世界模型，来得太晚了？

世界模型，又来活儿了。

11月10日，据行业媒体《AR圈》披露，字节PICO Space Pro预计12月2日发布，而其世界模型有望于11月火山引擎发布会率先亮相，同时推出180°全景3D视频生成及零代码3D应用开发平台。

对巨头来说，AI原生生态可能是一个很重要的发展方向。而就世界模型这个一直在研究和落地两种状态中摇摆、缺乏超大规模实证的技术方向来说，2026年末，确实需要一些好消息。

毕竟，世界模型本质上关系着端侧AI、具身智能等多类技术的发展。它可能不是唯一解法，却是很有希望的一种。一句话生成可交互的三维空间，对现在还无法深刻“了解世界”的AI来说，还是太超模了。

今日，资本市场应声而动，视涯科技、创维数字、富瀚微等端侧AI个股批量涨停。此外，在一周前央视新闻“进博会里的‘十五五’脚步”系列栏目中播出的《一副眼镜里的产业新赛道》，还提到了歌尔、京东方、恒玄科技等一批产业链上企业。

从技术角度看，LLM的机制就像在计算机内部的一维世界做符号接龙，而世界模型及其关联技术发展的难点在于要在三维世界做物理因果的推演。互联网曾经给人类文本塑造了足够规模的红利，用来培育LLM，而世界模型需要的养料复杂得多。

不过近期，也有报道指出，世界模型“来得太晚了”，卡在行业尝试用LLM直接指导具身发展的关口上。此前李飞飞选择被AMD收购，就说明世界模型不是普通企业玩得转的。

另外有观点认为，未来应当有一个统一的大模型，通过不同的激活方式和参数，应对语言或者物理领域不同的决策，以规避延迟问题。

争议、资本、舆论，“AI建造世界”的宏大愿景注定不能一步登天。但目前，它仍不应被否定。

一、“拯救”空间计算

空间计算，这是很早之前大众对于类世界模型技术的一种称呼。本质上，它们都围绕着演算一个三维世界的形态和运行规律展开技术工作。

但这么久的时间里，空间计算并没有拿到什么“大结果”。扎克伯格的Meta Reality Labs烧掉数百亿美元巨资，苹果祭出工业设计登峰造极的Vision Pro，最终却双双困在小众极客圈里难以破圈。

它们的供应链几乎做到了顶级，但在软件方面——常规意义上可以这么称呼——却只能走一条自上而下先盖硬件空城、再等开发者一砖一瓦手工建模的路。

可惜，在传统游戏引擎与工业软件体系下，构建一个可交互的高精度三维场景，需要耗费庞大的美术建模与物理渲染人力；硬件保有量越低，开发者越算不过账，头显里的原生应用就越荒芜。

一台售价昂贵的空间计算设备大多数时候只能躺着看二维电影。这让一些用户吐槽，这种产品不过是“大号头戴显示器”。随后发展的AI眼镜，明显吸取了一些教训，提升了实用性。

而现在，世界模型迎来了它的新破局者。

此前，在10月12日的抖音《2026美好奇妙夜》上，影视飓风创始人Tim已经尝试演示过字节在研的世界模型。当时，Tim描绘了详细的画面和动作，并强调了世界模型“所想即所得”的特点。比如坐上一架纸飞机飞行在房间里，或者让桌上的杯子旁凭空生成一只勺子。

这样的生产能力，自然不是传统手工建模能比的。只要这种生成的延迟被压到一个阈值以下，就能避免人类前庭系统产生晕眩感。至于更多的交互可能性，则要交给相关产品来发挥——有了一个世界生成机制之后，能做的事太多了。

仅就视频这个领域来说，视频流与三维空间的界限几乎就要消失了。一部经典的二维老电影播出来，画面可以不再是一块死板的虚拟幕布，而是由世界模型实时脑补出空间纵深与环境遮挡的三维现场，人可以直接迈步走进电影画面里自由改变视角。

目前，我们尚未知道火山引擎会给出什么样的生态能力配套。但从常规原理出发，理论上，一个足够强大的世界模型允许普通创作者只需输入几句自然语言描述，云端就能直接生成具备物理光影与空间结构的全景交互应用。

那么，XR硬件的产品价值必然会出现升级。此时，这类产品不再需要像传统一体机那样用终端配置满足需求，终端硬件更像一个“生成接收器”，用于承载最终的模型产物和其他应用。

二、破局具身智能的“神之一手”

如果认为世界模型的价值仅仅停留在给头显造几个逼真的虚拟游戏，那就严重低估了它的价值。

不管是在Tim实测字节世界模型的演示中，还是近几个月来具身智能领域纷纷扰扰的数据问题，科技圈对世界模型的期待，是希望它真的能反哺需要“构建世界”的领域。

比如，让具身智能机器人在世界模型生成的虚拟房间里学习抓取与操作、为自动驾驶汽车在虚拟极端路况中做闭环训练，以及让外科医生戴着头显在高度逼真的虚拟病患身上模拟高风险手术。

实际上，具身智能行业的硬件产能并不缺，但大脑数据是个软肋。

一方面，中国强悍的硬件供应链已经将人形与轮式机器人的本体制造推向了工业化放量阶段。

市场研究机构Counterpoint Research今年8月发布的报告显示，2026年上半年，全球人形机器人出货量超过2.2万台，同比增长接近300%。其中智元出货量已接近万台。此外，据新华网报道，11月8日，上纬新材启元机器人第10000台个人机器人正式下线，此时距离它第5000台下线才过去了两周。

而与此同时，行业公认训练一个真正具备泛化能力的通用具身大模型，仍需要1000万小时的高质量多模态物理交互数据。为此，行业已经在关注GPT等模型在具身领域的泛化前景，可见业界对进步的渴望。

机器人拧开一个瓶盖所需的关节扭矩、接触面摩擦力、手部微观形变等物理因果数据，在互联网上根本不存在。在这之前，得靠人类数据采集员每天穿戴着外骨骼或动捕设备，手把手教机器人叠衣服、分拣零件。各种各样的道路，始终不如自动生成的数据来得有性价比——某种程度上，有些类似让机器人造机器人。

正是因为这些问题，世界模型才成了具身智能摆脱物理数据困境的逃生通道。无论是英伟达今年5月力推的Cosmos 3、阿里开源的Qwen-RobotWorld，还是字节从去年10月发布Seed3D（将单张图像直接转化为可导入Isaac Sim仿真引擎的物理级3D训练资产）到如今端出的实时世界模型，本质上都在为机器人干两件大事。

第一件事是在训练端造梦。既然在现实中让真机摔打十万次既赔不起时间也赔不起零件，那就由世界模型在云端生成无穷无尽、严格遵守重力、刚体碰撞与流体力学规律的三维交互环境，让机器人大脑在虚拟沙盘里以千倍于现实的倍速试错进化，只用极少量真机数据做最后的对齐校准。

第二件事则是在执行端排兵布阵。接入世界模型后，机器人不再看到杯子就鲁莽伸手，而是先在脑内的世界模型里做一次毫秒级的反事实推演——“如果用5牛顿的力横向推这个玻璃杯，它是会平稳滑动还是会倾倒摔碎？”

在脑内预演完物理后果、排除了搞砸的选项之后再驱动电机出手，正是具身智能质变的临界点。对于工作，它可以“思考”了。

三、流派分野背后

目前为止，围绕世界模型的卡位战非常复杂。因为互联网巨头、AI创业独角兽、车企、传统企业和资本都在从不同方向发力，这也使得世界模型和物理AI一样，越来越像一个整合概念而非技术概念。只是在产物上，模型本身还是最好的试金石。

不过不管流派怎么分，数据基础足够好的企业，或者说拥有C端高频内容与B端物理底座双轮驱动的企业，总是占优的。

在企业端，那些在海量视频与互动娱乐中喂养出来的三维空间生成与物理推演能力，转身就能衍生出大量属于物理AI的养料。如果你曾经打造过虚拟世界，那么自然就会更接近拥有来自这些世界的信息。挡在大多数公司面前的，其实是这种命运的区隔。

当然，这只是技术层面的说法。商业层面，世界模型或许都不一定能用着这个名字战到最后。

一方面是算力吞吐上，假设要在云端维持每秒20帧、50毫秒延迟的三维空间实时生成，其算力消耗量级是传统文本大模型的百倍以上。另一方面，虚拟物理引擎的“最后一公里失真（Sim-to-Real Gap）”现在还无法达成百分百的完善。

简单来说，目前的世界模型在模拟刚体碰撞、空间几何遮挡与常规光照上已相当成熟，但一旦涉及揉捏柔性布料、插拔微小柔性线束、擦拭粘稠液体等复杂的微观摩擦力与非线性形变，虚拟生成环境依然会出现物理失真。越是细微的地方，要做到百分百模拟就越难。

尽管挑战犹存，但随着参与者拿出的成果变多，整个AI产业依然可以看到具体的演进方向。

第一，人工智能的主战场变化是不可逆的。大语言模型在文本考卷上不可避免地会进入边际收益递减区，能否理解三维空间的遮挡关系、牛顿力学、时间连续性以及动作的物理后果，将影响下一代通用人工智能的发展。

第二，智能硬件的“端云算力大挪移”，可能是受影响最大的方向。因为无论是戴在人类脸上的混合现实头显，还是走进工厂车间与无人药房的具身智能机器人，终端本体配备高效的端侧配置，再借助高带宽低延迟网络，就可以演变为云端的“传感器眼睛与执行器四肢”。只不过，这还需要和它要执行的任务高度关联。

最后，一个潜在的可能性是，虚拟数字娱乐与产业侧的物理制造，或许有机会在未来合流。而这也是AI改造产业的一个“终极阶段”，一种大底座。

常规情况下，做游戏动漫、影视短剧的文娱生态，与做具身机器人、自动驾驶的工业硬科技生态老死不相往来。环境模拟和数字孪生都在各自的领域发光发热。但如果世界模型时代，空间引擎的底座被统一了，双方会发生什么样的变化？这会是长期演进中的一个观察点。

而回到眼前，借由塑造看懂并推演万物运行物理规律的能力，人工智能正在补上它降生以来最关键的一块拼图。世界模型不可能很快改变世界，却很可能先改变人类对AI的感知。

来源：松果财经