阿里CEO吴泳铭在云栖大会上抛出一个锐利判断：未来机器的思考总量将超过人类1000倍，99.9%的思考工作将由机器承担——但"机器智能时代的标志性产品，尚未诞生"。 他把AI Coding比作"1882年的电灯"，意思是：方向对了，但离真正的普及还隔着整个电气革命。
与此同时，学术界正用一批硬核论文，把"超级智能"从口号拆解成可落地的工程蓝图。这些研究指向同一个结论：AGI的终局不在于把对话模型做得更大，而在于让AI拥有理解物理世界的"大脑"、操控物体的"手脚"，以及一个能在行动前先"预演"未来的世界模型。
一、世界模型：不是"生成视频"，而是"压缩物理现实"
上海AI实验室给出了一个克制却锋利的定义：世界模型，是在有限算力约束下，对物理世界状态转移过程的压缩建模。
注意，关键词是"压缩"，不是"生成"。世界模型的核心使命，是把高维、冗余、充满噪声的物理观测，蒸馏成紧凑可用的物理表征。视频生成只是压缩到位后顺带涌现的副产品，绝非目标本身。
由此衍生出三大核心属性：
- 全模态：视觉、听觉、触觉等所有感知通道同时建模，而非只处理单一信号；
- 多维异步性：不同维度数据的采样频率天然不同，视觉可能30帧、触觉可能1000Hz，模型必须兼容这种"不同步"；
- 局域性：智能体只能看到局部信息，外部影响只能以干预形式存在，天然构成一个部分可观测马尔可夫决策过程（POMDP）。
最值得反复咀嚼的判断是："数据决定上限"——任何智能系统在物理世界的泛化天花板，由训练数据的物理多样性决定，而非模型结构本身。 目前唯一能量级提供这种多样性的数据源，是开放互联网：每一段看似普通的视频中，都暗含物体恒存、刚性与柔性碰撞、遮挡与因果链条等物理常识。
二、从条件反射到谋定后动：世界-动作模型的崛起
如果说世界模型是"物理世界的大脑"，那机器人还需要一个把想象转化为动作的接口——近三个月，这个接口有了正式名称：世界-动作模型（WAM）。
传统VLA（视觉-语言-动作）模型的逻辑是"看到什么就做什么"，本质上是条件反射。WAM多走了一步：先在内部预测"这样做下去，物理世界会变成什么样"，再决定是否执行。这一步之差，把机器人从"刺激-反应"推向了"想象-评估-行动"。
这条赛道正在集体冲刺：
NVIDIA的Cosmos 3 采用统一混合专家Transformer架构，把语言、图像、视频、音频、动作五种模态塞进同一个模型，宣称一个框架同时覆盖视觉语言理解、视频生成、世界模拟和世界-动作四大能力。
智元机器人的GE-Act 2.0 是首个"原生"世界-动作模型——从随机初始化开始、直接在具身数据上从头训练，不针对任何评测任务做微调。它用自研CoAE编码器把一帧256×384画面压缩为仅24个token，是DINOv3的十六分之一，在RTX 5090上生成一个动作块只需104毫秒。
最震撼的发现是"机器人Scaling定律"得到验证： 训练数据从300小时扩到3万小时（100倍），机器人在陌生场景零样本测试中能完成的精细任务从39项跳到76项——折叠毛巾、嵌套纸杯、插花等此前完全无法理解的动作，在数据量到位时"突然开窍"。
三、数据喂养：倒置金字塔工作流
Scaling的前提是数据，而物理数据的获取有一个LLM不曾面对的难题：动作标签极度稀缺、采集成本极其高昂。 谁能在"低成本获取足够物理多样性的数据"上胜出，谁就拿到了物理AI的入场券。
目前的方法论被称为"倒置金字塔工作流"：
第一层，用数十亿量级的互联网视频解锁隐含的物理先验——专有机器人数据在多样性上注定无法与互联网竞争，不如先"借用"互联网里现成的物理常识。
第二层，逐层过滤、合成、提纯，将粗粒度的物理先验转化为任务对齐的紧凑数据。
智元与上海创智学院联合发布的τ0-WM 是这条路的大规模实践：在约27,300小时异构语料上预训练（含17,800小时真机遥操作、6,500小时UMI、3,000小时第一人称人类视频），模型仅5B参数，却将"动作生成""视频预测""任务评估"统一进一个共享预测表示。推理时，它采样多个候选动作，用动作条件视频模拟器"预演"未来，再挑出最有前景的一条——形成一个"提议-评估-修正"的闭环。
海外方面，Riemann-1.0 用超过20万小时交互数据，把"可执行的机器人策略"和"多本体视觉世界模拟器"融合进同一自回归模型，在RoboTwin2.0上取得94.3%、LIBERO上99.0%的成功率。
一个核心判断：机器人在重走LLM走过的Scaling之路——数据规模与多样性决定能力上限。 但物理数据比文本数据贵得多，这使得数据获取策略本身成为了核心竞争壁垒。
四、具身AGI分级：我们仍在L1-L2之间
有了世界模型和动作接口，离AGI还有多远？南洋理工大学的综述给出了一个冷静的分级框架，参照自动驾驶的成熟度划分：
- L1：单任务完成
- L2：组合任务完成
- L3：有条件的通用任务
- L4：高度通用
- L5：全天候自主全能机器人
论文结论冷峻而清醒：当前所有具身智能系统，都处在L1到L2之间。 距离真正的L5，还隔着数个技术代际。
分级依据四个维度：全模态能力、类人认知、实时响应、开放任务泛化。最难跨越的是"类人认知"——自我意识、社交连接理解、程序性记忆、记忆重构。 这些能力无法通过现成的监督学习或强化学习获得，它们要求终身学习：模型部署后仍需持续更新内部状态，而非训练完成就"冻结"。
这恰恰是"具身AGI"与"聊天AGI"的本质分野：语言模型可以靠参数冻结稳定运行，但一个真正通用的机器人，必须像一个有记忆的生命体，在每天的交互中持续进化。 这既是技术挑战，某种程度上也是哲学命题。
五、ASI的另一条路径：垂直超级智能先行
通用AGI追求"广度"，但超级智能（ASI）也可以先走"深度"。Alias Robotics的论文展示了一个垂直领域超级智能的真实样本——网络安全。
进化分三步：
第一步，PentestGPT让AI"辅助"人类做渗透测试，AI提供引导、人类负责执行；
第二步，网络安全AI（CAI）达到专家级水平，以3600倍于人类的速度、1/156的成本完成安全任务；
第三步，G-CTR将博弈论（纳什均衡）嵌入LLM Agent，使其在攻防对抗中具备超越人类的战略推理——成功率翻倍，行为方差降低5.2倍。
人机关系发生了三次反转：人类从执行者退为操作者，再退为监督者；AI从顾问升为执行者，再升为战略行动者。 当攻防双方都用上博弈论AI，网络安全就从"人机协作"演变为"算法军备竞赛"。
这为"超级智能"提供了另一种想象：ASI不必是一个全知全能的通用大脑，它可以是"在某个窄领域达到超人水平的智能系统"。 尤其当它被装进一个能行动的物理实体时，AI Agent、人工生命与机器人的合流，可能通向一种全新的硅基超智能形态。
六、机器人的大脑该长什么样？
综合上述研究，下一代世界模型的路线图逐渐清晰：
第一阶段，做统一多模态世界模型；第二阶段，做统一物理表征——一个压缩状态配多个解码器，渲染、模拟、规划都从同一状态解码；第三阶段，做成基础规模交互式模拟器——一个闭环、可复用、能安全试错的虚拟物理世界。
这回答了一个根本问题：机器人大脑不该是三个各管一摊的模块（一个看、一个想、一个动），而应该是一个统一的压缩表征，配上一个能把世界"预演"出来的模拟器。
未来真正难的不是让机器人"会做"，而是让它"能想"——在真实世界里动手之前，先在内部把方案推演无数遍，并且推演得足够准。
当然，这条路并不浪漫。能量消耗、真实性与精度的权衡、长时间预测的误差累积、从仿真到现实的鸿沟——每一个都是硬骨头。更本质的隐忧是：当世界模型足够强、机器人足够通用，人机关系会不会重演网络安全领域里的"角色反转"——人类从执行者退居监督者，而智能体在物理世界里越跑越快？
世界模型是连接AI与物理现实的那座桥，机器人是AGI在物理世界的落脚点。当足够多、足够多样的物理数据喂进一个足够大的世界模型，机器人或许真的会在某一天"想明白了"再动手。
而我们要做的，是看清方向，同时认真思考：把世界交给机器人的大脑时，我们该把什么握在自己手里。
关注抖音【靓哥聊创业】
抖音号｜54707203975
保存二维码打开抖音扫一扫
