世界模型赛道正迎来全球顶尖AI团队的技术角逐。Yann LeCun押注预测式世界模型，李飞飞团队探索可交互3D世界，而让AI真正理解并预测物理世界变化，已成为新一轮技术竞争焦点。
10月20日，首届2026物理AI与世界模型大会在南京开幕，图灵奖得主LeCun、姚期智远程分享前沿观点。会上，清华系具身智能公司千诀科技正式发布预测式世界模型Polibrain。
千诀科技创始人高海川指出：「有了地图可以推导最短路径，但仅有路径无法反推地图。」这里的「地图」即对物理世界及其变化规律的抽象理解。Polibraim旨在赋予机器人这种用于预测和规划的能力。
早在2025年，千诀联合清华大学团队在ICML发表世界模型理论研究，在隐变量可辨识性等方向比LeCun团队相近研究早约一年。目前，该技术已适配四足、人形、轮式及双臂等多种机器人形态，实现从环境感知到自主规划执行的闭环。
机器人大脑的新解法：预测式规划
高海川以「运送荔枝至长安」为例，类比两种技术路线：一是试错寻找最优解（类似当前VLA路线），二是先构建地图再规划路径（世界模型）。Polibrain的核心优势在于提前推演行动结果，减少真实环境中的试错成本。
在户外垃圾回收演示中，四足机器人需自主识别、移动并抓取垃圾。面对真实环境中物体位置和空间关系的变化，Polibrain不追求生成未来每一帧画面，而是集中预测影响任务的关键信息（如目标位置、相对关系）。
高海川强调：「世界模型的关键在于状态表征。」Polibrain通过连接感知、理解、预测、决策与执行，形成持续决策闭环。当执行与预测不符时，模型能重新评估并调整行动，支持通过关键特征解码追踪偏差，辅助异常定位与任务恢复。
由于不同形态机器人对物体关系及环境变化规律的理解存在共性，Polibrain的智能能力具备跨本体复用潜力。目前已在陪伴、餐饮、整理等场景的多类机器人上开展适配。
突破泛化难题：多项式表征与因果记忆
为解决机器人跨场景泛化难题，千诀提出「多项式表征」技术。该技术通过数学方法提取影响任务的关键变量，减少对光照、背景纹理等无关细节的依赖，避免「特征污染」及虚假因果关联。
例如，模型需区分「主人出门」与「钥匙消失」的因果关系，而非简单关联。2025年，千诀联合清华团队在ICML发表论文，从因果推断和布尔空间角度提出学习判据，早于LeCun团队2026年5月发表的相近视角研究。两者虽数学工具不同，但在表征信息层面具有等价性。
2026年，团队进一步提出「有效阶」（Effective Degree, ED），作为衡量神经网络复杂度的标尺。通过正交多项式拟合模型输出，量化函数复杂度，帮助优化模型泛化能力。
此外，针对连续任务中的遮挡问题，千诀研发了基于反事实推断的历史信息筛选机制（因果记忆）。模型仅保留影响后续决策的关键历史信息，结合多项式表征，共同提升机器人在复杂场景下的鲁棒性。
定位通用大脑：构建跨本体数据飞轮
千诀采取「松耦合世界模型架构」，将环境认知与动作执行分离。无论人形还是轮式机器人，均可共享底层世界理解，根据自身硬件能力决定执行方式（如机械臂操作或调用IoT设备）。
千诀不生产机器人本体，而是为各类专用及通用机器人提供智能能力。这种跨本体复用有助于解决具身智能数据稀缺问题。通过共享高层表征，第一视角视频、真机遥操及业务反馈等多源数据可服务于同一套模型，推动跨本体数据飞轮的形成。
尽管面临数据壁垒挑战，千诀正通过服务多家本体厂商探索数据协同。Polibrain的发布标志着预测式世界模型向产业应用迈出重要一步，但其长期效果仍需在更多真实场景中验证。