视频生成做得越来越漂亮，但机器人并不需要看电影，它需要的是物理推演。在2026世界人工智能大会的现场，世界模型「六小龙」试图破解这一尴尬局面。

7月19日下午，由世界人工智能大会主办、大晓机器人承办的世界模型「六小龙」巅峰论坛在上海举行。整场论坛观点碰撞最激烈的环节，就是临近结束的圆桌对话。参与圆桌对话的六位行业大佬分别是：

• 大晓机器人首席科学家、澳大利亚科学院院士陶大程（主持人）

• 蚂蚁灵波首席科学家沈宇军

• 极佳视界联合创始人&首席科学家朱政

• 无界动力联合创始人兼CTO夏中谱

• 智元机器人AI算法总监任广辉

• 自变量机器人联合创始人兼CTO王昊

这也就意味着，台上的六人几乎凑齐了国内世界模型最主流的技术路线：例如有任务为导向的统一世界模型与物理智能评测，强调世界模型应服务于可靠行动；有从头预训练的物理原生派，还有视频生成派、隐空间+强化学习派、policy与simulator双轮派、端到端统一模型派。

六家路线各异，却没有回避分歧，反而把分歧摆上了台面。沈宇军认为行业混淆了「模型架构能力」和「模型展现能力」，所有为架构积累的能力做对了，但过于追求呈现出来的能力不好说；朱政现场追问世界模型领域的「Codex产品」究竟是什么；夏中谱指出视频生成只是表象，掌握因果规律才是本质；任广辉强调必须走向数据原生和架构原生；王昊给出了全场置信度最高的判断——用纯视频方式构建对物理世界的理解「可能有很大问题，置信度90%」。陶大程认为，做对的是让AI从数字世界旁观者变成物理世界参与者，做错的是把太多算力用在让世界「看起来像」而非让行动「做得成」上。

围绕「未来两年回看，世界模型最可能被证明做对或做错什么」的问题，多位嘉宾将目光投向模型能力的沉淀与物理世界原生数据的建设。沈宇军认为，为模型架构、推理效率、可交互性和数据链路所做的长期积累更具价值，而过度追逐模型外显效果未必能够穿越技术周期。任广辉则指出，面向视频创作的数据和模型，未必严格遵循现实世界的物理规律，具身智能需要更大规模、更高质量的原生数据与原生预训练任务。

「从头训练物理世界基础模型」成为圆桌的重要共识之一。朱政表示，当前许多多模态与视频生成基模本质上仍为数字世界设计，且逐步出现闭源趋势，行业应尽早布局具身世界模型的基础能力。夏中谱进一步提出，除视觉与语言外，力觉、触觉等物理世界信号同样关键；世界模型需要从低密度、多模态信息中形成有效表征，并在此基础上完成未来推演与决策。王昊也认为，对未来状态的预测能够促使模型压缩并理解世界结构，但若缺少更多物理信息输入，仅凭纯视频路线存在明显局限。

在评测标准上，嘉宾们共同反思了「画面满分、物理零分」的问题。夏中谱建议从泛化性、未来预测精度和决策有效性三个维度衡量世界模型；任广辉关注常识物理一致性、三维多视角一致性、对规划能力和策略能力的实际提升；王昊则提出应重视反事实预测、记忆能力与时效性。朱政表示，世界动作模型需要更贴近真实环境的评测方式，尤其应关注少样本、多任务条件下的真机成功率。

谈及从演示走向部署，嘉宾们一致认为，真实落地的难点不止于模型能力。王昊指出，部署必须算经济账，模型从90%成功率走向99%、99.9%的成本会显著上升；沈宇军强调，真实环境中的随机性和突发情况才是机器人面临的日常；朱政认为，当前市场落地受限的根本仍是模型能力上限不足；夏中谱提出，部署需要围绕用户真实需求系统性设计，而非只完成单次演示；任广辉则从工业场景出发，强调部署速度、复制能力和系统稳定性直接影响客户ROI。

对于下一阶段的技术收敛点，嘉宾给出了不同判断：任广辉看好统一多模态表征与物理环境闭环；沈宇军认为触觉将推动物理世界模型与视频生成模型真正分野；朱政强调评测标准应与时俱进；夏中谱关注与决策强相关的统一表征；王昊则认为，视频预测、潜在空间推理与物理信息建模等不同路线的有效部分，最终将被整合进新的技术架构。

陶大程在总结时说道，Demo衡量的是「最好的一次有多好」，部署衡量的则是「最差的一次有多差」。世界模型在训练时应成为数据引擎，评估时成为考官，规划时成为沙盘，部署时成为本能。产业不会单纯为「聪明」买单，而会为「稳定、可靠且高效的聪明」买单。

两年后回望：什么做对了，什么做错了

陶大程：假设有时空穿梭机，两年后回头看今天的世界模型，最可能被证明什么做对了？什么做错了？

沈宇军：有些时候大家会把模型的能力和模型展现出来的能力混淆。模型能力是推理效率、可交互性这类东西；展现出来的能力是画质、物理准确性这类观感。我个人觉得，两年后回头看，所有为模型架构本身积累的能力应该都是做对的。但过于追求模型呈现出来的能力，不好说。所有为模型准备数据过程中积累下来的数据链路做对了，但数据本身是不是最终还会被用到，不好说。

朱政：我非常赞同沈总的观点，再补充一点。现在是2026年下半年，如果再过两年到2028年，世界模型的能力可能跟现在有非常大的不同。做对的，可能是今年上半年在工业界、学术界、投资界的共同努力下，世界模型正式出圈了，成了语言模型之外最火的投资热点和技术讨论热点。做不足的，是在模型之外有太多事情分散了大家的精力——在模型尚未收敛时就去探索了非常多的商业化场景，当然大部分可能不成立，但探索也是一个过程。就像语言模型在Codex出现之前，OpenAI做过AI for Science、情感陪护等产品；国内大语言模型公司在春节还在发红包拉新。但Codex出现之后，所有游戏规则变了，技术也逐渐收敛。所以我非常想知道：对于世界模型而言，我们的Codex产品究竟是什么？

夏中谱：两年对之前的技术来说是很长时间，但对现在的大模型来说非常短。最本质的问题是：语言模型做对的事情是next token prediction——通过它看到了语言的结构和逻辑。对世界模型而言，需要对世界的理解、对未来的推演，再基于推演构建决策。做对的，是学会了未来的物理因果规律，基于因果规律才能对未来推演，对未知世界泛化。这是无界动力一直在追求的——因果规律的世界模型。

任广辉：刚才沈老师talk里讲了非常多世界模型里的数据和模型结构，我深有同感。两年之后，世界模型肯定要更加走向原生的世界模型。第一是数据原生——现在大量视频数据是视频创作类，追求超现实的运镜、剪辑，它们大部分情况下大概是符合物理规律的，但要追求人眼在现实生活中不易观察到的东西，这些不一定符合实际世界的物理规律。第二是架构原生——现在大家基于开源视频生成架构，它们本质是为视频创作而设计的，追求画面质量精致，但这到底对动作生成有多大帮助，以及对动作一致性是否关键，都不一定。我们需要走向更加原生的预训练任务和更加unified的架构，而不是像现在这样大量用娱乐化数据、基于数字世界视频生成外挂的东西。

王昊：做对了，是我们终于开始把对未来预测的监督作为主要训练方式之一，这是相比之前VLA很大的进步——对世界的预测代表了对世界结构的压缩，反过来对这个世界也就理解了。做错了，是回过头来看，今天试图用纯视频方式构建对物理世界的理解，我觉得可能有很大问题。我的判断置信度在90%左右——如果没有更多物理信息的输入，用纯视频方式做这个事情有很大问题。

陶大程：两年后回头看，做对的是终于让AI从数字世界的旁观者变成了物理世界的参与者——这个方向一定会被证明是对的。做错的，可能是把太多算力和能力用在了让世界看起来像，而不是让行动做得成上。我们拿着一把给人看的标尺，去量一件给机器人用的事情。

最缺的那块拼图

陶大程：世界模型要进入物理世界成为基础设施，最缺的是什么？

朱政：刚才在沈总的技术报告里我听到，蚂蚁灵波在做从头的预训练以及具身语言式的预训练，其实我们也在做类似的事情。现在多模态模型和语言模型比较成熟，有很多预训练模型，但我们采用的是视频生成路线，用到的一些基模基本上是为数字世界而设计的，而且现在有一种闭源的趋势——Y系列等都在逐渐走向闭源。这意味着如果我们不从头做自己的物理世界模型基模，后面可能面临没有基模可用的状态。这一点我们必须做好思想准备，尽早开始训具身世界模型的基模。

夏中谱：世界模型要进入物理世界，最关键的是物理相关的数据。当前训练世界模型还在用视频和语言相关数据，但未来力觉、触觉相关数据是缺失的——这是第一方面。

第二方面是模型结构：现阶段大家还是使用Transformer结构，基于大语言模型构建，但语言是信息密度极高的东西，而图像和触觉是信息密度极低的。如何从低密度信息中提取信息？这里有一个表征层面的问题——隐空间怎么表达这个世界。

第三方面，在隐空间表征出世界以后代表的是理解，在理解基础上怎么预测未来？预测未来后哪个动作是我需要的？这涉及训练范式的变化——现阶段都用模仿学习，但模仿学习永远只能复刻人类动作，无法超越人类。未来要让机器人超越人类，需要强化学习或其他范式变化。

任广辉：世界模型要成为物理世界的infra，最缺的一块就是因果一致、符合物理规律。我经常用Sora、最新的Cosmos 3，让它生成没有交互的场景——夹爪可能没夹到就粘起来了，明显不符合物理规律；让它打包一个东西，再打开盒子，没东西了，这肯定不符合因果和物理。世界模型如果真的要成为整个物理世界的基石，肯定要补足这块能力。

王昊：其实还是缺数据闭环。这可能不单是技术问题，也和商业有关。具身本身的特点就是要交互、要从交互里学习，世界模型更是如此。所以我们要解决的就是机器人如何在现实世界大量真实部署——这关乎技术迭代。某种程度上，谁率先在现实世界有大量真实场景部署，他对技术的迭代就是加速的，因为符合了经验学习或探索式学习的具身本质。

沈宇军：大家说了不少，我补充一个点。模型无非是输入、架构到输出。刚才大家提了比较多输出方面的东西——有了输出就决定了架构怎么设计。我觉得比较关键的可能是数据标准：世界模型到底有哪些模态需要进，这些模态需要怎么对齐？现在行业没有定好数据标准，在数据定不出标准之前，可能也没办法scale up。

如果只用三个指标衡量世界模型

陶大程：一个好的世界模型应该用什么方法度量？如果只能保留三个指标，你留哪三个？

夏中谱：第一个是最重要的——泛化性。代表世界模型是不是真正理解了物理因果规律，包括对场景的泛化、物品的泛化、操作技能的泛化。只有在不同场景、不同种类任务、不同分布的技能上达到相同能力，才能认为模型具有因果关系和泛化性。

第二个是对未来的预测精度——如果是物理因果模型，需要对世界的几何、运动、力这些东西进行精确预测，对未来推演越精确，决策才会更稳定更精确。

第三个是决策的有效性——用世界模型做决策，无非是缩短决策时间、推演长度越长决策智能性越高。可以比较用世界模型和不用世界模型对决策有效性的差异，评判世界模型是否真的产生了作用。

任广辉：第一个是生成的未来是否满足常识物理一致性和3D多视角一致性。第二个是形成的表征是否足够好来做planning。第三个是不管生成画面还是表征，最终对policy提升多少指标。

王昊：第一个，世界模型是否真的理解这个世界——反事实预测是核心评判指标。世界模型不是只给当前状态预测下一个状态，而是以当前状态加动作预测未来状态，很多时候动作是反事实的，这是评估世界模型是否理解世界的核心。

第二个是记忆能力——人的大脑有恒常性表示，转过头看了一眼东西，不看它时有人把它移了位置或推倒了，你还知道是同一个。表面上在评估记忆，实际上在评估世界模型有没有恒常性表示的能力、能不能提取关于世界的公共表示。

第三个是推理时效性——今天没有必要追求世界模型的长程预测性，对具身世界模型来说那是伪需求。更快的是需要它快速rollout到现实世界得到反馈再立马回来，推理时效性是第三个最重要的指标。

沈宇军：第一个是动作准确性。动作是机器人自己做的，必须要准确——你的模型支持多少种动作，以及支持得准不准，现在好像没看到类似的评价。

第二个是物理合理性——我特别想强调，我更在乎物理合理性而不是物理准确性。世界模型没有必要真的理解物理，它只需要知道铁掉的比棉花要快，至于到底多快，它可以观察，不需要真的那么准。把物理规律抽象成好跟不好就好了，没必要说预测的重力加速度是9.8就比9.5好。

第三个是时效性——所有动作模型一定要快，一旦失去了快这个指标就没有任何意义了，想半天做一个东西没有意义。

朱政：我们最关注的是few-shot setting下多任务真机的成功率。我们做了非常多的world action model，市面上也有很多开源的world model，所以我们正在内部构建一个真机benchmark，希望未来迭代成熟后分享给大家一起使用。

陶大程：各位嘉宾都给出了很多指标，我试着把它们收进一个统一的框架。世界模型的评测本质是在度量三种类型的智能：第一层是生成智能——能不能构建视觉上连贯的世界，这是具身智能的入场券；第二层是认知智能——构建的世界因果对不对、物体消失了会不会凭空出现、遮挡后还能不能记得它存在，这是从「画的像」到「想的对」；第三层是物理智能——预测能不能转化为机器人的可靠行动，成功率、接管率、真机验证，这是从「想的对」到「做的成」。

下一个收敛点

陶大程：到了下一个阶段的收敛点，是表征的统一、物理因果、动作接口，还是评测标准？选择你们最笃定的那一个，说说理由。

任广辉：我首先压赌点是统一的表征。在数字大模型这块已经找到了一个相对好的表征，支撑了前面这么多预训练和智能涌现。但只有表征也不是完整的，我补充一个——闭环。现在包括数字大模型做完预训练之后越来越做各种agent，才能真正涌现出更进一步的主动智能——跟环境的交互。到具身智能也一样，首先需要构建对齐到多模态包括视频、动作、语言指令的统一表征，有了表征之后行动一定要在闭环中检验和反馈提升。下一个收敛点是统一的表征加物理环境闭环。

王昊：过去在大语言模型和视觉上也发生过类似的事情——当时也有很多路线，最后证明大家确实会把每个地方做得好的东西拿出来，最后集中形成新的方案。

在具身上也会有同样的事情。下一个收敛点是我们把几个技术路线里好的东西拿出来：视频生成路线里对未来预测是重要的，但像素要不要生成不重要——未来必然的收敛点是把所谓渲染、从隐表示到像素的权重越变越小，从主干网络里去掉。

隐空间表示表征能力很有限，但特别适合做视觉推理，我们可以把latent表示和世界统一模型融合。VLA里跟物理相关的很多东西拿进来也是重要的。一些显式建模可能不必要，比如3D的显式建模肯定不必要——过去经验告诉我们越显式的东西最后都会被内化，但显式3D可能成为我们空间记忆的一部分，类似语言模型的RAG。总体感受是把这些结构里最核心的东西拿出来放到一起，就构成了新的架构。离那天并不远，我们也在尝试这些事情，而且笃定它就是未来大家会达到共识的地方。

沈宇军：我比较相信下一个阶段行业会有共识的，一定是触觉。在触觉这个事情没有真的形成共识、被利用好之前，很难真的证明数字世界的模型在物理世界就是不work。但触觉一旦有突破，将明显感受到物理世界的世界模型跟视频生成就不再是一回事了——从模态上直接区分开了。我能感受到行业在触觉方向进展非常快，下一步行业会先形成共识：触觉将是机器人不可或缺的模态。

朱政：这几个点里我比较看重标准化的评测。世界模型在内的具身基模经过了几代——早期小模型加规则、VLA、到现在的world action model，评测也经过了几代：早期学术界用仿真加少量真机实验，VLA兴起后很多benchmark采用线下真机统一评测——分配几十个任务、每个任务提供上千条训练数据、可以训非常多的专家模型提交测试。

夏中谱：我更认为统一的表征是更关键的——不仅仅是视觉语言，动作也是一个模态，把能收集到的信息全部统一到一个表征里去。现阶段最关键的是视觉的表征：杨立昆用JEPA来表征这个世界，李飞飞用3D空间来表征。但如果要跟决策结合，会发现他们的表征是不够的——人开车时视觉看到的大部分信息是无效的，远处天空、白云、山树是无关的。一个有效决策需要找到跟决策更相关的表征，在这个表征上跟决策结合，产生因果，利用因果推演未来，决策才会越来越准越来越好。

踩过的最深的坑

陶大程：从demo到deployment，你们踩过的最深的坑是什么？

王昊：最深的坑就是部署成本的问题。部署成本存在非常明显的scaling law——从0%到90%主要靠模型能力，很容易达到；从90%到99%付出的成本和从0到90是一样的；从99%到99.9%，付出的成本又和90%到99%一样。看起来后面数字变化很小，但每个错误率下降一个数量级，付出成本一样多。所以从demo到deployment最重要就是考虑你到底能付出多少成本。

部署就意味着经济上要产生收益，如果不计成本那做的事情很多，但不符合落地要求。我们自己踩过最深的坑是评估不一致——在准备过程中评测表现挺好的，去了部署环境能力就下降。本质上还是评测环境不一致导致成功率下降，最后要花不少成本在真实部署环境里再迭代。最终在部署阶段，不是由你的学术思想有多么高来决定，确实是由你的成本能不能覆盖来决定。

沈宇军：我非常认同，所有东西一旦落地走到商业，算的一定是经济账，成本一定是最核心的。除了成本之外，我分享另一个例子——随机性或突发情况。这次WAIC展台上基本上所有能展示的demo都是工作人员复位的。观众会提出非常奇怪的要求，可能数据采集时根本没考虑过——每个人想法千奇百怪，可能要求把东西放到非常远的地方问你还能不能拿到。更有体感的例子：你去盒马买菜，面对一柜子菜想找一种菜有时候就是找不到。如果机器人面对那种情况，拿了一个指令去找一种菜，但那个菜不知道被哪个顾客丢到哪里去了——甚至丢到牛奶柜子里面去，这都是存在的。这种看起来很突发的情况，却是我们生活中的日常。机器人到底能不能处理，现在是不好说的。

朱政：AI最成功的两个商业化是语言模型的Coding和视频生成模型——它们的成功都来自基模的成功，尤其是Codex和Seedance的成功。Seedance出现之前，大家对视频生成市场非常悲观，连Sora这样的工具都关掉了。我们从demo走向deployment的过程中，花费了非常多精力跟工厂谈需求、看他们的痛点，甚至动员研发人员去对接——因为他们有技术背景，可以从模型能力出发把某个ROI算正来得到落地。但我们现在得到的一个最惨痛教训就是：现在之所以落地不了，本质上还是模型能力不够，导致大家对这个市场比较悲观。所以我们收缩了非常多的精力，努力提升模型性能上限。

夏中谱：我们踩到最大的坑是早期不够系统性考虑这个问题。demo只能展现模型的能力上限，而deploy到实际场景需要考虑持续性、稳定性——用户不会为做咖啡买单，因为做咖啡只是几分钟的事，但为这个机器人准备咖啡需求的材料是很长时间的，还得帮忙准备所有材料。如果要把具身智能部署到真正场景，更需要去拆解用户需求，拆解过程中还会有异常情况，如何在异常情况下处理完成任务。Demo是能力的展现，deploy才是用户需要的、真正能解决用户需求的问题。从整体上需要系统化考虑方案，而不是只demo一次。

任广辉：智元可能是最早进入部署态的几家具身创业公司之一。我们前一段在龙旗工厂直播了一周，连续直播——工业场景的产线不能停，你怎么能够最短时间部署算法？遇到新的变更时怎么快速deployment到新的工件、新的生产线？这些都影响客户的时间。做demo基本上是一次性的，要交付到客户手里，还是想更多复制——把场景复制到一个工厂、另一个工厂、一个家庭、另一个家庭。这对我们整个基座模型、数据闭环、后训练、甚至硬件都有非常大的要求。从demo到部署，对我们整个系统的能力提出了非常大的要求。

陶大程：各位讲的深坑从任务闭环到接管率到真实环境复杂性都非常好。我补充一个这个阶段大家比较容易忽略的问题——相关成本和延时。很多世界模型的推远跑在云端大集群上，但机器人产线上做决策留给它的时间可能只有100多毫秒甚至几十毫秒，没有办法指望网络永远在线或在远处的云端。一个任务导向紧凑的世界模型，能够跑在端侧直驱本体，它在产业里的价值很可能远大于跑在云端的大脑。

从demo到deployment，世界模型要走通四步：训练时是数据引擎，评估时是考官，规划时是沙盘，部署时是本能。四个角色缺一不可，缺哪一个就断在哪里。我们在真实场景里的体会是——最难的不是让模型变聪明，而是让聪明变得便宜、高效、可靠。产业不会为聪明买单，但会为稳定的聪明买单。

本文来自微信公众号： 42号电波 ，作者：小波，编辑：大吉，原文标题：《六条路线，一个共识：世界模型「六小龙」重估物理 AI｜附完整版实录》