作者丨齐铖湧
编辑丨林觉民 董子博
世界模型是今年具身智能行业最热门的技术概念之一。从高校实验室到科技巨头，再到初创企业，各方势力纷纷入局。然而，关于“世界模型究竟是什么、能做什么、离落地还有多远”，业界尚无定论。在无锡，我们与求之科技世界模型负责人韩磊进行了一场深度对话。
韩磊拥有横跨学术与工业界的背景：曾参与大疆 Phantom 4 研发，赴港科大攻读博士，后在华为海思前沿实验室从事世界模型预研，现负责求之科技世界模型的全链路工作。求之科技由清华大学智能产业研究院副教授周谷越发起，近期已完成天使 + 轮融资。
对话中，韩磊坦率剖析了世界模型的技术分层、数据策略、算力瓶颈及行业乱象，并阐述了求之科技“不讲大故事，做最小闭环”的务实路线。
01 现状：定义之争与架构逻辑
世界模型的核心价值
AI 科技评论：今年具身智能公司都在讲“世界模型”，但定义差异极大。您关注这些定义之争吗？
韩磊：这更多是话术层面的区分。从业者不应陷入定义泥潭，核心问题只有一个：模型是否具备泛化能力。
AI 科技评论：如何理解这种泛化能力？
韩磊：工业场景标准化，传统控制算法或 VLA 即可胜任；但家庭场景是非标的（如桌椅摆放、光线变化）。以叠衣服为例，叠见过的衣服是工程问题，叠从未见过的新款式则是世界模型需跨越的鸿沟。实现真正泛化，需要底层架构突破及真实物理世界数据的支撑。
S0-S3 分层技术架构
AI 科技评论：求之内部的技术架构是怎样的？
韩磊：我们采用 S0 至 S3 的四层架构，旨在最快通向物理 AGI：
- S0（末梢）：电机、定位等底层硬件模块；
- S1（小脑）：负责具体动作输出，如抓取；
- S2（快脑）：即世界模型层，负责预测未来状态变化；
- S3（慢脑）：相当于大脑，负责任务拆解与调度（Agent）。
我负责的 S2 层世界模型，优势在于：兼顾多模态具身表征（触觉/视觉/本体状态），引入隐空间像素轨迹预测以提升可解释性与计算效率；原生适配 3D 视觉，通过双目观测显式输入 3D 信息；并与仿真器形成“模型越准→仿真越真→数据越丰富”的正向循环，持续减少 Corner Case。
AI 科技评论：分层架构会被误解为只能做短任务吗？
韩磊：事实相反。复杂任务是原子操作的组合。分层架构能聚合相似简单任务，最大化数据利用效率。即使在数据稀缺阶段，也能通过原子操作复用启动数据飞轮，加速物理 AGI 演进。
AI 科技评论：李飞飞提出“渲染器、模拟器、规划器”三合一，您认为会统一吗？
韩磊：长期看肯定会融合，但在现阶段，每个模块单独落地并产生商业价值更为务实。前提是各子模块能力足够强，正如 Agent 框架建立在强大基础模型之上。
具身公司的两种路线分野
AI 科技评论：行业存在两种风格：一种是极复杂的长流程 Demo，另一种是做短程高交互基础操作。您怎么看前者？
韩磊：长流程 Demo 如今已难令业内人士信服，常被质疑是过拟合的纯演示。我们更关注可泛化的机器人操作。无论长程还是短程，只要家庭场景有确切需求，我们都会做。但若小事不够鲁棒精细，长 Demo 意义有限。
AI 科技评论：从小任务做起会影响融资吗？资本喜欢大故事。
韩磊：关键在于方法的可扩展性。若为做小事而用规则驱动取巧，那是错的。我们要解决家庭场景下的复杂泛化问题，以实际解决问题为导向，而非以 Demo 为导向。
AI 科技评论：行业普遍采用分精度规则驱动（如米级识别、亚毫米级抓取），您怎么看？
韩磊：通用机器人的最大挑战是任务不确定性，必须靠数据驱动而非规则驱动。规则无法规模化，而世界模型通过预测未来表达动作逻辑，这条路才具备可扩展性。
02 我们的判断：仿真、数据与算力
仿真路线：DISCOVERSE vs Cosmos
AI 科技评论：贵司自研仿真器 DISCOVERSE 与英伟达 Cosmos 有何不同？
韩磊：DISCOVERSE 2.0 融合场景表征与物理引擎，核心目标有二：一是保证物理精确性，复用 MuJoCo 等成熟引擎保障刚体接触力与触觉仿真精度；二是兼顾渲染真实感与效率，作为全球首个基于 3DGS 技术的具身智能端到端仿真框架，可实现上万 FPS 并发渲染，完成端到端模型闭环验证。
AI 科技评论：各自优劣势是什么？
韩磊：Cosmos 优势在于通用性，但物理真实性存疑；UE5 路线则慢且贵。DISCOVERSE 的优势在于极高的渲染效率及真实的物理交互能力，能精确还原柔性物体动力学行为。虽在通用性上暂时不及端到端视频生成模型，但对机器人训练验证更具实用性。
数据策略：UMI 方案与临界点
AI 科技评论：无锡数采厂采用什么方案？UMI 精度争议如何解决？
韩磊：采用自研 UMI 方案。若学习目标是世界变化规律，无需全局绝对精度，UMI 完全够用。团队在 VIO 领域积累深厚，可进一步提升精度。
AI 科技评论：数据的“临界点”是什么？对突破时间乐观吗？
韩磊：确切数据量难定，我们正并行验证多套方案（Ego-centric、真机长/短程数据）。我对突破持乐观态度：四层架构设计合理，数据采集三线并进（众包 + 工厂 + 家庭部署），且通过仿真器与真机分层闭环验证提升迭代效率，有望加速物理 AGI 到来。
算力困局：快慢推理与端侧芯片
AI 科技评论：端侧芯片方案及切换计划？
韩磊：目前使用英伟达 Orin，后续计划切换至地平线征程 6，主要出于成本考量。
AI 科技评论：智驾芯片能否扛住机器人短程高交互场景？
韩磊：可采用“快慢系统”策略。首帧图像由慢系统完整计算（约 200ms），后续连续帧复用结果进行快推理（延迟压缩至 10-20ms）。S3 任务规划层可慢（1Hz），但高频响应环节必须在本地完成，云端网络延迟无法满足需求。
AI 科技评论：CoT（思维链）在机器人领域有用吗？
韩磊：CoT 思路实用，测试时优化（Test Time Optimization）亦是方向。若算力充足，可生成多个候选动作并挑选最优执行。算力是根本制约，一旦取得质变，世界模型能力将迎来飞跃。
03 争议点：跨本体与多模态
跨本体学习：噱头还是趋势
AI 科技评论：同一套模型在不同形态机器人（四足、轮式、人形）上效果差异大吗？
韩磊：差异确实很大，但“一脑多用”是必然路线。我们通过 S0 层模块处理本体差异，核心瓶颈在于算法如何实现泛化与对齐。
AI 科技评论：具体算法优化思路？
韩磊：基础思路是将动作表征为末端抓取点在空间的位移，而非直接控制关节角度。若末端执行器差异巨大，可迁移的主要是“世界物理规律”，而非“操作细节”。
AI 科技评论：四足数据向人形迁移可行吗？本体运动与操作的区别？
韩磊：工程经验可复用，但数据直接迁移有限。本体运动（Locomotion）主要依赖仿真，难度可控；操作（Manipulation）涉及与外部世界交互，需世界模型支撑，是真正的难点。
触觉与灵巧手的价值
AI 科技评论：加入触觉数据后模型效果变差，是世界模型的问题吗？
韩磊：这是 VLA 训练范式的问题。VLA 架构不擅长多模态融合。而原生多模态的世界模型架构（如混合 Transformer），可为不同模态配置专属编码，避免相互干扰。
AI 科技评论：灵巧手与夹爪的差距？
韩磊：从第一性原理看，学习世界物理知识（5B 参数量级）难度远高于适配灵巧手或夹爪（1 亿参数以内）。
04 价值唯一衡量标准
Benchmark 与行业“外挂”
AI 科技评论：行业有无公认 Benchmark？打球类演示水分大吗？
韩磊：目前暂无具备公信力的横向对比 Benchmark。关于球类演示，行业红线是不依赖 Vicon 光学动捕系统辅助。若借助动捕输出轨迹坐标，相当于作弊，失去了展示机器人自身感知预测能力的意义。真正的评判标尺，是产品在真实市场中的表现。
05 行业竞合与未来
AI 科技评论：大厂经历对您做具身智能的最大启发？
韩磊：最大的帮助是抓住事物本质：探索更适配机器人场景的表征方式。在大疆和华为的经历让我意识到，人工规则难以规模化，数据驱动的核心在于高效的世界表征。优质表征可降低对数据和算力的依赖，提升泛化能力。求之科技目前采用的运动轨迹表征，在推理效率与边缘端部署上均优于像素级方案。
在对话中，韩磊鲜少提及竞争对手，这份克制或许比技术争辩更有意义。在充斥 PPT 融资与 Demo 内卷的赛道，求之科技展现了一种不同的姿态：不讲最大的故事，专注做最小的闭环。
国内第一视角数据最早押注者，北大卢宗青：隐空间才是具身的路
对话 IDEA 张磊：「不以动作为输入条件，就不叫世界模型」
未经「AI 科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI 科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。