原力无限亮相 2026 物理 AI 与世界模型大会：让机器人真正理解世界，因果是关键

看了百万小时视频，机器人就真的理解这个世界了吗？

这是原力无限（INFIFORCE）联合创始人刘扬在 2026 物理 AI 与世界模型大会上抛出的一个问题。

10 月 19 日至 22 日，2026 物理 AI 与世界模型大会在南京举行，汇聚全球人工智能领域的顶尖学者、产业领袖与科技创新企业，共同探讨 AI 从数字世界迈向物理世界的下一阶段。

应南京市建邺区邀请，原力无限联合创始人刘扬出席大会 "资本赋能创新企业" 主题分会场，与南京大学教授王利民、梅花创投创始合伙人吴世春、极佳视界联合创始人兼首席科学家朱政等嘉宾共同参与主题分享。

刘扬以《因果世界模型：让机器人不只预测未来，更理解因果》为题，分享了原力无限在因果世界模型、具身大脑 AtomBrain 及持续学习领域的最新研究进展与技术路线。

当世界模型成为全球 AI 研究的重要方向，原力无限提出了一个值得关注的技术判断：规模决定机器人能够积累多少经验，而因果理解，决定这些经验能否真正转化为智能。

1 世界模型的下一站：从预测走向因果理解

世界模型正在成为人工智能领域最受关注的技术方向之一。

对于具身智能而言，其重要性尤为突出。

与数字世界中的大语言模型不同，机器人每一次动作都可能产生真实的物理后果。抓取力度不当可能损坏物品，操作顺序错误可能导致任务失败，复杂开放环境中的长尾问题，更无法依靠有限的训练样本穷尽。

因此，机器人需要在行动之前，具备推演动作后果的能力。

世界模型由此成为具身大脑的重要组成部分，让机器人能够在内部空间中模拟未来，进行任务规划与决策。

但刘扬进一步指出，能够预测未来画面，并不意味着真正理解物理世界。

模型可能通过大量视频学会某个动作之后通常会出现什么画面，却未必理解究竟是什么因素导致了这一结果。一旦物体材质、摩擦条件或环境发生变化，原本有效的预测就可能失灵。

因此，原力无限将因果推理作为世界模型研究的重要方向，通过学习物理世界中相对独立的因果机制，让机器人理解动作如何改变环境，进而具备反事实推演、失败诊断与跨场景迁移的能力。

2 从理论到模型：原力无限的因果世界模型技术路线

围绕这一判断，原力无限正在构建以 AtomBrain 为核心的分层具身大脑体系。

AtomBrain 采用高层视觉语言模型（VLM）与底层世界 — 动作模型（WAM）相结合的架构。高层负责记忆、任务规划与失败恢复；底层聚焦精细操作，通过隐式因果世界模型理解环境变化，并输出可执行的动作控制。

其中，隐式世界模型是原力无限重点投入的核心技术方向。

相较于直接生成未来画面，隐式世界模型在潜在表征空间预测环境状态变化，有望降低计算开销，并为因果结构建模提供更灵活的空间。

目前，原力无限已围绕这一方向形成多项研究成果：

● TrajLeWM： 优化编码器的轨迹表征，四项任务平均成功率由 85.8% 提升至 93.5%。

● CausalVAE： 以插件形式引入结构化因果机制，将 Physics 任务中的反事实预测准确率提升 102.5%。

● SRD： 改进长程预测中的误差累积问题，在 8 项任务中的 7 项取得更优表现，参数量减少 53%—58%，推理速度提升 44%。

从编码器、因果层到预测器，原力无限正在逐步完善隐式世界模型的关键技术链路，以持续积累的原创科研成果推动具身大脑能力迭代。

3 从海量经验到主动干预，让具身大脑持续进化

如果说因果世界模型解决的是机器人如何理解世界，那么真实世界数据与持续学习机制，决定了这种理解能否不断深化。

围绕这一目标，原力无限构建了以第一人称（Ego）原生数据为核心的技术与数据体系。

依托 DataGrid 全栈 AI Infra，原力无限将真实世界中的人类操作经验转化为可用于模型训练的物理交互数据，为具身大脑提供持续增长的经验来源。

此前发布的。通过渐进式具身对齐策略，模型真机任务成功率由 32.86% 提升至 51.43%。

这一研究也揭示出具身智能能力增长的重要规律：数据规模与对齐质量，共同决定模型的能力增益。

在此次演讲中，刘扬进一步提出原力无限下一阶段的核心技术路径：

因果表征学习 → 主动干预 → 持续进化。

通过大规模第一人称数据预训练，让模型学习因果表征；通过机器人在真实物理世界中的主动操作，积累直接的因果证据；再借助持续学习机制，从交互结果中提炼可迁移的因果结构，持续更新世界模型。

这意味着，机器人的每一次操作，都有机会成为一次新的学习过程。

在产业布局上，原力无限已于重庆推进具身大脑研发与训练中心建设，围绕真实场景、数据采集、模型训练和机器人部署建立闭环，为具身大脑规模化训练与持续进化提供基础设施支撑。

4 从预测型智能到求知型智能

对于原力无限而言，因果世界模型的长期价值，远不止于提升机器人完成某项任务的成功率。

在刘扬看来，未来更值得期待的，是机器人逐步形成类似科学家的学习能力。

面对未知环境，它能够主动观察、提出假设、设计动作、验证结果，并根据新的证据不断修正对世界的理解。

这一过程，将推动具身智能从执行、推断、设计，进一步迈向自主发现。

从持续学习到因果世界模型，从 Ego 原生数据到 AtomBrain 具身大脑，原力无限正在沿着这一方向持续推进原创研究与工程实践。

随着世界模型、因果推理与真实世界数据体系不断融合，具身智能正在迎来新的发展空间。

让机器人真正理解物理世界，并在与世界的交互中持续进化，正是原力无限面向下一代具身智能所选择的长期方向。

正如刘扬在演讲结尾所言："规模，让机器人见得多；因果，让机器人想得对。"

（来源：原力无限)