有效补充，但与真实数据的Sim-to-Real差距仍然存在。环境式素材才是我们最看重的长期方向。

陶大程：大晓的数据体系相对更加完整，这有利于我们获取「高控制信息密度」的数据，这对世界模型训练至关重要。核心不是把失败标签机械放大，而是判断数据是否接近真实任务分布、原因是否可归因、状态是否可复现。未来数据引擎会根据模型当前最不确定、最容易出错的区域，来决定下一段采什么数据——这和传统的主动学习（Active Learning）原理一致。衡量数据资产未来也不仅仅是看小时数，而是要引入有效控制小时数和学习产出这类指标。

Q：失败数据的价值如何判断？哪些失败数据是高价值资产，哪些应该剔除？

陶大程：失败数据的价值不在于「失败」这个标签，而在于它是否提供了可解释、可验证、可迁移的控制信息。大晓正在建立一套完整的判断标准：样本是否包含了失败前的状态、动作命令、机器人自身状态、接触或受力变化、失败结果、人工接管、后续恢复；这些信号在时间上是否对齐；失败是否发生在正常的任务规划路径上；原因能否区分为感知错误、动作选择错误、接触力错误或外部干扰。

工程上分为三层：第一层是基础质量控制——排查模糊、重复等低质数据；第二层是因果结构化——标记contact、slip、collision等事件，建立对象-动作-接触-状态转移的关系链条；第三层是控制价值评分——评估归因性、可恢复性、是否是对已有同类问题的重复采样。最终还要用训练后的实际贡献来反向验证数据价值——这和大语言模型领域的data pricing研究一脉相承。

路线之争：分化、收敛与大一统

Q：当前具身智能存在多种世界模型路线，你们如何看待这些分歧？路线最终会收敛吗？

陶大程：今天大家有这么多不同类型的世界模型，这是一个非常好的状态，说明世界模型的基本理念正在影响不同产业和学科的发展。现在主要有四条路线，大晓走的是统一世界模型（Unified World Model），核心价值在于把理解、预测和行动三个体系有效整合，共享通用的世界状态。相对于传统模型，我们在实际任务执行上具备优势，因为核心优化与控制相关——保证控制信息充分性来实现模型训练，数据收集也是围绕这个目标展开。

至于路线是否会收敛，从长期看目标会收敛，但技术路径本身不一定会收敛到某个特定形态，这和具体任务有关。比如你的世界模型主要用于生产数据，还是用于真机控制，目标和形态肯定不同。核心还是取决于下游任务到底是什么。

王晓刚：现在很多进入世界模型的玩家，展示的只是其中一部分能力——有的只做视频生成，也叫世界模型，但这种模型没办法与物理世界交互；还有的没办法完成长程复杂任务。这次WAIC期间，我们联合各家推出世界模型的一整套评测标准和benchmark，在统一尺度下，就能比较清晰地看出哪些世界模型更有竞争力。

世界模型的门槛其实非常高——需要具备从预训练开始的能力，而且是理解、生成、预测一体化的综合能力。只是因为现在大家的认知没有拉齐、评测体系不完整，才给了机会。但这种情况不会持续太久。当认知清晰之后，很多公司会被发现并不具备这方面的能力。而且单纯做模型本身在具身领域是不成立的，一定要跟场景落地和规模化结合起来。

Q：未来会出现一两家像OpenAI那样的通用物理AI巨头吗？

陶大程：这是非常有可能的。但这样的公司不会像今天大语言模型领域那样一家通吃——OpenAI或Anthropic的模式在物理AI领域还是比较困难的。会出现巨型公司，它们的世界模型具有足够强的通用性和泛化能力，但对于下游场景的适配，本质上还是要跟场景本身有很好的绑定关系，不可能靠一个通用模型解决所有问题。不过这种超级强悍的通用模型一定会在规模性场景上实现独特的优势。

Q：你们认为通用世界模型是不是一个伪概念？家庭和工厂能共享同一个模型吗？

陶大程：家庭和工厂可以共享同一个世界模型的认知主干，但不能指望一套未经适配的模型直接覆盖两种场景。不同场景共享的是碰撞、支撑、工具使用、空间关系、任务分解这些底层规律，真正不同的是任务先验、风险容忍度、动作空间、传感器适配和评价模式——比如同样是拿杯子，工厂关注吞吐率，家庭则要考虑杯子里有没有装水、人的位置在哪里、会不会碰到家具。

一个可行的技术形态是四层结构：第一层是通用物理和语义基础模型，吸收开放视频和人类行为中的广泛经验；第二层是共享的控制充分状态，统一表达对象空间、任务进度、动作后果和不确定性；第三层是本体适配层，把共享状态映射到不同本体的参数上；第四层是场景蒸馏和安全层，用工厂或家庭数据来校准特定的任务分布和策略。这里的定制化蒸馏不是从头训练一个孤立模型，而是把通用知识压缩成某个场景中低延时可调用的子模型，同时保留与基础模型和数据闭环的链接。

理想情况下，场景变化主要更新adapter和记忆体就行，不需要从头训练完整世界模型。通用物理先验已经开始形成，不远的时间内可能会出现一个基础模型支持不同的工业、仓储、零售场景。但针对本体和现场，还是需要一定程度的适配。决定时间表的不是参数量，而是能否形成统一的接触和动作表示、可迁移的多模态传感器接口，以及规模化的真实闭环验证。

落地节拍：从ToB走向ToC

Q：目前具身商业化落地进度如何？你们为什么布局即时零售、酒店洗衣、开放巡检三大场景？

王晓刚：以零售为例，未来一年计划拓展1,000家店，包括无人零售、闪购仓和店仓一体的方案。这个场景需求明确、可复制性强，1,000家店铺开后，两年内目标是10,000家。量上去了，硬件成本会大幅下降，达到可盈利水平。我们判断未来一到两年，一些垂直场景就能进入盈利状态。

酒店洗衣是我们选定的另一个确定性较高的场景。目前住客洗衣服要自己送下去等，机器人可以7×24小时工作，流程虽然涉及十几个步骤，但可复制性高。我们用的AceSpring 0.5模型，作为Caros理解能力部分的快速落地案例。

陶大程：这三个场景不是对应单次表演，而是不同类型的控制问题。即时零售需要处理大量商品、柔性包装、连续履约；开放巡检需要在长时间运行中维护状态空间、异常信息和多机任务；酒店洗衣包括定位识别、顺序规划、连续操作和失败恢复。它们分别验证了具身世界模型的五项核心能力——是否保留控制充分状态、能否比较不同动作、是否理解动作与结果的因果性、能否通过多时间尺度记忆完成长程任务、能否从失败和临界状态中持续自我进化。

我们选择这些场景，是希望把世界模型从「生成好看的视频」推进到「真正服务行动」，用任务成功率、人工接管率、恢复能力、安全性、时延和运营成本来检验模型，而不是用视频效果来证明技术。

Q：人形机器人是近期可实现的商业故事，还是十年以上的远期愿景？

陶大程：整个物理世界是为人设计的，工具、场景、基础设施都是。所以人形机器人是行业共识的终局方向。但短期来看，轮式、机械臂等妥协方案是务实的——它们能降低落地难度，快速获取真机数据。这些数据虽然来自不同本体，但对未来人形机器人的训练也有互补价值——我们做ACEbrain 0.5时发现，不同类型的数据具有互补作用，这在多任务学习的理论上也已得到证明。

具体到时间表，在特定下游任务上，未来三到五年人形机器人就可能直接走进实际场景。今天的基础数据、基础模型、基础硬件已经有了比较好的状态，关键是能不能把这些有效整合成完整的工程体系。

王晓刚：进入家庭之前，机器人必须先经过ToB的充分验证。家庭是不可控的——一旦机器人有足够体量和操作能力，你必须确保它不会伤害到人。递杯水太热了、拿错了药，这些问题都非常现实。同时还有法律法规问题——出了事谁是责任方？ToB场景是受控的，你可以限定区域，确保人进不去，不存在安全风险。

所以一定是ToB先走，在规模化使用中积累对软硬件的信心，在受控场景中充分测试安全性和可靠性，再逐步进入ToC。家庭是机器人的终极场景，但也是最大的挑战——不是参数量的问题，而是要在不可控的环境里证明可靠。

Q：软硬协同方面，大脑厂商和本体硬件厂商之间的关系会怎样演化？会出现类似PC时代的「Wintel联盟」吗？

陶大程：现在还处于非常早期，核心问题不是蛋糕怎么分，而是先把蛋糕做出来。如果大脑厂商要价太高，硬件厂商就会自己干大脑；如果硬件厂商要价太高，大脑厂商也一定会干硬件。纯粹依靠一个最简单的技术壁垒形成长期优势，大家可能都会持怀疑态度。真正的核心能力是系统整合能力和对下游场景的适应能力——技术如果不能跟这些东西有效整合，就很难对商业服务形成长期支撑。

ODM的出现肯定会加速机器人落地效率，但说它能解决所有问题还为时过早。不过它的出现确实非常有价值。

未来：架构按季度变，学习速度按年积累

Q：当前具身智能行业竞争格局如何？未来三到五年大晓的核心壁垒在哪里？

陶大程：单一网络结构非常容易被复制——Video DiT、Action DiT、蒸馏量化这些门槛会不断降低。更强的基础模型不断开源，大家对技术体系的理解也会更深刻。端侧工程比论文难复制——涉及真实硬件上的延迟、显存、通信、稳定性处理。场景交付比单点工程更复杂——需要理解客户流程、完成安全认证、异常处理、建立维护体系。

真正有复利效应的，是「部署→数据→模型→再部署」的闭环——每一次场景运行都能发现新的失败边界，转化为有效数据，提升模型能力。如果只是在实验室提高平均分，这样的优势很容易被追平。谁能进入真实工作流程并长期积累异常分布，谁才有真正有价值的资产。

长期壁垒不是世界模型架构、数据闭环、端侧工程、交付能力的四选一，而是它们能不能被同一个控制目标连接起来。最关键的是跨本体、跨场景的物理经验操作系统——知道哪些经验有控制价值，如何把人类、机器人、仿真和第一视角数据映射到统一的事件空间，如何在部署前比较候选动作，如何从失败中恢复并把真实偏差快速反馈给模型。

王晓刚：这个赛道跟大语言模型有一个核心差异——数据不在互联网上，而是在各个垂直行业的场景里。创业公司的机会不在于跟大厂的具身团队硬碰硬，而在于跟酒店、零售、文旅等传统行业的头部企业深度绑定，挖掘场景价值，规模化复制。

行业有四要素——硬件本体、模型、数据、场景。只有把它们贯穿起来形成正向反馈，才能持续迭代。抓住场景、拿到订单量，谁的生态位就占据主导。单纯做模型在具身领域不成立。

Q：你们如何看待「没有千卡算力就不算认真做具身模型」的说法？

陶大程：算力是重要基础，但用有没有千卡来判断是否认真做模型，就太简单了。具身智能不是参数和算力无限放大就能自然解决的问题——还受数据质量、动作因果、推理时延、显存通信、安全边界的共同约束。更重要的是单位算力、单位时间、单位内部状态能减少多少真实行动代价。

大规模算力有助于扩大覆盖，但原创架构、高CID数据、部署感知的协同设计、真实场景闭环能力，同样是关键。算力是门槛之一，但不是路径正确性的唯一证明。

不过也需要澄清一点：不是说需要始终维持千卡规模的常驻算力，而是在需要做大规模训练的时候要有这个能力——这也是云算力越来越重要的原因。关键是算力规划和使用的节奏要有合理预期和精密规划。

王晓刚：这次WAIC我们承办了世界模型六小龙巅峰论坛，邀请各家模型厂商共同交流和讨论。同时我们也和场景方建立了一系列战略合作和签约，共同制定评测标准。人工智能的发展要实现跳跃式突破，往往需要通过创业的方式——仅仅依靠现有大厂体系，无论是人才、激励机制还是资源倾斜，都不足以支撑具身战略的发展。

本文来自微信公众号： 42号电波 ，作者：Vince，编辑：大吉