震撼！82亿美元那张牌桌已定：世界模型没死，正在寄生进每个大模型

120+具身智能与人形机器人行业报告合集~ 转发本文章至朋友圈截图发给GEIA小助理即可免费领取~ 文末添加小助理微信！

具身智能 · 路线观察

大模型会不会吃掉世界模型

一场持续三年的对骂 · 一次半年前的架构政变

路线之争从来没有赢家，只有谁的主张被写进了下一代产品的默认设置。

先讲一场持续三年的对骂

2024年2月，开放人工智能研究中心放出视频模型索拉，文案写得极大：这是一个能深刻理解物理世界的“世界模拟器”。图灵奖得主杨立昆当天就翻了脸，连发数条，话说得极难听——靠生成像素来理解世界，是一种浪费，这条路线注定失败。他的意思很明白：会画一段杯子摔碎的视频，不等于知道杯子为什么碎。

三年过去，这场嘴仗不仅没吵完，反而在上周迎来了最戏剧化的一幕。9月28日，李飞飞的世界模型公司以82亿美元卖身超威；几乎同一时间，杨立昆在最新对话里留下一句怨气十足的话：大语言模型吸光了房间里的空气，资源都被它们抢走了。一个被巨头收编，一个负气出走、自己融资十亿美元另立门户。

于是那个老问题重新摆到所有具身从业者面前：大模型一路吞噬一切，会不会连世界模型也吃掉？具身智能该把命押在哪一边？

我做这行二十年，看过太多“路线之争”最后变成伪命题。这次也一样——答案不在两个极端，而在过去半年悄悄发生的一场架构政变里。

⏰️与具身智能赛道的一线创业者、投资人深度交流，扫码报名GEIA具身智能与人形机器人创新周【北京站12.9-12.11 】↓

专题 · 规模定律

“吃掉派”的底气：只要堆得够大，物理常识自己会长出来

先把两边的道理说清楚。

大模型这一派的逻辑，是过去十年被验证过无数次的规模定律。语言模型预测下一个词，参数和数据翻着倍往上堆，能力就一层层涌现——推理、写代码、懂数学，没有一项是设计出来的，全是堆出来的。那物理常识凭什么例外？索拉能生成以假乱真的视频，视觉语言动作模型能看图、听话、出动作，2025到2026年，机器人本体里跑的几乎全是这一类：在一个多模态大模型上接一个动作头，端到端，一气呵成。

这套打法的诱惑力在于简单。不用懂物理，不用建三维，世界是什么样，让模型自己从亿万张图、亿万段视频里去悟。押注这条路的人相信：等模型再大两个数量级，重力、遮挡、软硬、因果，这些东西会像懂语法一样，自己从权重里长出来。

杨立昆不信。他骂了三年，核心论据其实只有一条，而且很扎实：文本是离散的，下一个词的候选不过几万个，打分就完事；可真实世界是连续的，你永远无法预测镜头转过去之后，地毯的纹理、每个人的长相。硬逼模型预测这些不可预测的细节，模型只能作弊——把答案偷偷藏进额外的潜变量里，训练看似成立，理解并不存在。所以他主张反过来：别重建像素，去学抽象表示，在抽象空间里预测后果，这就是联合嵌入预测架构。一个人接杯子从不计算重力加速度，靠的就是这个。

两边各有信徒，各有金主，吵了三年。可真正要紧的是：纯嘴仗阶段，已经结束了。

专题 · 架构政变

半年前，政变从大模型阵营内部开始

接下来发生的事，出乎所有人意料——最先给视觉语言动作模型判死刑的，不是杨立昆，是英伟达自己的人。

英伟达研究科学家吉姆·樊今年在多个场合扔下一句话：视觉语言动作模型已死，世界动作模型万岁。注意，这不是学术圈的远期预言，是全球最强算力公司的研究负责人，在给自家生态指方向。他随后把判断落成了产品：英伟达的宇宙模型第三代，一个统一架构把语言、图像、视频、动作五种模态塞进同一个模型，训练数据里有三亿四千八百万段真实世界动力学视频——物体怎么落、怎么滑、怎么撞，全部直接喂进去。

什么叫世界动作模型？跟老路线的差别只有一步，却是生死一步。

旧模型是“看到什么就做什么”：输入画面和指令，输出动作，完事。它对物理的全部理解，都是模仿动作轨迹时顺带漏进权重的残羹剩饭，从没人要求它回答“接下来会发生什么”。新模型在输出动作的同时，被迫多干一件事：预测这个动作执行之后，世界在它眼里会变成什么样。未来画面的像素，是写进训练目标里的必答题，不是可有可无的附加题。

这一步为什么致命？因为预测比模仿难。一个靠死记轨迹蒙混过关的策略模型，可以在训练集里拿高分；可一旦你要求它同时把后果画出来，它就蒙不过去了——它必须真的在内部携带一套“物体如何运动、形变、碰撞”的表示。训练目标一变，模型的脑子就被迫长了出来。

专题 · 客户现场

数字不会撒谎：新路线已经在客户现场赢了

这不是空谈的哲学，已经有公司把对照实验跑完了。

美国迪纳机器人今年8月发布的新一代模型，预训练全程没用一条机器人数据，喂的是整整一百万小时第一人称人类视频——做饭、整理、折叠、装配，全部来自真人视角。他们发现了两件事。第一，逼着模型同时预测未来视频和未来动作，在39项任务的每一个数据规模上，都碾压只预测动作的旧架构。新老模型正面对决，成功率是1.55倍；最关键的指标——在从未去过的客户现场零样本上岗，良率从46%直接跳到87%。第二，人类视频本身成了一条新的规模轴：动作标签数据采完了没关系，无标注视频继续往上加，泛化照样涨。拐点出现在一万到十万小时之间，看够了，跨身体的迁移能力自己就冒出来了。

国内同一时间在集体冲刺。智元的新一代模型从随机初始化开始、在具身数据上从头训练，号称原生世界动作模型，消费级显卡上生成一个动作块只要104毫秒；它和上海创智学院合作的模型只有50亿参数，推理时先采样好几条候选动作，在内部模拟器里逐条“预演”未来，再挑最靠谱的一条出手——提议、评估、修正，像极了一个老手接活之前在心里先过一遍。

看懂这场政变，“谁吃掉谁”的问题就自动瓦解了。

专题 · 判断

真正的答案：不是吃掉，是寄生

我的判断，说透了就三层。

第一层，大模型吃不掉世界模型，因为纯靠规模涌现物理直觉这条路，在连续世界的细节面前有它过不去的坎——杨立昆这三年的批评，大模型阵营没有一个人真正驳倒，他们是用行动承认的：纷纷把“预测后果”塞进训练目标。

第二层，世界模型也吃不掉大模型，更没有成为一门独立大生意的命。最有说服力的证据恰恰是李飞飞：全世界最懂世界模型、声望最高的人，带着最好的牌，都没有选择把公司独立做成平台，而是在第三十个月卖给芯片商。为什么？世界模型烧的是算力，算力在谁手里？英伟达、超威、谷歌。顶级研究机构最终长在巨头体内，这不是失败，是这个时代的物理规律。杨立昆融资十亿美元另立门户，走的也是巨头级军备竞赛的路，跟普通创业者无关。

第三层，也是最该记住的：世界模型正在像当年的注意力机制一样，从一门“独立的学说”变成所有物理人工智能模型的“内置器官”。未来不会有两家公司，一家叫大模型公司、一家叫世界模型公司；只会有两种模型——脑子里会预演后果的，和不会的。前者吃掉后者的市场，后者沦为廉价的过渡品。这不是两派和解，是一方的核心主张被另一方吞进了身体里。

专题 · 行动

对三类人，这意味着什么

给具身创业者和联合创始人一句：别再问团队该站哪条路线，去看你们模型的训练目标里，有没有“预测这个动作之后世界变成什么样”这一项。没有，你们做的就是即将过时的过渡架构；有，再检查数据——未来两年，谁能低成本搞到物理多样性，谁就活着。人类视频、仿真合成、真机数据三条腿，缺一条都跑不快。另外记住，世界模型本身不再是性感的独立赛道，把它做进具体场景、具体工位，才是。

给投资人一句：尽调时多问一个问题——“你们的世界模型是训练目标，还是宣传话术？”太多公司在汇报材料上写满世界模型，掀开看，输出端只有动作，像素预测根本没进损失函数。真伪之间，价值差一个数量级。也别再为“独立世界模型平台”的故事付溢价了，李飞飞已经替这个故事标出了实际价格：82亿，且只卖给巨头。

给企业家和需求方一句：以后挑机器人，加一个朴素的问题——它动手之前，会不会在脑子里先过一遍后果？会预演的机器，换工位、换物料、遇到没见过的状况，才不慌。这个能力今天还稀缺，但两三年内会变成标配，就像现在没有哪台手机不叫智能手机。早用、早养数据、早建团队的人，吃到的是两轮红利之间的差价。

专题 · 结语

最后

三年前，杨立昆骂索拉的时候，很多人当他是输不起。三年后回头看，他可能提前说出了答案，却没能保住自己想要的世界——世界模型没有君临天下，而是乔装改扮，寄生进了每一个想在物理世界里活下去的模型。

这个行业最深的规律就藏在这里：路线之争从来没有赢家，只有谁的主张被写进了下一代产品的默认设置。对具身智能来说，“先想象，再动手”这六个字，正在从论文标题变成出厂参数。