8月19日，“人形机器人第一股”宇树科技正式登陆A股科创板。董事长、总经理兼首席技术官王兴兴所持市值超千亿元，将“90”后新首富的称号收入囊中。上市次日，宇树科技开盘跌6.51%，报790元。该股昨日收涨460%。

宇树科技从四足机器人切入，2023年推出首款人形机器人H1。2025年，其人形机器人出货量超5500台，居全球第一。宇树方面表示，计划将募集资金用于智能机器人模型研发、智能机器人制造基地建设等多个核心项目。

宇树机器人常被业内称为“小脑强于大脑”。宇树科技长期聚焦运动、关节控制等小脑能力，机器人能跑能跳，但在大脑层面，即具身大模型、任务理解与世界理解的能力上，研发投入一度有限。去年9月，宇树推出开源世界模型UnifoLM-WMA-0，想要为通用机器人学习提供统一的技术基础，其核心是一个能理解机器人与环境交互物理规律的世界模型。8月20日，在2026世界机器人大会上，王兴兴称，迈向具身智能的ChatGPT时刻，理想情况下需要2—3年，或者更长的5—10年时间。

他提到，目前全世界范围内，制约机器人真正走进生活、走进家庭的最大瓶颈就是具身智能的泛化能力还不太够。他坦言，机器人在任务执行中“最后一厘米”的偏差会导致其任务成功率出现暴跌，“这是非常严重的一件事”。

近两年，越来越多的具身智能厂家意识到，如果机器人的大脑跟不上，即便做到极致灵巧，也难以真正商品化。那么，所有机器人翘首以盼的大脑，会是世界模型吗？

8月19日，宇树科技生产的两台机器人在2026世界机器人大会期间参与格斗演示 图/视觉中国

路线之争

如果你端着咖啡杯，问AI“我把咖啡杯松开会怎样”，普通大语言模型会回答“它会掉在地上摔碎”，因为它从训练数据里看过这个答案。

而世界模型则会观察你松手时杯子距地面的高度，结合当地重力加速度，告诉你“杯子会在0.5秒后落地”，并根据杯子材质模拟碎裂程度。它不需要读过这句话，它自己会算。

这便是世界模型，一个主攻物理环境认知和预测的系统。图灵奖得主、前Meta首席AI科学家杨立昆（Yann LeCun）将世界模型定义为能预测行动后果的内部模拟器，是机器人对世界的认知引擎。除此之外，世界模型还有许多纷繁的定义，但共同点是，承认智能体需要通过学习环境的物理规则，比如杯子下落会摔碎，来构建虚拟场景，从而无需实际行动就能预判不同决策的后果。

美国斯坦福大学教授、World Labs创始人李飞飞研究空间智能，称其为AI的下一个前沿。“……AI要理解、生成、推理并与三维空间交互，而构建大型世界模型，正是实现空间智能最重要的路径。”而李飞飞的学生、复旦大学通用物理智能研究院院长苏昊则专注物理智能，希望AI在物理世界里能够有效完成任务，执行恰当的行动。

快思慢想研究院院长田丰认为，物理智能、空间智能、世界模型，是同一件事的三个切面。他告诉《中国新闻周刊》，空间智能关心“房间的几何结构记不记得住”，物理智能关心“抓、推、拧这些动作做不做得成”，而世界模型是这两者背后的推演能力。

比定义更复杂的，也许是世界模型的技术路线。虽然这个概念的诞生可以追溯到1943年，但数十年来，人们仍在为如何实现它而争论。

杨立昆押注的是某种“隐空间”的学习模式，希望在一个抽象的空间里让AI去预测未来状态。Meta在2025年6月发布的视频模型V-JEPA 2就是这一路线。在丢掉一些无关紧要的细节，比如杯子里的水有多少度之后，该模型能学到“杯子会摔碎”这一因果结构。但问题同样很明显，“隐空间”不可见，工程化和规模化遇到困难。

在生成式大模型出现后，生成式的世界模型自然涌现。像Sora、Seedance这样的视频生成模型，能基于传统大模型的Transformer架构自动生成下一帧画面，从海量视频学习并制作“看上去合理的世界”。但视觉上合理不等于物理正确，长时间视频的合理性也依然存疑。

李飞飞团队开发的 Marble模型则能直接生成可交互、几何一致的3D世界，空间精度可以做到很高，但算力需求巨大。可以说，如何实现世界模型，目前还未出现压倒性的技术方案。

核心瓶颈是数据

即便是目前最前沿的世界模型，在严格的测试下，也会暴露出短板。它们离真正的“世界模拟器”还有不小距离。

游戏中，我们能看到球凭空消失、运动轨迹错误等不符合物理规律的现象。这只是最安全的一种“翻车”，到现实世界就没那么美妙了。一项专门针对自动驾驶世界模型的测试发现，即使是目前最好的模型，如谷歌Veo 3.1，在预测物理风险如热油溅射、金属遇水反应时仍不可靠，会错过关键风险链条或误判严重程度，远未达到安全部署的要求。

北京智源人工智能研究院院长王仲远曾表示，视频生成模型可能生成一群在天上飞的猪，但物理世界不会这样运行。如果机器人装上一个不能区分真实和虚幻的大脑，它可能误以为自己是钢铁侠，这会带来严重风险。

世界模型目前仍处于早期探索阶段，其面临的挑战也比大语言模型更为复杂。田丰认为，两类模型所需数据完全不同。大语言模型学的是人类已写下来的东西，是被人加工过一遍的二手经验。世界模型学的是摄像头、传感器、机械臂直接采到的一手记录。人类写下的高质量文字总量大致到头了，而视频和传感器数据每天新增的量要高出好几个数量级。

一个直观的对照是，V-JEPA 2只有12亿参数，不到主流大语言模型的百分之一，却用了超过100万小时的视频来训练。数据稀缺和昂贵是这条路最核心的瓶颈。同时，模型生成的误差会逐帧累积，导致场景漂移、物体遗忘、逻辑崩坏。当前最强的模型也只能维持几分钟的物理一致性，而业界普遍认为，连续、可靠地模拟一小时以上的物理过程，才是工业可用的门槛。

世界模型到底理解了多少物理规律，现在仍缺乏统一评判标准。行业多用下游任务来间接评估，但预测准不准、有没有理解之间，始终隔着一条无法直接测量的鸿沟。这进一步拖慢了技术迭代。

即便如此，世界模型仍因广阔的应用场景而备受追捧。田丰指出，自动驾驶里，世界模型已得到了正反馈。特斯拉在去年10月的国际计算机视觉大会上介绍过其神经世界模拟器，用车队回传的数据训练出一个仿真驾驶环境，并称同一套系统可迁移到人形机器人。“车在路上跑的每一公里都在自动产生反馈数据，这是其他方向短期内不具备的条件。”

相比智驾这一短期最可能落地的场景，其他世界模型产品，比如Marble，田丰认为其进入市场还为时尚早。当在虚拟世界里训练的机器人，直接搬到真实世界后的成功率，超过用同样成本采集真实数据训练出来的成功率时，拐点就到了。从那一刻起，造数据比采数据划算，这也许是世界模型带给人们的最大颠覆。

而要真正学会“预测下一个物理状态”，世界模型还需在数据、架构和对因果关系的理解上实现根本性突破。

记者：周游

编辑：杜玮

运营编辑：马晓轶