世界模型不只预测未来，机器人开始争夺“干预世界”的能力

作者 | 江宇

编辑 | 漠影

2026年，世界模型正在快速升温，尤其是在具身智能赛道。

今年5月至8月，至少10家具身智能公司先后拿出了各自的世界模型方案；刚结束不久的世界机器人大会上，世界模型也成为多家机器人厂商集中展示的技术方向。

短短几个月，这条此前仍在持续探索中的技术路线，迅速成为具身智能公司的重点布局之一。

问题也随之而来：这么多公司扎进世界模型，究竟是技术发展走到了这里，还是一个新的热门概念正在被快速“复制”？

并且对于机器人来说，世界模型真正要解决的，已经逐渐超出预测“未来会发生什么”。它还需要帮助机器人建立对环境变化的内部理解，并进一步服务于动作生成、规划和决策。

也正因如此，不同公司虽然都在讲世界模型，实际选择的技术路径和目标并不相同。

8月25日，光象科技联合清华大学李升波教授课题组发布物理原生世界模型Phi-WM 1.0 ActEffect。这是其“物理原生智能”技术路线的首个模型化成果。

与此同时，这款模型对于光象科技还有另一层意义。

两个月前，光象科技刚刚把工业级自进化具身智能机器人Phi-Bot X1带进汽车制造场景。如今，其正在继续补上机器人背后的通用具身大脑，并尝试把世界模型、数据、算法、机器人本体和真实工业产线放进同一套循环里。

当越来越多具身智能公司涌向世界模型，或许更值得关注的是：这些模型能力最终能不能在真实世界里兑现？

一、世界模型挤爆2026，具身智能开始补课“世界理解”

2026年，世界模型进入集中爆发期。

一边是具身智能公司快速跟进，另一边是视频生成、自动驾驶等领域持续加码。世界模型正在成为AI进入物理世界时绕不开的一条技术路线。

背后的原因并不复杂。

当前不少具身智能模型仍大量依赖模仿学习。机器人看过人类怎样完成任务，再根据输入生成相应动作。这种路径在固定任务上已经展现出不错效果，但真正进入复杂环境后，问题会迅速增加。

同一个零件，位置可能发生变化；同一个动作，接触角度、速度和力度略有不同，结果也可能完全不同。更长的任务里，前面一个微小偏差还可能不断向后累积。

因此，仅仅学会“看到什么就做什么”，很难覆盖现实世界不断变化的环境和长尾任务。

世界模型提供了一条新的思路：让AI在内部建立对环境状态和变化规律的表征，并据此预测未来、辅助规划和决策。

但“世界模型”本身已经不是一个统一概念。

机器人面对的要求则更加直接——一个动作执行以后，真实物体到底会怎么变化。

光象科技对这一问题的判断还要再往前一步。

VLA更擅长学习“看到什么就做什么”，普通世界模型更擅长回答“未来会变成什么样”。机器人真正进入现实环境后，还需要理解另一层关系：我采取这个动作以后，世界为什么会这样变化？

汽车上下料就是一个典型例子。

传送带会自行运动，光照会发生变化，零件也可能因为振动产生轻微位移。与此同时，机械臂的推、抓、抬、放又会主动改变物体状态。

如果这些变化全部被混在一起，模型即便可以较准确地预测下一步状态，也未必能够分辨哪些变化来自环境本身，哪些来自自己的动作，更难回答：“如果换一个动作，结果会怎样”。

这也成为光象科技切入世界模型的核心问题。具身智能对世界模型的需求，正在进一步落到“动作—后果—世界变化”这条因果链上。

二、预测未来还不够，机器人还要理解“动作后果”

围绕这一判断，光象科技将整套技术路线定义为“物理原生智能”（Physics-native Intelligence，Phi）。

其目标是让机器人在持续物理交互中学习世界底层运转规律、动作带来的行为后果，以及物理准则和安全约束，并最终形成可以闭环自进化的智能体系。

这套体系包含三个基本特征。

第一个是状态解耦表征。

对于机器人的关节角、速度、物体位置、姿态、接触力等可以直接刻画的显式物理状态，光象希望更多利用已有物理知识描述。

其次，对于图像、视频、点云里难以直接建模的隐式状态，交给神经网络学习。

第二个是时序因果驱动。

物理世界里的动作和后果存在先后关系。夹爪提前闭合几毫米、移动速度变化、接触角度偏一点，后续状态都应该发生相应变化。而世界模型需要对这种动作干预保持敏感。

第三个是物理定律约束。

物体不能瞬移，接触不能凭空消失，长时间推演也不能不断产生偏离现实的状态。

光象科技利用对称、守恒和结构保持等底层约束，提高了模型长期运行的稳定性。

简单来说，其最终目标可被进一步概括为三个更直观的目标：看得更准、想得更清、运行得更稳。

ActEffect就是这套路线的第一代模型实现，将“动作因果”放进训练过程。传统世界模型关心下一帧预测，ActEffect则进一步要求模型判断：如果机器人采取不同动作，未来状态是否会按照正确的物理关系变化。

训练过程中，模型会产生三个精细程度不同的动作提案，可以理解为快速方案、初步修正和最终方案。

随后，受控世界模型分别预测三个动作执行后可能产生的结果，再比较哪一套方案更好，并用这些反馈继续优化策略。

放到工厂里，这相当于机器人不再只学习“师傅的手怎么抓”，还需要逐渐理解：夹爪早闭合一点会发生什么，速度变快会发生什么，角度偏一点又会带来怎样的结果。

这种设计直接指向具身智能最难解决的能力之一——泛化。

光象科技创始人兼CEO张涛在交流中举了一个例子。

如果让机器人不断学习把不同物体扔进一个筐里，传统方法可以通过大量数据反复拟合，最终学会处理十种、几十种不同物体。但第50种、第100种陌生物体出现以后，仍可能需要继续尝试和训练。

如果机器人已经掌握了重量、形状、速度、重力等底层物理规律，新物体出现后，就有机会利用已经压缩出来的知识更快适应，而不用完全依赖重新拟合。

这也解释了光象科技为什么没有简单复制当前最流行的“视频预测型世界模型”。

光象实验室首席科学家吕尧认为，纯视频预测能够很好地利用Scaling Law，数据越多，生成能力通常越强。但机器人最终面对的是高成功率的真实执行任务。如果模型依靠统计相关性拟合未来，中间缺少物理约束和因果关系，“99%到100%”之间仍可能存在难以消除的失败。

因此，光象科技更关注隐状态空间里的物理信号，以及动作驱动的状态转移规律。世界模型需要回答的，也由“未来长什么样”进一步走向“采取这个动作以后，世界为什么这样变化”。

三、世界模型先“退场”，机器人上岗才能轻装运行

具身智能模型最终要装进机器人，本身就意味着另一套约束。

训练阶段可以消耗更多算力，真正部署以后，推理速度、算力成本和数据成本都会成为硬指标。

ActEffect在这里做了一个比较特殊的设计：世界模型主要承担训练阶段的角色。

训练过程中，它不断预测不同动作可能带来的后果，并用这些反馈优化动作策略。

当训练完成后，对“动作后果”的理解会被进一步蒸馏到策略模型中。机器人真正部署时，不需要继续循环生成未来状态，也不用反复进行候选动作规划，只需要策略网络一次前向计算输出动作。

换句话说，大量“想清楚这个动作会发生什么”的过程，被提前放进了训练阶段。这样做带来的一个直接结果，是世界模型不会持续成为机器人实际运行时的额外算力负担。

这一设计直接对应具身智能规模落地中的推理成本——将世界模型移出推理链路后，ActEffect的推理算力成本不会随着训练成本线性增长。

对于需要连续运行数小时甚至更久的工业机器人而言，这一点很关键。

除此以外，数据也面临类似问题。

目前具身智能行业的一大争论，是究竟需要多少真实机器人数据。而光象为不同类型数据分配了不同任务。

互联网视频和没有动作标注的数据，可以帮助模型建立基础世界先验；

带有动作信息的数据，则用于学习动作与状态变化之间的关系；

大量仿真数据负责提供低成本、可控的反事实动作探索；

最后，再将模型放到真实机器人和具体任务环境中做真机后训练。

张涛透露，目前按照这条训练路径，具体任务所需的真机后训练数据大约为十几个小时到几十个小时，最多不超过100小时。这对于机器人复制到更多任务具有直接影响。

工业场景高度碎片化。如果一台机器人每进入一个新工位，都需要重新采集海量数据、重新训练很长时间，那么无论模型单点效果多好，规模化都会非常困难。

因此，数据效率、训练效率和部署成本，实际上与所谓“泛化能力”是连在一起的。

与此同时，在公开Benchmark中，ActEffect目前也给出了一组阶段性结果。

在LIBERO、LIBERO-PLUS和RoboCasa-GR1三个机器人操作基准上，其平均成功率分别达到98.8%、80.3%和67.5%。

▲LIBERO单臂多任务操作基准，包含空间关系、物体操作、目标条件和长时序四类共四十个任务。ActEffect达到 98.8%的平均成功率，在四组任务（Long、Goal、Object、Spatial）上均取得领先性能。

▲LIBERO-PLUS 引入七种受控扰动：相机、机器人初始状态、语言、光照、背景、噪声、布局。ActEffect平均成功率为80.3%

▲RoboCasa-GR1面向Fourier GR-1形态的类人双臂操作，包含二十四个灵巧任务，每个任务同样独立测试五十次，总计一千二百次。ActEffect达到67.5%的平均成功率。

但光象科技自己也对跑分保持了克制。

吕尧认为，Benchmark最终仍需要回到真实机器人和真实产线验证，看具体任务成功率和实际创造的客户价值。

四、车厂验证之后，光象科技继续加码“具身大脑”

对于光象科技而言，物理原生智能的意义还在于把此前已经进入工厂验证的机器人，与更长期的模型路线连接了起来。

今年6月，光象科技发布工业级自进化具身智能机器人Phi-Bot X1。

当时，我们曾报道过这家成立仅一年左右的清华系具身智能公司——由清华大学车辆与运载学院、人工智能学院等联合孵化，创始人兼CEO张涛长期从事自动驾驶感知定位和产业化工作。

与不少先做模型、再寻找落地场景的团队不同，光象科技从创业早期就把汽车制造作为重要切入口。目前，Phi-Bot X1已经在不止一家豪华品牌车厂的真实正式工位上完成产品、功能和性能验证，并进入真机部署阶段。预计今年年底前，我们还会看到这些机器人正式上岗。

在刚结束不久的世界机器人大会上，其则进一步展示了“一套机器人跨工位”的雏形。

同一台Phi-Bot X1、同一套模型，可以分别完成新能源汽车焊接车间的高精度上下料，以及汽车表面的移动质检。在WRC期间，Phi-Bot X1还完成了5天累计36小时的焊接上下料与移动质检双工位自主循环作业。

这些场景也让世界模型和机器人本体之间的关系更加清晰。光象科技希望建立的是一套具身大脑、本体、数据和真实场景共同演进的体系。

机器人进入真实工业环境，可以帮助团队不断获得新的任务、数据和反馈。世界模型和算法则继续吸收这些信息，再把新的能力迁移到机器人上。

这也对应光象科技一直坚持的软硬一体路线。

只做大脑难以获得足够真实的行业入口和数据闭环，只做本体又容易陷入硬件同质化，具身大脑、本体和产业场景需要同时推进。

结语：世界模型热潮之后，真正的分水岭在真实世界

2026年的世界模型热潮还远没有结束。

随着更多机器人公司加入，这个概念很可能很快失去今天的新鲜感，逐渐成为具身智能公司的基础技术配置。

届时，评价一款世界模型的标准也会更加落地。

因为对于机器人而言，物理世界还有一套比Benchmark更严格的评分体系。零件有没有抓住，位置有没有放准，连续运行会不会中断，投入以后能不能创造足够的价值，这些最终都会给模型能力打分。

如今，光象科技选择用“物理原生智能”回答这道题，并将世界模型、工业机器人和真实产线绑在同一条线上。