2026 年，世界模型正在成为具身智能发展的重要基础。在此之前，OpenAI 的 Sora、Google DeepMind 的 Genie、Wayve 的 GAIA-1 相继将 "视频生成"" 交互环境 ""驾驶仿真" 推向产业视野，一个曾主要存在于强化学习论文中的概念，正在成为机器人、空间智能等竞逐的新基础设施。这场竞争的重点，已经不再是 "生成一段多逼真的视频"。对于具身智能而言，真正稀缺的能力是机器能否理解眼前的物理世界，预判动作带来的连锁反应，并在低风险、低成本的虚拟环境中先试错，再把经验迁移到真实机器人身上。换句话说，世界模型要让机器不只是 "看见世界"，更要学会 "在世界中行动"。当前世界模型可梳理为四条路线：表征式、生成式、交互式，以及理解 — 生成 — 预测一体化。它们不是彼此替代的关系，更准确地说，这是世界模型从 "认识世界" 走向 "改变世界" 的能力阶梯。

　　表征式世界模型解决的第一个问题是：如何让机器知道，世界究竟由什么构成。现实世界的信息密度极高，一个机器人看见桌面，不只是看见一堆像素，而是需要区分杯子、剪刀、桌沿、人的手，理解它们之间的距离、遮挡、材质和可操作性。表征式世界模型的任务，就是将这些复杂输入压缩成更稳定、更可用于推理的 "潜在状态"。Yann LeCun 提出的 JEPA 是这一方向的重要代表，与直接预测每一个像素不同，JEPA 强调在抽象表征空间中预测被遮挡或未来的信息 —— 它关心的不是 "下一帧每个像素是什么颜色"，而是 "这个物体会移动到哪里"" 两个物体之间的关系会不会变化 "。Meta 的 V-JEPA 则将这套思路推进到视频学习，模型从大量无标注视频中学习物体持续性、运动和场景变化，比如一个球短暂被遮挡，模型需要理解球并未消失，而是仍在沿某种轨迹运动，这种能力对于机器人避障、抓取和连续任务执行十分基础。Dreamer 系列则展示了另一条路径：让智能体在潜在空间中" 想象 "未来，它先学习环境的压缩表示和状态转移规律，再在内部模拟多步动作结果，以较少的真实交互数据完成决策训练。表征式路线的优点是高效，不需要事无巨细地复刻现实，因此更适合做规划、控制和强化学习；但它的短板也很清楚 —— 一张抽象地图可以帮助机器理解" 哪里能走 "，却未必能直接提供一个足够丰富、可反复交互的训练世界。

　　生成式世界模型进一步回答：如果世界沿着某种条件发展下去，可能会变成什么样？Sora 让这一方向首次获得大规模公众关注，OpenAI 在其技术文章中提出，视频生成模型在学习海浪、车辆、人群、光影和物体运动的过程中，也在一定程度上学习物理世界的规律。这类模型的想象力极具吸引力：输入 "厨房台面上的玻璃杯被手臂碰到"，模型可以生成杯子倾倒、液体流动、物体碰撞后的画面；输入一段道路视频，它可以尝试生成不同天气、交通流和光照条件下的未来场景。对于数据高度稀缺的机器人行业，这意味着模型有机会批量制造训练样本。Google DeepMind 的 Genie 则把 "生成世界" 推进了一步，它可以根据图像、照片或文本提示生成可交互的二维环境，用户或智能体能在其中移动并触发环境变化 —— 虽然 Genie 距离通用三维机器人仿真仍有距离，但它验证了生成模型不必只负责播放视频，也可以成为智能体探索的环境。这一阶段的价值在于让机器人获得近乎无限的 "合成经验"，现实数据采集昂贵、缓慢且可能伴随安全风险，而在生成世界中，机器人可以在不同光照、地形、物体摆放和异常情境下反复试错。不过，生成得像并不等于预测得准，视频模型常见的 "物体漂移"" 手指变形 ""因果关系错位"，放到具身智能中都可能造成严重问题 —— 机器人不能因为模型生成了一段 "看起来合理" 的视频，就相信机械臂一定能够抓住玻璃杯。

　　交互式世界模型的关键变化，是将 "动作" 纳入模型。它不再只生成一个可能的未来，而是回答更具操作性的问题：如果机器人向左移动半米，画面和物理状态会如何变化？如果机械臂以不同角度抓取，物体会滑落还是被稳定夹住？如果自动驾驶汽车减速，周围车辆和行人会作何反应？Wayve 的 GAIA-1 是自动驾驶领域的典型案例，它尝试将视频、文本和驾驶控制信号结合，生成具有不同道路结构、交通参与者和天气条件的驾驶场景，其意义不只是 "合成一条道路视频"，而是让开发者能够在虚拟情境中检验驾驶策略 —— 当车辆转向、加速或制动时，环境会如何反馈。这类模型尤其适合处理长尾场景：现实道路上施工围挡、突然横穿的行人、异常停车的车辆等高风险案例相对少见，却恰恰是系统必须处理的难题，通过交互式世界模型，研发团队可以更低成本地构建这些测试情境。在空间智能领域，World Labs 推出的 Marble 也体现了相近方向：从图像、视频或文本构建可探索的三维空间，使智能体不仅 "看见一张图"，而是获得具备空间结构和可导航性的环境。交互式世界模型把行业的关注点从 "生成内容" 转移到 "模拟后果"，但它也面对更高要求：模型既要处理视觉真实感，又要维持三维几何、物理约束、动作响应和长时序一致性。

　　第四条路线不满足于把理解、生成、预测拆成多个模块，而是试图将它们整合成一个面向行动的系统。大晓机器人代表的正是这一方向：不是单独做视觉理解、视频生成或局部交互仿真，而是尝试把对世界的理解、对未来的生成、对动作后果的预测，以及真实机器人控制连接起来。这一成果也被英伟达用于 Cosmos 3 中，其作为中国世界模型探索成果的重要意义正在于此。这一思路背后的产业判断是：具身智能不是单一模型问题，机器人要完成 "进厨房拿取指定物品" 这样的任务，需要视觉识别、空间记忆、语言理解、未来状态预测、路径规划和动作控制连续协作，任何单点能力都无法独立承担全链路任务。过去，中国具身智能企业更多从机器人本体、执行器、视觉感知或垂直应用切入；一体化世界模型则提出了更高的系统命题 —— 让机器人在行动前完成内部推演，在行动中持续校正预测，并在行动后将经验沉淀为下一轮学习数据。如果这一闭环能够在真实任务中跑通，世界模型将不再只是一个 "数据生成工具"，而会成为机器人系统的认知与决策中枢。但也应看到，一体化并不等于万能，评价这类模型不能只看概念、参数规模或演示视频，而要回到可验证的指标：在未见过的场景中任务成功率是否稳定，在长时序任务里预测是否持续一致，模型预测与真实物理结果之间的偏差有多大，虚拟环境中学到的策略能否有效迁移到真实机器人，面对失败、干扰和意外时系统能否及时修正。因此更客观的判断是：大晓机器人所代表的一体化路线，符合世界模型由分散能力向具身闭环收敛的最新趋势，其价值将取决于真实场景表现。

　　四条路线并不是一场非此即彼的淘汰赛。表征式模型提供对世界的抽象压缩，生成式模型提供可扩展的未来样本，交互式模型建立动作与后果之间的联系，一体化模型则尝试将感知、推理、预测和控制连接起来。它们最终可能汇入同一个方向：世界模型不再只服务于内容生成，而是服务于现实决策。这也解释了为什么具身智能会成为世界模型最重要的试验场 —— 语言模型可以通过文本验证答案，世界模型却必须接受现实检验：一个动作是否安全，一次抓取是否成功，一段规划是否真正可执行。世界模型的终局，不是让机器生成更像现实的视频，而是让机器在进入现实之前，先在自己的 "内心世界" 里走一遍。