WAIC圆桌实录：世界模型「六小龙」的技术路线之争

在 2025 年 7 月 19 日的 WAIC（世界人工智能大会）「世界模型六小龙」论坛上，大晓机器人、蚂蚁灵波、极佳视界、无界动力、智元机器人、自变量机器人六家国内具身智能公司的技术负责人，围绕世界模型的技术路线、能力评价标准、下一步收敛方向以及从 Demo 走向规模化部署等议题，展开了一场高密度的圆桌讨论。主持人由大晓机器人首席科学家陶大程担任。与会嘉宾坦诚交锋了行业最前沿的分歧与共识。

技术路线之争：三派分立

圆桌首先将六家公司按「模型在什么空间里推演世界」划分成三派：

• 像素生成派：以极佳视界为代表，模型直接在像素空间生成未来画面。
• 隐空间（JEPA）派：以无界动力为代表，借助表征空间预测物理量。
• 融合派：包括大晓机器人（理解–生成–预测一体化）、蚂蚁灵波（多路线「世界模型全家桶」）、智元机器人和自变量机器人。

路线差异直接导致对「世界模型究竟该理解到什么程度」的看法分歧。无界动力 CTO 夏中谱主张看几何、运动、力等状态的预测精度，让模型尽可能逼近物理模拟器；蚂蚁灵波首席科学家沈宇军则认为「物理合理性」比「物理精度」更重要——机器人只需知道同重量的铁比棉花落得快，而不必算出具体差值。

能力评价：长程一致性还是推理时效

对模型能力的评价标准，嘉宾同样针锋相对。智元机器人 AI 算法总监任广辉认为，长时物理一致性是必备指标；自变量机器人 CTO 王昊则直言长程推演是「伪需求」，更看重推理时效——一旦慢到错过决策窗口，再完整的理解也无意义。

背后的逻辑是各家公司技术强项不同：隐空间路线可直接回归物理量，所以敢要求精度；像素生成路线天然学到「看起来合理」，所以只承诺合理性；智元把世界模型当仿真器用，长程推演是其生命线；自变量则把世界模型与 VLA 整合进同一端到端框架，预测是动作生成的前置环节。

下一阶段，什么会率先收敛

关于世界模型最先收敛的部分，嘉宾给出不同押注：

• 统一表征：任广辉、夏中谱认为关键在于找到具身智能的「token」，把视觉、语言、动作对齐进同一表征。
• 融合架构：王昊相信视频生成负责未来预测、隐空间负责推理、3D 显式建模充当空间记忆，会拼出全新架构，这与大语言模型的历史路径相似。
• 触觉模态：沈宇军笃定触觉会成为机器人不可或缺的新模态，并预计触觉一旦突破，物理世界与数字世界两侧的世界模型将分道扬镳。
• 评测标尺：陶大程认为，最近的收敛不会发生在某一条技术路线上，而是会先发生在横向评测标尺上。他提到 ImageNet 让深度学习爆发，标尺一旦统一，收敛自然发生。

论坛期间，大晓机器人发布了 PHYSICAL IQ，定位为首个面向多场景、多本体、多任务的具身原生物理智能评测基准平台。

从 Demo 到 Deployment：差距不在上限而在下限

技术路线虽分歧明显，但嘉宾一致认同：落地的最终衡量标准是机器人能否在物理世界稳定完成任务。夏中谱称之为「决策有效性」，任广辉关注为 policy 提升多少指标，朱政强调多任务真机成功率。三者目标殊途同归。

Demo 稳定并不难，难的是规模化部署。王昊指出，模型能力从 90% 提升到 99%，再从 99% 提升到 99.9%，投入成本并非线性增长；实验环境里的微小错误率，落到现场便是一次次人工接管与返工。沈宇军则以商超场景为例，顾客随手把蔬菜放进牛奶柜，对每天面对不同顾客的机器人来说，这就是日常而非偶发。

陶大程重点强调了端侧能力对部署的关键性：留给机器人做判断的时间往往只有几十到几百毫秒，网络不能永远在线，云端也不能总在等待。最难的不是让模型变聪明，而是让聪明变得便宜、可靠、及时——「Demo 展示的是能力上限，部署则考验能力下限」。

两年后回看：什么做对了，什么做错了

最后，嘉宾被问及「如果两年后再看当下，什么做对了，什么做错了」：

• 沈宇军认为，为模型架构能力做的工作都做对了，过度追求呈现效果则不好说；为数据链路做的准备方向正确，但当下积累的数据将来是否会被用到，尚不确定。
• 朱政提醒，基模尚未收敛就去探索过多商业化场景，精力被严重分散，大概率不会成功。
• 任广辉判断两年后世界模型会更加「具身原生」，需要更大规模具身原生数据与原生架构支撑。

陶大程在总结中表示：「分歧是论文的素材，重叠是产业的基底。」对整个行业来说，分歧本身正是当下的红利。