过去一年，人工智能在数字世界交出的成绩单令人眩目。
大语言模型能写出逻辑严密的报告，多模态模型能生成以假乱真的图像和视频，AI作曲、编程、设计的门槛几乎降至零。一个知识工作者的核心技能，似乎正在被一行行代码悄然解构。
但物理世界自有其冷峻的法则。
当全球制造业巨头争相将人形机器人送入工厂产线，一个根本性问题浮出水面：
机器可以”看懂”一张装配图的每一个零件，却未必能预测自己伸手抓取时，那个零件会不会滑落——而滑落之后，周围工具的位置会发生什么连锁变化。
这正是数字智能与物理智能之间那道尚未被跨越的鸿沟：在行动之前”想象”行动的后果，在触碰物体之前预判物理世界的反应。
这就是”世界模型”（World Model）试图回答的核心命题——让机器不仅能够感知当下，更能够预测未来，并将这种预测直接转化为精确的身体行动。
概念从不自动兑现为突破。一个领域走向成熟的标志，往往起于有人站出来说：我们来量一量。
近日，全球首个具身世界模型统一评测赛事WorldArena Challenge在CVPR 2026 Video World Model Workshop上公布了最终结果，根据官网信息颁奖典礼将于今日举行。
这项赛事由清华大学牵头，联合普林斯顿大学、新加坡国立大学、北京大学、香港大学等全球顶尖科研机构共同打造，自今年3月开启以来，吸引了来自23个国家的140余支团队报名，最终86个模型参与正式评测。
赛事设置了视频感知质量与具身任务功能性两大评测维度，核心追问只有一个：
一个世界模型不仅要在屏幕上”看起来像真”，更要在机器人手中”真的能干活”——它生成的虚拟场景能不能直接用来训练机器人策略？它预测的未来能不能指导机械臂完成装配、分拣、搬运这些实打实的任务？
成都团队在其中表现亮眼：根植企业考拉悠然联合同济大学空间智能团队、上海码极客打造的“无界”世界模型，在 Track 1 视频感知质量赛道取得闭源总榜第二、开源模型第一；与成华区成都机器人创新中心有全面落地合作的跨维智能，则凭借DSCFuncWorld 在 Track 2 Data Engine 方向登顶。
两支团队、两个赛道、两种技术路线——一个是本土土壤里长出来的"空间预测"能力，一个是精准招引进的"任务支撑"能力——共同构成了成都人工智能"内培外引"策略的生动注脚：既厚植本土创新根基，又精准补链强链，让世界级技术成果与本地产业生态发生化学反应。
这不是一次孤立的榜单新闻。它更像一个信号：当成都提出建设全国先进制造业基地，具身世界模型正在成为连接软件能力、机器人能力和制造业场景的新支点。
未来先进制造业的竞争，不只是机器能不能造出来，而是机器能不能理解、预测并适应真实世界。
从论文到赛事：
一套方法论如何变成“全球统考”
2026年2月9日，arXiv上出现了一篇编号为2602.08971的论文，标题很长——《WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models》。
牵头单位是清华大学，合作名单横跨普林斯顿大学、新加坡国立大学（NUS）、香港大学、北京大学、中国科学院、中国科学技术大学等8所全球顶尖高校和研究机构。这篇论文的野心很明确：为具身世界模型（Embodied World Model, EWM）建立第一个真正意义上的统一评测框架。
在此之前，评测世界模型的方法各自为政。VBench关注视频生成的视觉质量，WorldSimBench偏重场景一致性，还有一些工作单独评测策略评估或动作规划。但这些评测各自只摸到了大象的一部分，缺乏一个能把”视频像不像”和”视频有没有用”放在同一套天平上衡量的体系。WorldArena的核心突破，正是把这两个维度缝合到了一起。
论文提出了三维评测体系：第一维是视频感知质量，第二维是具身任务功能性，第三维是人工评估。
为了让这套评测能跑起来，团队需要一个标准化的”考场”。WorldArena选择了RoboTwin 2.0数据集——这是一个面向双臂机器人操作的可扩展仿真数据生成框架，包含50个操作任务，覆盖Franka、Piper、UR5、ARX5、Aloha-AgileX五种主流双臂机器人平台，总计超过100,000条双臂操作轨迹。每个任务配置50个episode，40个用于训练，10个用于测试。这组配置被简称为”Clean-50”，成为了首届WorldArena Challenge的统一测试集。
论文挂出后不久，事情开始加速。2026年2月13日，Leaderboard和代码首次发布；3月6日开放提交；3月26日，WorldArena Challenge@CVPR 2026正式开启，依托CVPR 2026 Video World Model Workshop举办。高德地图视觉技术中心（AMAP CVLab）、流形空间（Manifold AI）和清华大学联合牵头赛事运营，普林斯顿大学、新加坡国立大学等联合主办。赛事总奖金池超过14,000美元，吸引来自23个国家的140余支团队报名，最终Track 1闭源总榜有86个模型参与排名，开源榜有13个模型。
从论文到赛事，本质上是把”考试大纲”变成了一场”全球统考”。竞赛化、平台化的运作让全球团队在统一数据、统一规则、统一指标下同台比拼，避免了以往各团队在不同仿真环境、不同任务集上”各自刷榜”的碎片化局面。这种从学术基准到国际赛事的跃迁，在具身世界模型领域尚属首次。
Track 1
与Track 2：两个层面的能力考察
如果把世界模型比作机器人的”想象力”，那么Track 1和Track 2分别考察的是这种想象力的两个根本问题：Track 1考的是机器人脑海里的”小电影”像不像真实世界；Track 2考的是这部”小电影”能不能真的帮机器人学会干活。
Track 1：“像不像”——六维感知质量评测
Track 1的评测架构堪称”显微镜式”的精细拆解。16项指标横跨6大子维度：
所有16项指标经线性归一化到[0,100]区间后取算术平均，得到EWMScore。论文验证发现，EWMScore与人类判断高度相关（Pearson r=0.825），说明它是一个可靠的自动化代理指标。
首届赛事中，智元团队的Genie Envisioner-Sim 2.0以68.26分夺得Track 1全球第一，考拉悠然的闭源版本BWM-Fast和李飞飞团队SparkWorld分列二三名。值得注意的是，考拉悠然的开源版本BLM在13个开源模型中排名第一。
Track 2：“有没有用”——三项功能性任务评测
Track 2的评测逻辑与Track 1截然不同。它不直接评价视频的视觉表现，而是追问一个更务实的问题：这个世界模型能为机器人做什么？
三项功能性任务层层递进：
Data Engine（数据引擎）是最核心的任务。世界模型根据初始场景观测和文本指令，自主模拟完整的机器人交互流程，生成高质量的训练数据。这些数据被用来训练下游策略模型，最终以机器人在真实任务中的成功率作为评判数据质量的金标准。换言之，Data Engine考的是”你能造出多少有用的假数据”。首届赛事中，跨维智能的自研模型DSCFuncWorld在这一赛道拿下全球第一，刷新了赛道最优纪录。
Policy Evaluator（策略评估器）考核世界模型作为”虚拟考官”的能力。在真实环境中评估一个机器人策略需要反复物理试错，成本高、风险大。如果世界模型能准确预测不同策略的执行结果，就可以大幅降低策略评估的成本。
Action Planner（动作规划器）则是最具挑战性的一项——要求世界模型直接预测闭环动作序列，跳过中间的数据生成环节，让模型”自己当导演兼演员”。这项任务的世界模型成功率普遍较低，是行业尚未攻克的难题。
Perception-Functionality Gap：
行业核心难题的量化揭示
WorldArena最重要的科学发现，是一个被论文命名为“perception-functionality gap”的现象：视频感知质量好，不等于功能上有用。
论文对14个代表性模型的评测显示，EWMScore与数据合成任务成功率的相关系数为0.60（中等相关），而与动作规划成功率的相关系数仅为0.36（弱相关）。这意味着一个在Track 1上拿高分的模型，在Track 2的动作规划任务上完全可能表现平庸。用更直观的比喻：一个导演拍的”小电影”画面再精美、特效再逼真，如果演员的动作跟剧本对不上、道具拿不起来、碰撞效果穿帮，那这部电影对训练机器人来说就是废品。
这个发现对行业具有深层警示意义。当前许多世界模型的研发仍把”视频质量”当作首要优化目标，刷VBench分数、追Aesthetic Quality的做法大行其道。但WorldArena的数据表明，这条路径存在一个隐性的天花板——视频质量的边际提升并不自动转化为机器人能力的边际提升。要真正服务于具身智能，世界模型必须在物理遵循度、动作可控性和功能可用性上实现突破，而不仅仅是让画面更好看。
下图系统对比了Track 1与Track 2的评测维度：
Track 1和Track 2之间那条仅0.36的相关系数线，揭示了一个行业性的认知偏差：不能用”好不好看”来衡量”能不能干活”。这个认知偏差的修正，可能是WorldArena对具身世界模型研究领域最大的贡献之一。
科学性与局限性：
客观评价一个新评测体系
任何评测体系的价值都需要经受双重检验——它是否足够科学，以及它是否足够诚实。对WorldArena的评估也应如此。
科学性：统一框架填补空白
从学术贡献的角度看，WorldArena的问世填补了具身智能领域的一个关键空白。在此之前，学界缺少一个能够同时评估感知质量和功能效用的统一框架。VBench和VBench-2.0只关心视频好不好看；EWMBench关注场景一致性和运动正确性，但仍然偏向感知侧；WorldSimBench通过逆动力学引入了功能性评测，但覆盖范围有限。WorldArena首次把”感知”和”功能”两个维度整合到同一套体系下，让研究者可以用同一组基准来回答”视频像不像”和”模型有没有用”两个问题。
引入功能性评测是一个关键的设计决策。当世界模型从”研究玩具”走向”工程工具”时，视频质量的提升不再是终极目标——能不能生成有用的训练数据、能不能准确评估策略优劣、能不能直接指挥机器人行动，才是产业界真正关心的指标。WorldArena通过Data Engine、Policy Evaluator和Action Planner三项任务，把这些问题变成了可量化的评测标准，推动世界模型的研发从”视觉逼真”范式向”功能可用”范式转型。
此外，依托CVPR Workshop举办的赛事形式赋予了这套评测体系国际学术认可度。CVPR（Conference on Computer Vision and Pattern Recognition）是计算机视觉领域的顶级会议，2026年在美国丹佛举办主会场活动。WorldArena Challenge作为首届Video World Model Workshop的核心赛事，其评审结果经过33名评审员审核，具有同行评议的学术严肃性。
局限性：新兴评测，远非产业标准
然而，对WorldArena的科学性给予肯定，不等于把它神化为”终极标准”。客观地说，这套评测体系仍处于早期发展阶段，距离成熟的产业标准还有相当距离。
第一个局限在于评测场景的覆盖度。首届赛事基于RoboTwin 2.0的50个双臂操作任务进行评估，虽然涵盖了五种主流机器人平台，但任务类型集中在桌面级操作（抓取、放置、堆叠等），距离真实工厂中复杂的装配、焊接、质检等场景仍有差距。2026年5月发布的WorldArena 2.0（arXiv:2605.17912）虽然扩展到了LIBERO和真实世界的AgileX分体式ALOHA平台，但”仿真到现实的鸿沟（Sim-to-Real Gap）“依然显著——论文自身的数据显示，在真实世界任务中，大多数模型的成功率接近零。
第二个局限在于指标体系的异质性。16项感知指标来自不同的论文和方法，本质上是一个常见的benchmark suite（基准测试组合），而非从零设计的一体化指标体系。这种做法在学术评测中十分普遍，但也意味着不同指标之间可能存在冗余、权重分配缺乏理论依据等问题。
第三个局限更为根本：榜单成绩不能直接等同于真实工厂、真实机器人和真实商业化能力。仿真环境中的高分表现，在迁移到真实物理世界时往往会遭遇性能衰减。Action Following指标的数据尤其令人警醒——所有模型在这一项上的得分都很低（最高仅0.0992），表明”让生成的视频精确跟随指定的机器人动作”仍然是行业共性难题。如果世界模型连仿真环境中的动作跟随都做不好，它在真实产线上的应用前景就需要打上一个问号。
与VBench的本质区别：
从”好不好看”到”能不能真干活”
理解WorldArena的价值，需要把它放在评测体系演进的大背景下审视。VBench等传统视频生成评测关注的是”视频作为视频”的质量——画面清晰吗？运动自然吗？主体一致吗？这些指标的回答者是人类观众。
WorldArena的回答者则完全不同。它的功能性评测指标不问你”喜不喜欢这段视频”，而是问”这段视频能不能让机器人学会干活”。回答者是机器人本身——它用任务成功或失败来投票。
这种评测范式的转变，折射出世界模型领域正在发生的一场深层变革。2025年NVIDIA发布Cosmos平台时，一个核心卖点就是”世界基础模型”（World Foundation Model）的概念——世界模型不再是生成视频的娱乐工具，而是驱动机器智能的基础设施。WorldArena的功能性评测体系，正是这种理念在评测方法论上的投射。
从”好不好看”到”能不能真干活”，这不仅是评测指标的调整，更是整个领域价值取向的重定向。
当世界模型被定位为机器人的”数据工厂”和”虚拟教练”时，它的评判标准就必须从人类的审美偏好切换到机器人的实际效用。
WorldArena迈出了这一步，但这条路才刚刚开始。
WorldArena的榜单上，一个值得注意的现象是：两支与成都深度绑定的团队，分别在两个赛道登顶。
考拉悠然的开源模型BLM拿下Track 1开源榜全球第一，闭源版本BWM-Fast位列总榜第二；跨维智能的DSCFuncWorld则在Track 2 Data Engine方向摘得全球第一。
两支团队、两条赛道、两种技术路线，恰好勾勒出世界模型进入制造业的两大能力维度——空间预测与任务支撑。这不是巧合，而是一种产业分工的雏形。
考拉悠然：
“无界”模型与世界模型的空间预测能力
以小博大的榜单成绩
2026年5月29日，WorldArena Track 1最终榜单揭晓。在86个参赛模型的闭源总榜中，考拉悠然的BWM-Fast以67.87分位列全球第二，距榜首智元团队的Genie Envisioner-Sim 2.0（68.26分）仅差0.39分。在开源赛道，其BLM版本以64.54分在13个开源模型中排名第一，跑赢了Google、NVIDIA等算力巨头的参赛作品。
这组成绩的意义不止于排名。0.39分的差距说明，在世界模型的空间预测能力上，中国西部团队已经站到了全球最前沿。 更值得关注的是参数效率——BLM基于50亿参数的DiT（Diffusion Transformer）架构，并非靠堆砌算力取胜，而是靠架构新实现了”以小博大”。在Google、NVIDIA等公司拥有数倍乃至数十倍算力资源的背景下，这种”巧劲”路线更具产业可复制性。
Track 1的评测维度本身也说明问题的复杂性：视觉质量、运动质量、内容一致性、物理遵循性、三维空间准确性、可控性——6大维度、16项细分指标。BWM-Fast的67.87分意味着它在”生成高质量未来画面”这件事上，已经在几乎所有维度与全球顶尖模型正面交锋。
从“视觉生成”到“空间预测”的技术跃迁
考拉悠然的技术路径揭示了一个关键转变：世界模型正在从”视觉生成”走向”空间预测”。
传统视频模型（如Sora、Veo）的核心诉求是”生成好看的画面”。但世界模型回答的是另一个问题：“如果执行这个动作，环境会怎样变化？” 这要求模型不仅要有视觉想象力，还要有物理理解力和空间推理能力。
为实现这一跃迁，“无界”模型在阿里巴巴开源的Wan2.2-TI2V-5B基础上引入三大创新：首帧引导机制（First-Frame Guidance），确保生成视频与输入首帧的高度一致性；动态记忆机制（Dynamic Memory Mechanism），维持长时序视频中的物体一致性，避免物体”凭空消失”；双通路动作控制调制策略（Dual-Pathway Action Control Modulation），精准建模机器人动作与环境的交互关系。
三项创新的组合逻辑清晰：首帧引导解决”从哪里开始”，动态记忆解决”过程中不丢信息”，双通路控制解决”动作与环境的精准映射”。这50亿参数的真正价值，不在于它能生成多漂亮的视频，而在于它赋予了AI一种”物理常识”——理解杯子掉落会碎、水流向低处、物体被遮挡不会凭空消失。这种常识，恰恰是AI从数字世界进入物理世界的前提。
三角协作的产学研网络
考拉悠然的技术突破并非孤军奋战。创始人申恒涛是欧洲科学院外籍院士、ACM Fellow、IEEE Fellow，现任同济大学计算机科学与技术学院院长；CEO沈复民是教育部青年长江学者、电子科技大学教授，发表200余篇国际顶尖论文，被引超12,000次。核心研发负责人朱磊是同济大学研究员、国家级青年人才，谷歌学术引用1.1万+，H因子55。
更具结构性意义的是三方协作模式：同济大学空间智能团队（申恒涛院士牵头、朱磊团队执行）负责核心算法研究；上海码极客承担底层模型自研与前沿创新；考拉悠然（成都）负责模型工程化与行业落地。申恒涛同时担任三方机构的创始人和董事长，形成”学术（同济）—研发（码极客）—产业（考拉悠然）“的完整链条。
开源+闭源双轨策略
在世界模型领域，考拉悠然是较早采取开源与闭源并进策略的中国团队。开源版本BLM已上架GitHub和Hugging Face，模型权重与推理代码全面开放，训练代码逐步释出中，社区已积累超1,600个Star。双轨策略的考量务实：开源降低全球研究者的研发门槛，推动技术验证与生态共建；闭源确保商业落地时有差异化优势。在世界模型这个尚处”落地前夜”的领域，开源的本质不是慈善，而是标准争夺。
成都关联：从软件底座到物理世界
考拉悠然总部位于成都高新区，2023年获评”成都市人工智能产业链链主企业”，2025年入选首批”四川省人工智能产业链链主企业”（大模型赛道唯一入选），2023年实现营收1.2亿元，服务500+行业客户。
这些数字背后的产业逻辑值得玩味。成都高新区长期积淀的软件产业能力——工业软件、数字孪生、智能制造信息化——在空间智能时代有了新出口。考拉悠然的OSMAGIC码极客多模态AI操作系统集成数据管理、算法建模、应用开发等全流程工具链，本质上是在为物理世界构建”数字孪生”预测能力。
这意味着成都过去的软件能力正在从服务信息世界，转向理解物理世界。
跨维智能：
Track 2数据引擎的产业落地能力
全球第一背后的“硬核标尺”
如果说Track 1比的是”预测得准不准”，Track 2比的就是”预测完能不能真干活”。
WorldArena的Track 2（Data Engine方向）是赛事中实战门槛最高的赛道。参赛模型需根据初始场景观测和文本指令，自主模拟完整机器人交互流程，生成可用于训练机器人的数据，最终以机器人在真实任务中的成功率作为评判标准。这不再是”画面好不好看”的问题，而是”生成的数据能不能训练出会干活的机器人”。
跨维智能的DSCFuncWorld在这一赛道拿下全球第一，显著领先深度机智WoW、BLM及谷歌、英伟达等国际巨头的参赛模型。这一成绩的含金量在于：它不是比谁的模型更”像人”，而是比谁的模型更能”赋能机器”。
技术底座：DexWorldModel与EVA框架
跨维智能的技术底座由三个核心组件构成。底层是DexWorldModel，采用因果隐空间建模技术，在RoboTwin基准测试中平均任务成功率达94%。
中间层是EVA动作对齐框架，通过逆动力学奖励机制解决”视觉逼真但无法落地”的可执行性缺口——世界模型生成的推演视频再漂亮，如果机器人学不了、执行不了，就只是数字娱乐。
上层是EmbodiChain数据基础设施，2025年底开源，实现了100%合成数据训练VLA（Vision-Language-Action）模型，将训练流程构建周期从数月缩短至数天。
三者叠加，形成”预测—对齐—生产”的完整技术栈。
Sim2Real：把“想象”变成“数据资产”
跨维智能的核心路线是Engine-driven Sim2Real VLA，底层是自研的DexVerse™具身智能引擎（2024年6月发布）。DexVerse™实现了从三维数字资产生成、数据合成与标注、物理仿真到模型训练、部署的全链条自动化，直接输出AI模型SDK。
其数据生产能力极为突出：单个GPU线程每秒可生成6,000条合成数据，传统手动标注仅为100~300条/天。一个GPU一天的数据产出，相当于数十名标注员一个月的工作量。更关键的是质量：跨维已实现多个场景下以100%合成数据达成毫米级精度与99.9%以上的任务成功率。在汽车制造领域，其方案将人工占比超90%的SPS分拣环节自动化率提升至60%以上，换线调试从数周缩短至小时级。
这些数据不是”看起来真实”，而是”用起来有效”——是真正可训练、可迁移、可执行的数据资产。
闭环能力：从“能生成”到“能闭环”
跨维智能的真正壁垒在于形成了“真实采集—仿真增广—模型训练—真实验证”的完整闭环。传统机器人研发依赖真实数据采集，成本高、周期长。
跨维的闭环模式将研发周期缩短90%：用少量真实种子数据启动，在仿真环境中大规模增广，训练模型后回到真实场景验证迭代。
目前已在50+行业、1,000+项目中落地，客户涵盖三星、富士康、广汽、美的、中国中车等。
成都关联：补齐“大脑”环节的招引逻辑
2025年7月，成都科创投集团领投跨维智能A1&A2轮数亿元融资，并成功招引其在成都设立区域性总部。
成都科创投的投资逻辑清晰：“成都已在具身智能产业链完成系统性布局，涵盖上游核心零部件、中游整机研发以及下游场景化应用，跨维智能的’大脑能力’可以对成都现有的产业布局进行有效补充”。
2025年10月，西部首个具身智能机器人全场景赋能中心在成华经开区启动运营，跨维智能作为核心签约企业参与，其DexForce W1 Pro机器人在现场展示了工业零件分拣和商业咖啡制作。更具标志性的是文旅场景规划——具身机器人将逐步进驻东郊记忆、熊猫基地等成都地标。
从投资招引到场景开放，成都对跨维智能的承接逻辑清晰：你带来”大脑”，我给你”身体”和”场景”。
两类团队共同说明什么
能力维度的对照分析
考拉悠然与跨维智能的对照，本质上是世界模型两种能力路线的对照。
这张表格揭示了两种能力在世界模型产业链中的分工。
考拉悠然解决的是”看得清、想得准”的问题——机器人在执行任务前，需要一个能理解物理规律、预测未来状态的空间认知引擎。跨维智能解决的是”学得快、干得了”的问题——有了好的预测，还需要高效的数据生成和训练闭环，把虚拟推演转化为真实的机器人能力。
两者不是替代关系，而是上下游的互补关系。
值得注意的是，WorldArena论文本身揭示了一个关键发现：感知质量与功能性之间存在着显著的”感知-功能鸿沟”（perception-functionality gap）——EWMScore与动作规划成功率仅呈弱相关（r=0.36）。这意味着”画面好”不等于”能干活”。
两个成都团队同时在两个赛道登顶，暗示这里正在形成一种独特的产业组合优势。
世界模型正在成为AI进入制造业的“中间层”
将两个团队放在更大的产业图景中观察，一个结构性趋势浮现出来：世界模型正在成为人工智能进入制造业的“中间层”。
过去，制造业的数字化依靠MES（制造执行系统）、ERP（企业资源计划）、工业互联网平台——这些系统擅长管理流程和调度资源，但不理解生产现场的物理过程。一个工业机器人能执行预设程序，却无法应对环境变化；一条产线能采集海量传感器数据，却无法从中学习工艺规律。
世界模型的出现改变了这一格局。考拉悠然的空间预测能力让AI可以”预判”工艺变化——在虚拟环境中推演不同操作方案的结果，选择最优策略再执行。跨维智能的任务支撑能力让机器人可以”自学”新技能——通过合成数据快速训练、验证、部署，无需漫长的现场调试。两者的结合，相当于为制造业提供了一个”数字试验场”：先预测、再训练、后执行，所有风险在虚拟世界中消化，所有能力在真实世界中释放。
全球制造业年产值超过40万亿美元，即便是1%的效率提升，也意味着数千亿美元的经济增量。世界模型作为连接”数字智能”与”物理生产”的中间层，其边际成本递减、网络效应递增的特性，决定了它很可能成为制造业下一个十年的核心基础设施。
成都的“模型—数据—机器人—场景”闭环
两支成都团队的突围，最终指向一个区域产业闭环的形成。
高新区软件园提供”软件底座”——考拉悠然代表的软件能力和模型能力在这里沉淀。从电子科大、同济等高校孵化出的空间智能技术，经由考拉悠然的工程化和产品化，正在与成都及周边的高端屏显、泛半导体、烟草等优势产业对接。
成华区机器人中心提供”场景底座”——跨维智能代表的机器人”大脑”和仿真训练能力在这里落地。从成都科创投的招引投资，到成华经开区赋能中心的运营，再到东郊记忆、熊猫基地的文旅场景开放，成都正在为具身智能提供从资金到场地的全链条支撑。
两个”底座”的连接，构成了一条完整的具身智能产业链路：模型（考拉悠然的空间预测）→ 数据（跨维智能的合成数据引擎）→ 机器人（卡诺普等本体的硬件能力）→ 场景（制造业产线和文旅空间的开放应用）。
在此基础上，天府新区科创生态岛进一步强化“创新策源”功能，围绕成都人形机器人创新中心等平台，推动具身智能关键技术攻关、成果转化和创新资源集聚；锦江区白鹭湾则进一步拓展“行业应用”空间，依托工程机器人创新中心等项目，推动具身智能向工程建造、巡检运维等垂直场景延伸；郫都区则承担“制造承接”角色，依托智元西南具身智能产业基地等项目，推动人形机器人整机制造和产业化落地。由此，成都具身智能产业正加快形成从模型、数据、机器人本体到场景应用的多点协同格局。
成都市具身智能产业子链主要承载地首批人工智能OPC社区清单与政策指引
成都过去的软件能力更多服务信息世界，未来的软件能力要进入物理世界。具身世界模型就是软件进入制造业现场的关键桥梁。
这不是一句口号，而是两支成都团队在同一国际赛事上的同时登顶所验证的产业逻辑。
当世界模型从”好看的技术Demo”变成”好用的生产工具”，当空间预测与任务支撑两种能力在同一个城市交汇，成都正在书写的，是中国AI从数字世界走向物理世界的一个缩影。
成都为什么此时重仓制造业
6月3日，成都新易盛通信技术股份有限公司盘中市值首次突破8000亿元，成为成都首家站上这一台阶的上市公司。
从4000亿到5000亿用了近半年，从7000亿到8000亿仅一周——这家光模块企业，正加速回应一个事实：全球AI算力竞赛的浪潮里，成都制造的"光电转换核心"已成为不可或缺的基础设施。
光模块之于AI算力，一如世界模型之于具身智能——都是那个"不起眼但卡脖子"的底层环节。新易盛的故事不是孤例，它折射的是一座城市在AI时代对制造业底层能力的重新校准：当算力、算法、模型加速汇聚，制造业不再是城市的"底色"，而正在成为决定产业天花板的那块"底板"。
2026年6月1日，成都市召开加快建设全国先进制造业基地大会，同步印发市委、市政府《关于加快建设全国先进制造业基地的意见》。
这不是一次普通的产业政策发布，而是一份带有明确时间刻表的行动宣言：到2030年，全市规上工业营收突破2万亿元，培育1个万亿级园区、8个千亿级园区，工业和生产性服务业占比超过60%。四川省层面同步给予顶格支持，印发《关于支持成都做优做强极核功能 加快高质量发展的意见》，明确赋予成都”三中心一基地”定位——西部经济中心、西部科技创新中心、西部对外交往中心、全国先进制造业基地。
从”休闲之都”到”制造强市”，成都的这一转身有着清晰的问题意识。
长期以来，“烟火成都”的城市标签深入人心，第三产业占GDP比重高达71.5%（2025年上半年数据），消费和服务业塑造了城市的活跃度与吸引力。但成都决策层清醒地认识到：消费和服务业决定一座城市的活跃度，制造业决定一座城市的产业天花板和抗风险能力。2024年成都GDP达到23,511.3亿元，稳居全国第7、副省级城市第3，要在万亿级城市的竞争中继续攀升，必须在”烟火气”之外补上”硬实力”。
成都的制造业底盘，远比外界想象的厚实。全市已构建起涵盖38个大类、184个小类的综合性工业体系，是全国工业体系最完整的城市之一。在产业高度上，电子信息、装备制造两大产业集群已突破万亿级，集成电路、高端软件、轨道交通、航空航天、生物医药等10个产业集群迈入千亿级行列。成渝地区电子信息先进制造集群规模超过1.7万亿元，占全国比重10.6%。先进制造业城市发展指数居全国第9。这些数字说明，成都并非从零开始——它是在一个已经相当厚实的制造业底盘上，谋求一次质的跃升。
更值得关注的是成都对前沿赛道的卡位速度。
人工智能产业2024年实现”双千突破”——核心产业规模突破1,000亿元，相关企业突破1,000家；2025年上半年核心产业规模已超过750亿元，全年目标直指1,300亿元。具身智能与机器人产业集聚企业超过1,200家，核心产业规模超过1,500亿元，增速超过39%。人工智能已被列为全市17条重点产业链的”首位”。2025年6月出台的《低空经济14条》配套30亿元产业基金矩阵和9,600万元政策补贴，智能网联汽车开放测试道路超过680公里。从人工智能到低空经济，从具身智能到智能网联，成都正在用”集群作战”的方式，为未来制造业的智能基础设施抢占有利地形。
具身世界模型如何服务先进制造业
成都重仓制造业的时间点，恰好与全球制造业的一场深层变革同频共振——从”自动化”走向”柔性智能化”。
传统自动化技术的本质，是用固定程序控制确定性强、流程固定的生产线。一条汽车焊接流水线一旦调试完成，可以在数年时间里以毫秒级精度重复同样的动作，这正是工业机器人的经典战场。
但未来的制造业场景远比这复杂：小批量、多品类、快换线、复杂工艺、动态环境——这些恰恰是传统自动化难以应对的痛点。IDC预测，到2026年约60%的中大型具身智能应用项目将采用两种及以上机器人形态协同。
制造业对智能体的需求，已经从”重复执行”升级到”理解环境、适应变化、自主决策”。
具身世界模型在这场升级中扮演什么角色？可以从四个功能维度来理解。
第一，机器人训练的”数据引擎”。
真实世界的机器人数据采集成本极高——人工遥操作或动作捕捉的效率仅为每天100至300条，且长尾场景和危险场景几乎无法覆盖。具身世界模型通过物理仿真生成合成数据，将数据获取成本降低80%以上，训练效率提升2至5倍。Physical Intelligence的π0模型通过RL token技术，仅需15分钟训练即可达到1毫米精度，而传统方式需要数百小时。对世界模型而言，“生成数据”本身就是最核心的工业价值。
第二，制造现场的”虚拟试验场”。
新工艺、新产线、新产品在正式投产前，可以在世界模型构建的高保真虚拟环境中进行全流程验证。智元机器人的RSR仿真引擎将真实环境重建成本降低80%，训练效率提升2倍。跨维智能的DexVerse™引擎已实现汽车总装产线SPS工位零件拣选场景的虚拟验证，将换线调试时间从数周缩短至小时级。新工艺”先模拟再投产”，意味着试错成本从物理世界转移到数字世界。
第三，机器人决策的”预测器”。
世界模型的核心能力不是生成好看的视频，而是帮机器人在执行动作之前回答一个关键问题：如果这样做，环境会怎样变化？任务能否成功？这种”执行前预测”机制，让机器人可以在虚拟空间中推演多种可能的行动路径，选择最优策略后再付诸执行，从而大幅降低物理世界中的失误率和损耗率。在装配场景中，基于世界模型的推演已实现±0.02毫米精度和40%的效率提升。
第四，连接数字孪生与真实执行的”桥梁”。
数字孪生技术可以对工厂进行高精度镜像复刻，实现预测性维护——提前2至8周预警设备故障，将非计划停机减少40%。但传统数字孪生更像一面”镜子”：它照出现实，却无法推演未来。具身世界模型不仅复刻现实，还能推演未来——它是制造业的”预演场”，让数字孪生从”看见现在”进化到”预测未来”，最终实现从虚拟推演到物理执行的闭环。
如果说数字孪生是制造业的”镜子”，那么具身世界模型就是制造业的”预演场”——它不仅复刻现实，还能推演未来。 这个区分，决定了下一代制造业智能基础设施的技术走向。
成都的特色路径：
从软件名城、游戏之都走向“AI+制造”
理解了具身世界模型的技术逻辑，一个问题自然浮现：为什么偏偏是成都？
答案藏在这座城市独特的产业禀赋中——不是单一优势，而是四重基础的叠加与耦合。
第一重基础：软件名城的工程化能力。
2024年成都软件产业主营业务收入达到7,851.9亿元，规模以上软件企业超过1,600家，在中国软件名城评估中排名全国第6、中西部第1。软件产业从业人员约57万人，拥有软件著作权超过37.1万件。2011年成为全国首批”中国软件名城”以来，成都软件产业规模增长了近95倍。
这些数字背后是一种深层能力——模型工程化、平台化、工具链化的能力。世界模型不是实验室里的论文，而是需要海量工程优化才能落地的工业软件。成都高新区517家规上软件企业（2023年1-11月）实现营收1,479亿元，这种将前沿算法转化为可部署产品的工程化能力，恰恰是具身世界模型从研究走向产业的关键门槛。
第二重基础：游戏之都的技术邻近性。
成都素有”游戏之都”美誉，腾讯、网易、西山居等游戏巨头在此深耕多年，诞生了《王者荣耀》等现象级产品。
但游戏产业对具身世界模型的价值，远不止产值本身——游戏引擎、三维建模、实时渲染、虚拟场景构建，本质上都是世界模型和仿真训练的重要技术邻近能力。
NVIDIA的Omniverse平台与Cosmos世界基础模型形成的完整闭环已经证明：游戏引擎技术是构建高保真虚拟训练环境的核心基础设施
从”可玩的虚拟世界”到”可训练的机器世界”，技术栈高度重叠，只是应用场景从娱乐转向了工业。成都在游戏引擎和数字内容领域积累的人才和技术，正可以无缝迁移到具身世界模型的研发中。
第三重基础：制造业场景的”任务底盘”。
前面已经提到，成都拥有38个大类、184个小类的工业体系，电子信息、装备制造、汽车、航空航天等产业提供了丰富的真实任务和产业需求。
但需要强调的是”场景-技术”的匹配逻辑：世界模型的价值最终要通过物理世界的任务完成度来验证，而成都恰好提供了从精密电子装配到重型装备制造、从航空航天零部件到汽车总装线的全谱系工业场景。
没有真实场景做”考题”，虚拟训练世界再精美也只是空中楼阁。
第四重基础：机器人载体的”硬件底座”。
2025年10月，西部首个具身智能机器人全场景赋能中心在成华经开区启动运营。成华机器人产业园联合卡诺普（工业机器人本体）、跨维智能（Sim2Real大脑）、创新奇智、天链机器人等企业，构建起”软件—仿真—本体—场景”的完整组合。
成都科创投集团成功招引跨维智能在成都设立区域性总部，这家在WorldArena Track 2（Data Engine）赛道登顶全球第一的企业，将为成都带来全球领先的仿真数据技术路线和50多个行业、1,000多个项目的落地经验。
与此同时，考拉悠然作为成都市人工智能产业链链主企业，在WorldArena Track 1中斩获开源全球第一、总榜全球第二，代表了”空间预测能力”的顶尖水平。
跨维智能（任务支撑能力）与考拉悠然（空间预测能力）在同一座城市形成双峰格局，这不是偶然——它说明成都已经具备了同时支撑两种世界模型技术路线的生态条件。
四重基础叠加在一起，勾勒出一条独特的”成都路径”：以软件和数字内容能力构建虚拟训练世界，以制造业和机器人场景验证真实执行效果，以具身世界模型作为连接二者的关键中间层。
这条路径的差异化优势在于：深圳强于硬件制造和供应链，北京强于顶尖科研和资本密度，上海强于国际化平台和产业集成，而成都的独特生态位在于——它同时具备”造虚拟世界”（软件+游戏）和”用真实场景”（制造业+机器人）的双重能力，且两者都在加速融合。
新支点，新高度
在AI重塑制造业的时代，一个根本性问题值得深思：谁来定义下一代制造业的智能基础设施？
这不是一个抽象的技术命题，而是一个决定城市产业位势的战略命题。过去二十年，消费互联网的基础设施由少数几座城市定义；未来二十年，AI+制造业的基础设施可能产生同样深远的格局效应。
具身世界模型正在把四个关键要素带入制造业的新范式：把软件带入物理世界——算法不再只在云端运行，而是嵌入每一个制造现场；把游戏引擎带入工业仿真——曾经驱动虚拟世界的渲染技术，现在驱动机器人的训练环境；把机器人带入真实场景——从实验室的演示走向工厂、仓库、商超、药店的日常作业；把先进制造从”机器替人”推进到”机器理解世界、预测世界、适应世界”——这不是渐进改良，而是制造智能的代际跃迁。
成都的机会，恰恰藏在这次范式转换中。先进制造业的下一场竞争，不只是机器能不能造出来，而是机器能不能理解、预测并适应真实世界。世界模型就是这场竞争的核心技术变量——它决定了机器人不是只会”照指令办事”，而是能够”预判后果再行动”。
从WorldArena的评测结果看，成都已经在这条赛道上占据了一席之地：考拉悠然代表”空间预测”的顶尖水准，跨维智能代表”任务支撑”的全球领先，两者分别对应世界模型赋能制造业的两大能力维度。高新区软件园提供”软件底座”，成华区机器人中心提供”场景底座”，成都科创投等国有资本以领投方式招引关键企业落子成都。“模型—数据—机器人—场景”的具身智能产业闭环，正在这座城市加速成型。
从评测范式到企业实践，从技术逻辑到城市战略，一个主线贯穿始终：成都过去的软件能力更多服务信息世界，未来的软件能力要进入物理世界。具身世界模型，就是软件进入制造业现场的关键桥梁。
让烟火气继续定义城市温度，让先进制造定义城市高度，让具身世界模型成为成都从软件名城、游戏之都迈向人工智能制造强市的新支点。
