作者丨幸丽娟
编辑丨林觉民
2026 年上半年，中国 AI 资本与人才全面涌向“世界模型”。前六个月该赛道披露融资约 300 亿元，若计入“具身智能 + 世界模型”融合领域，总额超 900 亿，同比增速超 5 倍。
在百亿资金与海量人才涌入的背景下，行业面临核心拷问：究竟有多少人真正理解了世界模型的本质？针对这一困惑，我们深度访谈了 IDEA 研究院讲席科学家、视启未来创始人张磊。
作为 IEEE Fellow，张磊的 DINO 系列曾在 COCO 霸榜五个月，Grounding DINO 及 DINO-X 更力压谷歌和 Meta，被李飞飞团队、英伟达等全球顶尖机构标配引用。2025 年，他携团队从 IDEA 孵化创立视启未来，天使轮迅速到账近亿元，背后更有张钹院士与沈向洋院士两位巨擘支持。
在众说纷纭的 2026 年，张磊给出了清晰、可操作且不妥协的答案。从微软研究院到 IDEA，再到创业，他二十余年始终聚焦同一命题：“让 AI 理解物体”。世界模型，正是这一命题在物理世界的关键答案。
以下是对话实录（经 AI 科技评论不改变原意删改）。
张磊博士，IEEE Fellow，视启未来创始人兼 CEO，现任 IDEA 研究院计算机视觉与机器人研究中心（CVR）讲席科学家，香港科技大学（广州）兼职教授，前微软亚洲研究院及总部研究院首席研究员。在计算机视觉等领域发表论文 200 多篇，Google Scholar 引用超 77000 次，H-Index 为 107，拥有 60 多项美国授权专利。
01
具身智能最大瓶颈：非本体，乃大脑
▎AI 科技评论：具身智能爆发，机器人运动控制日益惊艳，但落地应用仍显不足。您认为走向现实还需攻克哪些挑战？
张磊：机器人核心需解决两件事：成功率与泛化能力。即任务完成的可靠性，以及在环境或本体变化下的适应能力。
具体挑战有四：
第一，单一场景泛化不足。当前部分团队在特定场景成功率可达 70%-80%，但在真实应用中意味着每五次操作必有一次失败，仍需大量人力兜底，无法独立部署。
第二，跨场景通用性欠缺。应先将单点能力推至极限，再横向拓展应用广度，跨越从“实验室演示”到“真实应用”的鸿沟。
第三，“大脑”深层能力缺失。现有深度学习多学习智能“行为”而非“机理”。具身大脑需具备真正的因果推断、常识理解及自适应能力，目前尚处起步阶段。
第四，未达“终端”级应用。多数机器人依赖巨大外部算力，唯有解决“无需人工兜底”问题，方能形成“应用 - 数据 - 迭代”的良性循环。
▎AI 科技评论：业内观点分裂，硬件派主张降本，算法派认为大脑是卡脖子关键。您如何看待？
张磊：大脑更难，也更重要。
中国硬件迭代令人自豪，宇树、智元等企业通过仿真强化学习大幅优化了成本与可靠性。但本体在马拉松等场景中展现的仅是基础动物本能，尚未达到与环境深度交互的水平。
▎AI 科技评论：“大脑”之难，难在数据还是对智能的理解？
张磊：难在机制未明。人类大脑与其他动物的最大区别在于智能程度。现有突破多是从表象模仿智能，AI 实际在学习人的行为，而非智能本身。正如张钹院士所言，大语言模型能像人一样说话，但其理解语言的方式与人截然不同。
02
世界模型：沉寂二十载，今朝为何突然爆发？
▎AI 科技评论：“世界模型”概念早在 90 年代提出，为何沉寂二十年后今日成为风口？
张磊：90 年代初学者曾尝试对环境建模以辅助强化学习，但受限于当时技术难以验证。2018-2019 年，"World Models"论文出现并在游戏场景得到验证。随着 AI 在游戏中战胜人类，研究者开始思考：能否让 AI 在与环境交互中自主“学出”世界模型，将环境演化过程内化？这一设想在 2018 至 2020 年间得到完整验证。
▎AI 科技评论：具身智能是否是点燃世界模型热潮的导火索？
张磊：关联始于语言模型。行业先做了 VLA（视觉 - 语言 - 动作模型），沿用模仿学习范式。但此法很快遭遇瓶颈：一是数据收集效率低，机器人需在真实环境执行并等待反馈；二是失败成本高昂，无法像语言模型在数字世界低成本试错。
世界模型提供的虚拟环境正是破局关键。若模型能预测“执行某动作后环境的变化”，机器人即可在虚拟世界中“脑补”试错，无需在现实中打碎万个碗。
03
定义重塑：无动作输入，不称世界模型
▎AI 科技评论：行业内对“世界模型”定义混乱，视频生成、3D 建模等均被冠以此名。您认为其核心条件是什么？
张磊：世界模型必须具备动作依赖性，即Action Conditioned。模型必须能回答“若执行某动作，环境将如何变化”。
智能体与环境的交互闭环依赖于动作：动作导致环境变化，新状态反馈给智能体。因此，严谨的定义应是：Action Conditioned 的 Next State Prediction。缺少动作前提的状态预测，不符合强化学习需求。
▎AI 科技评论：Sora 等视频生成模型常被称作世界模型，按您的标准是否成立？
张磊：源自强化学习的 world model 旨在帮助智能体有效交互。纯视频生成模型（如早期 Sora）本质是生成自洽视频序列，预测像素变化，未建模“动作”，故不能称为世界模型。它虽能学到部分世界规律，但难以直接助力机器人与环境交互。
▎AI 科技评论：近期热门的 World Action Model (WAM) 是否属于此类？
张磊：WAM 利用预测未来画面辅助改进动作预测，性能优异。但其建模逻辑是“先果后因”，先生成画面再反推动作，无法用于强化学习，因此也不符合此处讨论的世界模型定义。
04
像素派 vs 隐空间派：殊途同归，表征为王
▎AI 科技评论：LeCun 代表隐空间派，Sora 代表像素派，两条路线看似对立，您如何评价？
张磊：两条路线实则共性大于差异。
像素路线（如 Stable Diffusion、Sora）同样需将图像压缩至低维表征空间处理。真正的分歧不在于是否使用隐空间，而在于进入隐空间后保留什么、丢弃什么。
隐空间路线试图排除光影纹理等非物理驱动细节，以学习本质规律，但面临表征坍塌风险；像素路线追求视觉逼真，本质是迎合人类视觉敏感点。
▎AI 科技评论：人脑推演似乎也在隐空间进行，不以画质为评判标准？
张磊：没错。人脑想象动作后果是在隐空间操作，而非逐像素渲染。因此，以人眼画质判断世界模型优劣是不充分的。像素路线若要成为世界模型，核心应追求视频序列的物理合理性，而非单纯逼真。
▎AI 科技评论：您与 LeCun 同走隐空间路线，但强调“引入物体结构”，差异何在？
张磊：我们共享第一性原理：反事实推理应在抽象表征中进行。LeCun 通过 JEPA 系列验证了预测应发生在表征空间。但在具身方向，物理空间复杂度极高，需在隐空间中引入必要结构。
基于 DINO-X 已解决的开放世界“看见物体”能力，我们主张让物体成为世界模型预测与规划的基本单元。物理规律作用于物体，让隐空间表征理解物体，能更高效地学习物理规律。
▎AI 科技评论：面对 LeCun 团队的巨额投入，您的“物体结构”改进优势何在？
张磊：DINO-X 已将“理解物体”做到全球最佳。我们在 LeCun 的基础框架上引入物体结构，并具备在真实环境闭环的能力，这是过去几年积累的核心壁垒。
05
DINO 系列何以力压谷歌与 Meta？
▎AI 科技评论：Grounding DINO 及 DINO-X 力压国际巨头，被全球顶尖机构标配，成功秘诀何在？
张磊：主要体现在两个维度。
范式上，我们是视觉领域首个将 Transformer 检测做到 SOTA 的团队。Grounding DINO 引入语言模型范式，首次将物体检测拓展至开放域，不再局限于训练类别，实现了范式级突破。
策略上，我们转向闭源路线推进 Scaling，并坚持高标准。团队耗时一年多打磨 Grounding DINO 1.5 及 DINO-X，确保发布即是大版本突破，从而获得行业高度认可。
▎AI 科技评论：视觉大模型与世界模型有何关联？
张磊：工作一脉相承。此前做物体感知旨在为机器人提供感知基础，Grounding DINO 已被广泛用于解决具身环境理解问题。世界模型偏视觉原生，团队在视觉模型机理上的深厚积累，是持续迭代世界模型的信心来源。
从 DINO 系列模型到世界模型的进化路线
06
如何让 AI 真正“看见”物体？
▎AI 科技评论：现有隐空间方案往往不真正理解物体，如何验证模型是否真的“理解”？
张磊：理解难以直接验证，通常通过行为表象判断。我们会分析中间步骤的可视化结果，若与人类直觉一致，则说明可能捕捉到了物体结构。
AI 科技评论：有无具体测试方法？
张磊：反事实测试行之有效。让模型尝试不同动作，观察结果是否符合物理规律。若轨迹微调仍能做对，说明学到了规律；反之则可能仅学到统计相关性。
简洁的范式更具迭代力量。过多人为设计短期有效，长期却会阻碍进化。
▎AI 科技评论：流沙、水流等非刚性物体无清晰边界，“物体为中心”框架是否会受限？
张磊：技术上可从 Mask 切入，分割物体区域像素。视觉领域在语义理解和 Mask 预测上已成熟，足以处理非刚性物体。我们在通用物体感知上的积累，为此提供了坚实基础。
07
EgoTwin：以人手教手机器人
▎AI 科技评论：“动作对齐”概念将不同构型动作映射至同一隐空间，是否类似为机器人做翻译？
张磊：世界模型输入包含画面与动作，动作理解至关重要。人手与机械臂对齐难度大：机械臂坐标精确，而人手数据多为 2D 视频。
我们的做法是提取 3D 关键点，将人手 2D 视频转化为 3D 操作序列，与机械臂数据对齐至同一物理空间。发布的 EgoTwin 即解决此类数采问题，目前已与百度云团队合作。
▎AI 科技评论：人类视频中隐含的“意图”信息如何处理？
张磊：高层意图理解交由世界模型或 VLA 解决，前提是数据质量足够高。数据原料至关重要。行业虽投入巨大，但利用效率常不理想。核心经验是让懂算法的人深入做数据，确保采集数据可用于训练，实现算法与数据并行迭代。
08
张钹与沈向洋：两位导师，一种底色
▎AI 科技评论：张院士与沈向洋院士对您影响深远，他们分别给予了您什么？
张磊：张钹院士永远是导师与榜样。他对新技术充满好奇，强调“理解东西要理解透"。理解不透会被骗，理解透才知底层原理。这已成为我带学生的准则。
沈向洋院士影响了我整个职业道路。从赴美到归国，他在产业方向判断、团队构建及融资等方面给予了具体建议与经验分享。
▎AI 科技评论：90 岁高龄的张钹老师仍赴团队交流，令人动容。
张磊：是的。去年 11 月，张老师上午讲课，下午便与我们团队深入交流至晚间。他视野广阔，逻辑缜密，对通用视觉与机器人方向的建议极具价值，思维深度不输年轻人。
09
浪潮自来：坚守者终被时代选中
▎AI 科技评论：历经多波技术浪潮，是否有某个时刻让您坚定“这就是我要做的”？
张磊：物体检测工作的突破性进展令我自豪。而世界模型更是值得全力投入的方向，借鉴强化学习与语言模型的成功范式，它将深刻影响 AI 行业。
▎AI 科技评论：研究者常谈高光，少提低谷。您经历过技术低谷吗？
张磊：2018 年前后，我尝试用弱监督数据做物体检测，耗时良久未果。后转至 IDEA 结合语言理解与检测能力，借 ChatGPT emergence 之势，从另一角度解决了问题。
遇到挫折正常，关键要有死磕难题的狠劲。真正的好问题值得思考多年，终将在某刻涌现质变式突破。
▎AI 科技评论：如何看待本科生创业世界模型的“后浪”现象？
张磊：开源技术降低了门槛，年轻人无包袱，易接受新范式。但解决真问题仍需前辈的洞察力与把控力。
社会热点万变，唯最能干的人永恒。只要保持好学、基础扎实，最前沿的方向自会主动找你。
10
启示：理解透的力量
此次采访最触动人心之处，并非耀眼成就，而是张磊反复提及的词：“理解透”。
三十年前，清华园里，本科生张磊在调试 AGV 小车，导师张钹坐在身旁指点：“改一改参数，看看会发生什么。”那不是检查作业，而是对未知的好奇与探索。
“理解不透就会被骗，理解透了才知道底层原理。”这句话浓缩了中国一代科研人的精神传承。
2018 年，面对弱监督检测难题，张磊未曾换题，而是吃饭睡觉都在思考，直至 2022 年底借语言模型之力实现突破。从 AGV 到世界模型，三十年间，他对每个问题都追求彻底理解，正如乔布斯所言"connect the dots"——认真做过的事，终将串联成线。
2025 年底，90 岁的张钹飞抵深圳，下午扎进视启未来办公室，听学生讲述世界模型进展。三十年时空流转，场景重现：昔日老师指导学生，今日学生汇报成果。
张钹院士在视启未来，张磊给老师讲述研究进展
人会老去，潮水会退，热点会冷，但中国科研人将世界难题“理解透”的执念，从未改变。
