干货｜世界模型时代，下一代 AI 创业机会在哪里？- 大数跨境

首页

干货｜世界模型时代，下一代 AI 创业机会在哪里？

出海者同学会

2026-08-22

导读：2026 No.14期闭门研讨会干货「2」：当 AI 开始理解物理世界，新的产业机会在哪里？

2026 No.14 期

AI Agent 研讨干货「2」

NEWS

继上篇探讨世界模型的定义、技术路线与产品形态后，本文聚焦更深层次的产业命题：世界模型需要何种数据以构建可扩展的训练范式？数据公司、模型公司与下游场景如何重构协作关系？在技术路线尚未收敛的当下，中小创业者的切入机会何在？

核心共识逐渐清晰：世界模型的竞争已从单纯的架构之争，转向数据生产、Data Infra、场景闭环与持续迭代能力的综合较量。谁能率先建立稳定的“数据飞轮”，谁便能在下一阶段的产业分工中占据主动。

[ 本期嘉宾 ]

SEAMATE

部分嘉宾因保密协议未公开姓名或内容有所删节，感谢所有分享者的精彩输出。

51Earth.inc｜General Manager｜杜菲
Family Office｜Investor｜Emma ZHU
Menlo AI｜CEO｜James Yin
Talespark｜CTO｜Rolan
WorldKey｜Co-Founder｜Mingfei Bi
不鸣科技｜Co-Founder｜吕鹏
嘉程资本｜EIR｜Jingyu Guo
江苏省高投｜投资经理｜邹佳辰
美团｜分析师｜董嘉璇
科技大厂｜Researcher｜Ori Zhang

阅读提示：原文逐字稿篇幅较长，以下内容为精炼节选，旨在提炼核心观点。

Part 02 数据、组织与测评

“真实物理数据”面临的挑战与解决思路

杜菲｜51Earth.inc
当前数据主要分为三类：真机数据、仿真数据及视频数据（含第一视角 Ego-centric 数据）。目前 Ego-centric 数据需求最大，仿真数据作为重要补充。仿真数据需具备完整度（覆盖成功与失败案例）及多样性。真实数据的挑战在于成本高昂，因此需综合运用多类数据并寻找最佳配比。除传统仿真引擎外，利用模型生成泛化的合成数据也是重要方向。

吕鹏｜不鸣科技
数据策略需分阶段看待。对于具身智能，真机数据至关重要；但对于游戏、创意娱乐等场景，其必要性降低。现阶段核心应聚焦“预训练”而非后训练或微调。预训练初期不必追求绝对物理精确（如重力加速度数值），首要目标是实现系统级的一致性与可信度（如完成抓取、交互等基本过程），先让系统跑起来，再在运行中迭代数据。单纯依赖视频训练难以恢复深层物理信息，当前更紧迫的任务是大规模生产“看起来正确且具备系统一致性”的数据。

Ori Zhang｜科技大厂
数据能否 Scale 是核心问题。以视频模型为例，造数据已演变为 Research 问题而非单纯工程问题。参考 Seedance 2.0，背后可能涉及数百位研究人员针对数据挖掘、清洗及分布重塑进行独立优化，人力成本极高。直接扫描的原始数据往往无法直接用于训练，将其重渲染为视频帧可能是更优路径。目前来看，视频数据最具备 Scale 潜力，但代价巨大；其他模态数据的大规模扩展能力尚待验证。

Mingfei Bi｜WorldKey
行业标准尚未统一，客户需求亦不明确。未来需建立数据团队与模型团队的共赢协作模式，摒弃瀑布式流程，转向更早、更持续的共同迭代，以推动行业整体进步。

新类型数据的使用现状与效果

董嘉璇｜美团
除传统真机数据外，触觉信息、六维力/力矩传感及表面肌电信号（sEMG）等新数据形式涌现。但目前这些新数据尚未形成闭环，其在模型 Scaling 中的实际效果仍处于探索阶段。

吕鹏｜不鸣科技
Ego-centric 数据确能提升应用端效果，但多依赖非标准化方法，尚未通过预训练形成标准化的 Scaling Law。行业当前的核心痛点在于缺乏类似 ImageNet 的基础设施，即定义世界模型的“基准数据集”。在技术范式完全确立前，大规模落地为时过早，当前更多是在具体场景中通过特定技术路径解决商业问题。

评价数据公司的核心维度

Emma ZHU｜Family Office
评价数据公司主要看三点：
1. 工程能力与 Data Infra：数据采集处理高度依赖工程经验与自动化管线。从 Raw Data 到可用数据存在价值折损，优秀的团队能通过完善的 Infra 保留更高价值。团队背景若包含模型厂或软硬件一体化经验更具优势。
2. 对客户需求的理解深度：行业标准未定，数据公司需深入理解下游算法与模型架构需求，甚至配备懂 Research 的人员进行 Co-design，以应对模型迭代带来的数据需求变化。
3. 质量、效率与成本的平衡：能在三者间找到最优解，并对产能 Scaling 有清晰规划的公司，有望成长为平台型企业。

Part 03 创业机会与反共识

中小创业者的切入点：真实需求与上下游产品

Emma ZHU｜Family Office
中小企业可重点关注两个方向：
1. 数据供给：市场需求远大于供给，尤其是符合 NVIDIA Eagle Data Spec 等高规范的数据。目前行业数据保有量距预训练需求仍有巨大缺口，数据是杠杆效应显著的资源。
2. 高 Research 浓度的明星团队：拥有顶尖科学家背书、具备前沿 Paper 产出的团队。创业三要素“人、钱、方向”中，数据是关键资源变量。懂 Data Infra 的人才稀缺，具备强组织能力的团队更易突围。
此外，高精度传感器数据（触觉、手套）及游戏存量数据的合作利用也是潜在机会。

世界模型的落地场景推演

Emma ZHU｜Family Office
从两个维度审视：
1. LLM 与世界模型的差异：LLM 替代白领工作，世界模型核心价值在于与物理世界结合。具身智能是替代蓝领劳动的增量市场，ROI 有望最先跑正，优于内容与游戏场景。内容产业虽有机会，但更可能由头部大厂通过开源或授权方式整合，新公司杠杆有限。
2. 技术发展的非线性：类比 LLM 发展历程，数据规模的跃迁将带来能力涌现。世界模型旨在“下载”线下及物理世界数据，技术与数据将螺旋上升。

Ori Zhang｜科技大厂
1. 数据标注密度：多模态领域，Dense Captioning（密集标注）可能是关键。不必苛求单项绝对准确，但需极高的标注密度和信息覆盖度。
2. 下一代游戏体验：世界模型可能创造全新玩法，如 Creator 与玩家实时互动生成关卡，超越单纯的画面生成效率提升。

Rolan｜Talespark
游戏语境下的世界模型不同于具身智能。游戏是对现实的二次压缩，真实性非必要前提。难点在于：
1. UGC 门槛：玩家缺乏设计复杂交互逻辑的能力。
2. 系统复杂性：游戏包含数值、关卡、叙事等子系统，不仅仅是模拟现实。世界模型在游戏中的应用需分开看待，重点在于快速生成所需的模拟环境而非单纯追求物理真实。

吕鹏｜不鸣科技
World Model 是游戏工业化的新方案。创业者不宜直接 All in 训练模型，而应寻找能天然形成“数据飞轮”的场景。即使没有模型也能产生用户价值的场景，若能持续沉淀多维数据，长期竞争力将优于纯模型团队。

创投热潮背后的逻辑

Emma ZHU｜Family Office
当前投入具有战略合理性。产业资本（如 NVIDIA、Google）积极布局，旨在掌握未来生产力，避免技术渗透时缺乏资产。资金结构上，产业资本因具备产业链协同能力，价值优于纯财务资本。技术发展虽非线性且难预测，但作为全球下注的趋势，只要团队或数据具备核心价值，便值得持续布局。应用层虽早，但新产品形态值得关注。