作者 | 江宇

編輯 | 漠影

2026年，世界模型正在快速升溫，尤其是在具身智能賽道。

今年5月至8月，至少10傢俱身智能公司先後拿出了各自的世界模型方案；剛結束不久的世界機器人大會上，世界模型也成為多家機器人廠商集中展示的技術方向。

短短幾個月，這條此前仍在持續探索中的技術路線，迅速成為具身智能公司的重點佈局之一。

問題也隨之而來：這麼多公司扎進世界模型，究竟是技術發展走到了這裏，還是一個新的熱門概念正在被快速「複製」？

並且對於機器人來說，世界模型真正要解決的，已經逐漸超出預測「未來會發生什麼」。它還需要幫助機器人建立對環境變化的內部理解，並進一步服務於動作生成、規劃和決策。

也正因如此，不同公司雖然都在講世界模型，實際選擇的技術路徑和目標並不相同。

8月25日，光象科技聯合清華大學李升波教授課題組發布物理原生世界模型Phi-WM 1.0 ActEffect。這是其「物理原生智能」技術路線的首個模型化成果。

與此同時，這款模型對於光象科技還有另一層意義。

兩個月前，光象科技啱啱把工業級自進化具身智能機器人Phi-Bot X1帶進汽車製造場景。如今，其正在繼續補上機器人背後的通用具身大腦，並嘗試把世界模型、數據、算法、機器人本體和真實工業產線放進同一套循環裏。

當越來越多具身智能公司湧向世界模型，或許更值得關注的是：這些模型能力最終能不能在真實世界裏兌現？

一、世界模型擠爆2026，具身智能開始補課「世界理解」

2026年，世界模型進入集中爆發期。

一邊是具身智能公司快速跟進，另一邊是視頻生成、自動駕駛等領域持續加碼。世界模型正在成為AI進入物理世界時繞不開的一條技術路線。

背後的原因並不複雜。

當前不少具身智能模型仍大量依賴模仿學習。機器人看過人類怎樣完成任務，再根據輸入生成相應動作。這種路徑在固定任務上已經展現出不錯效果，但真正進入複雜環境後，問題會迅速增加。

同一個零件，位置可能發生變化；同一個動作，接觸角度、速度和力度略有不同，結果也可能完全不同。更長的任務裏，前面一個微小偏差還可能不斷向後累積。

因此，僅僅學會「看到什麼就做什麼」，很難覆蓋現實世界不斷變化的環境和長尾任務。

世界模型提供了一條新的思路：讓AI在內部建立對環境狀態和變化規律的表徵，並據此預測未來、輔助規劃和決策。

但「世界模型」本身已經不是一個統一概念。

機器人面對的要求則更加直接——一個動作執行以後，真實物體到底會怎麼變化。

光象科技對這一問題的判斷還要再往前一步。

VLA更擅長學習「看到什麼就做什麼」，普通世界模型更擅長回答「未來會變成什麼樣」。機器人真正進入現實環境後，還需要理解另一層關係：我採取這個動作以後，世界為什麼會這樣變化？

汽車上下料就是一個典型例子。

傳送帶會自行運動，光照會發生變化，零件也可能因為振動產生輕微位移。與此同時，機械臂的推、抓、抬、放又會主動改變物體狀態。

如果這些變化全部被混在一起，模型即便可以較準確地預測下一步狀態，也未必能夠分辨哪些變化來自環境本身，哪些來自自己的動作，更難回答：「如果換一個動作，結果會怎樣」。

這也成為光象科技切入世界模型的核心問題。具身智能對世界模型的需求，正在進一步落到「動作—後果—世界變化」這條因果鏈上。

二、預測未來還不夠，機器人還要理解「動作後果」

圍繞這一判斷，光象科技將整套技術路線定義為「物理原生智能」（Physics-native Intelligence，Phi）。

其目標是讓機器人在持續物理交互中學習世界底層運轉規律、動作帶來的行為後果，以及物理準則和安全約束，並最終形成可以閉環自進化的智能體系。

這套體系包含三個基本特徵。

第一個是狀態解耦表徵。

對於機器人的關節角、速度、物體位置、姿態、接觸力等可以直接刻畫的顯式物理狀態，光象希望更多利用已有物理知識描述。

其次，對於圖像、視頻、點雲裏難以直接建模的隱式狀態，交給神經網絡學習。

第二個是時序因果驅動。

物理世界裏的動作和後果存在先後關係。夾爪提前閉合幾毫米、移動速度變化、接觸角度偏一點，後續狀態都應該發生相應變化。而世界模型需要對這種動作干預保持敏感。

第三個是物理定律約束。

物體不能瞬移，接觸不能憑空消失，長時間推演也不能不斷產生偏離現實的狀態。

光象科技利用對稱、守恒和結構保持等底層約束，提高了模型長期運行的穩定性。

簡單來說，其最終目標可被進一步概括為三個更直觀的目標：看得更準、想得更清、運行得更穩。

ActEffect就是這套路線的第一代模型實現，將「動作因果」放進訓練過程。傳統世界模型關心下一幀預測，ActEffect則進一步要求模型判斷：如果機器人採取不同動作，未來狀態是否會按照正確的物理關係變化。

訓練過程中，模型會產生三個精細程度不同的動作提案，可以理解為快速方案、初步修正和最終方案。

隨後，受控世界模型分別預測三個動作執行後可能產生的結果，再比較哪一套方案更好，並用這些反饋繼續優化策略。

放到工廠裏，這相當於機器人不再只學習「師傅的手怎麼抓」，還需要逐漸理解：夾爪早閉合一點會發生什麼，速度變快會發生什麼，角度偏一點又會帶來怎樣的結果。

這種設計直接指向具身智能最難解決的能力之一——泛化。

光象科技創始人兼CEO張濤在交流中舉了一個例子。

如果讓機器人不斷學習把不同物體扔進一個筐裏，傳統方法可以通過大量數據反覆擬合，最終學會處理十種、幾十種不同物體。但第50種、第100種陌生物體出現以後，仍可能需要繼續嘗試和訓練。

如果機器人已經掌握了重量、形狀、速度、重力等底層物理規律，新物體出現後，就有機會利用已經壓縮出來的知識更快適應，而不用完全依賴重新擬合。

這也解釋了光象科技為什麼沒有簡單複製當前最流行的「視頻預測型世界模型」。

光象實驗室首席科學家呂堯認為，純視頻預測能夠很好地利用Scaling Law，數據越多，生成能力通常越強。但機器人最終面對的是高成功率的真實執行任務。如果模型依靠統計相關性擬合未來，中間缺少物理約束和因果關係，「99%到100%」之間仍可能存在難以消除的失敗。

因此，光象科技更關注隱狀態空間裏的物理信號，以及動作驅動的狀態轉移規律。世界模型需要回答的，也由「未來長什麼樣」進一步走向「採取這個動作以後，世界為什麼這樣變化」。

三、世界模型先「退場」，機器人上崗才能輕裝運行

具身智能模型最終要裝進機器人，本身就意味着另一套約束。

訓練階段可以消耗更多算力，真正部署以後，推理速度、算力成本和數據成本都會成為硬指標。

ActEffect在這裏做了一個比較特殊的設計：世界模型主要承擔訓練階段的角色。

訓練過程中，它不斷預測不同動作可能帶來的後果，並用這些反饋優化動作策略。

當訓練完成後，對「動作後果」的理解會被進一步蒸餾到策略模型中。機器人真正部署時，不需要繼續循環生成未來狀態，也不用反覆進行候選動作規劃，只需要策略網絡一次前向計算輸出動作。

換句話說，大量「想清楚這個動作會發生什麼」的過程，被提前放進了訓練階段。這樣做帶來的一個直接結果，是世界模型不會持續成為機器人實際運行時的額外算力負擔。

這一設計直接對應具身智能規模落地中的推理成本——將世界模型移出推理鏈路後，ActEffect的推理算力成本不會隨着訓練成本線性增長。

對於需要連續運行數小時甚至更久的工業機器人而言，這一點很關鍵。

除此以外，數據也面臨類似問題。

目前具身智能行業的一大爭論，是究竟需要多少真實機器人數據。而光象為不同類型數據分配了不同任務。

互聯網視頻和沒有動作標註的數據，可以幫助模型建立基礎世界先驗；

帶有動作信息的數據，則用於學習動作與狀態變化之間的關係；

大量仿真數據負責提供低成本、可控的反事實動作探索；

最後，再將模型放到真實機器人和具體任務環境中做真機後訓練。

張濤透露，目前按照這條訓練路徑，具體任務所需的真機後訓練數據大約為十幾個小時到幾十個小時，最多不超過100小時。這對於機器人複製到更多任務具有直接影響。

工業場景高度碎片化。如果一台機器人每進入一個新工位，都需要重新採集海量數據、重新訓練很長時間，那麼無論模型單點效果多好，規模化都會非常困難。

因此，數據效率、訓練效率和部署成本，實際上與所謂「泛化能力」是連在一起的。

與此同時，在公開Benchmark中，ActEffect目前也給出了一組階段性結果。

在LIBERO、LIBERO-PLUS和RoboCasa-GR1三個機器人操作基準上，其平均成功率分別達到98.8%、80.3%和67.5%。

▲LIBERO單臂多任務操作基準，包含空間關係、物體操作、目標條件和長時序四類共四十個任務。ActEffect達到 98.8%的平均成功率，在四組任務（Long、Goal、Object、Spatial）上均取得領先性能。

▲LIBERO-PLUS 引入七種受控擾動：相機、機器人初始狀態、語言、光照、背景、噪聲、佈局。ActEffect平均成功率為80.3%

▲RoboCasa-GR1面向Fourier GR-1形態的類人雙臂操作，包含二十四個靈巧任務，每個任務同樣獨立測試五十次，總計一千二百次。ActEffect達到67.5%的平均成功率。

但光象科技自己也對跑分保持了剋制。

呂堯認為，Benchmark最終仍需要回到真實機器人和真實產線驗證，看具體任務成功率和實際創造的客戶價值。

四、車廠驗證之後，光象科技繼續加碼「具身大腦」

對於光象科技而言，物理原生智能的意義還在於把此前已經進入工廠驗證的機器人，與更長期的模型路線連接了起來。

今年6月，光象科技發布工業級自進化具身智能機器人Phi-Bot X1。

當時，我們曾報道過這家成立僅一年左右的清華系具身智能公司——由清華大學車輛與運載學院、人工智能學院等聯合孵化，創始人兼CEO張濤長期從事自動駕駛感知定位和產業化工作。

與不少先做模型、再尋找落地場景的團隊不同，光象科技從創業早期就把汽車製造作為重要切入口。目前，Phi-Bot X1已經在不止一家豪華品牌車廠的真實正式工位上完成產品、功能和性能驗證，並進入真機部署階段。預計今年年底前，我們還會看到這些機器人正式上崗。

在剛結束不久的世界機器人大會上，其則進一步展示了「一套機器人跨工位」的雛形。

同一台Phi-Bot X1、同一套模型，可以分別完成新能源汽車焊接車間的高精度上下料，以及汽車表面的移動質檢。在WRC期間，Phi-Bot X1還完成了5天累計36小時的焊接上下料與移動質檢雙工位自主循環作業。

這些場景也讓世界模型和機器人本體之間的關係更加清晰。光象科技希望建立的是一套具身大腦、本體、數據和真實場景共同演進的體系。

機器人進入真實工業環境，可以幫助團隊不斷獲得新的任務、數據和反饋。世界模型和算法則繼續吸收這些信息，再把新的能力遷移到機器人上。

這也對應光象科技一直堅持的軟硬一體路線。

只做大腦難以獲得足夠真實的行業入口和數據閉環，只做本體又容易陷入硬件同質化，具身大腦、本體和產業場景需要同時推進。

結語：世界模型熱潮之後，真正的分水嶺在真實世界

2026年的世界模型熱潮還遠沒有結束。

隨着更多機器人公司加入，這個概念很可能很快失去今天的新鮮感，逐漸成為具身智能公司的基礎技術配置。

屆時，評價一款世界模型的標準也會更加落地。

因為對於機器人而言，物理世界還有一套比Benchmark更嚴格的評分體系。零件有沒有抓住，位置有沒有放準，連續運行會不會中斷，投入以後能不能創造足夠的價值，這些最終都會給模型能力打分。

如今，光象科技選擇用「物理原生智能」回答這道題，並將世界模型、工業機器人和真實產線綁在同一條線上。