世界模型正成为“物理AI”的关键方向。它的目标不只是生成看起来逼真的视频，更是表示环境如何变化、行动会带来什么后果，并让机器人据此作出更可靠的判断。

在 2026 世界人工智能大会（WAIC）的一场讨论中，来自 Muka Robotics、生数科技、EvoPhys.ai 与成维资本的与会者提出了一种不同于传统大模型竞赛的思路：世界模型的竞争未必只取决于谁拥有最多 GPU，也可能越来越取决于学习效率、真实世界交互数据，以及在机器人上快速试错和验证的能力。

这并不等于中国已经拥有与美国前沿实验室相当的算力条件。更准确地说，这是与会者对竞争形态的判断：如果世界模型必须理解并作用于物理世界，那么算力固然重要，但它不再是唯一变量。WAIC 的现场规模也为这一讨论提供了背景——报道显示，超过 200 家具身智能与机器人企业参加了大会。8

从“堆算力”转向“高效率迭代”

圆桌的核心观点，是不宜继续用“是否追上美国前沿模型”的老框架来衡量一个仍在形成技术标准和商业标准的新赛道。对于资源相对有限的团队而言，若能以较低成本获取有效数据、让模型更充分利用异构数据，并迅速用真实机器验证失败原因，仍可能具备竞争力。

Muka Robotics 报道中提到的 WorldArena 成绩，被作为这种“效率优先”路径的例子：其 LJM 模型据称使用 32 张 GPU 获得较高排名。3 不过，这属于公司披露或相关报道中的基准测试结果，并非对整体技术领先性的独立审计结论。

关键差异在于评测方式。视频模型可以主要看画面是否自然；而面向具身智能的世界模型，则可以进一步检验：机器人按照模型预判执行后，是否真的能在摩擦、接触、运动轨迹和物体状态变化等物理约束下完成任务。预测一旦偏离现实，机器人执行往往会直接暴露问题。

机器人为何可能成为数据与评测的双重入口

与会者的逻辑建立在世界模型和具身智能的循环上：

1. 世界模型帮助机器人：预测环境变化与行动后果，为规划和执行提供参考；
2. 机器人反哺世界模型：真实操作产生带有动作条件的交互数据，并对预测是否成立给出直接反馈；
3. 部署、回收数据、再训练：反复循环后，数据采集、模型设计和评测都可能加快迭代。

WAIC 的展出规模说明了这一判断为何在中国语境中受到关注。上海官方指南称，展区设置了 300 多台机器人，覆盖制造、日常生活和娱乐等动态应用场景；另有报道统计，大会汇集了超过 200 家具身智能和机器人企业。108

这些数字并不能证明任何国家已经拥有决定性的数据优势。但它们解释了圆桌嘉宾的战略推理：机器人应用越多样，收集真实交互数据、验证物理预测是否有用的机会也可能越多。

供应链密度，优势不只是“硬件便宜”

讨论还指向一种“深圳式”的硬件协同能力：零部件供应商、系统集成商、机器人厂商与软件团队在地理和商业协作上较为接近，可能缩短从模型失败到下一轮实验之间的周期。

真正重要的并不只是设备成本，而是实验调整的速度。传感器配置、末端执行器、采集流程或机器人本体参数出现问题时，团队若能迅速改造机器、重新采集数据，再将数据送回训练环节，物理AI的迭代节奏就可能被拉快。

不过，这仍是一项战略推断，而不是技术领先的保证。供应链响应更快，可以加速实验，却不能自动解决泛化能力、安全性、可靠性和商业可行性等核心问题。

架构效率，是这套论点的另一半

生数科技的世界—动作模型研究，为圆桌所说的“架构带来杠杆”提供了一个具体例子。其 MotuBrain 将视频与动作放入共享的生成式框架中：策略建模、世界建模、视频生成、逆动力学，以及视频—动作联合预测，都被视作同一模型的不同推理模式。32

生数科技称，MotuBrain 联合建模理解、预测与动作，目标是提高异构数据利用率，并增强跨任务迁移能力。33 用更直白的话说，这是一种尝试：减少“看见世界”“预测世界变化”和“选择动作”之间彼此割裂的系统边界。

这并不意味着某一个公开架构已经解决了世界模型问题。它说明的是，为何与会者认为模型设计可能带来额外效率：如果同一套框架能在视频、动作与物理预测任务之间复用知识，能力提升未必与计算资源投入呈简单的一一对应关系。

从原始交互中学习物理规律的另一条路线

EvoPhys.ai 在讨论中代表了另一种思路：不主要依赖海量、精细整理的视频语料，而是从基础交互中学习物理规律，重点理解力、接触、运动与动作后果。

WAIC 也展示了相关技术活动。TrendForce 报道称，摩尔线程演示了在国产计算基础设施上完成北京大学 EvoPhys-World 的完整训练，该模型被描述为一个 5D 世界模型。9 这可以证明相关方向正在推进，但不足以独立验证圆桌中关于相对性能、数据效率或行业领先地位的更广泛主张。

“泰山”机会：既是高地，也是重担

与会者所说的“泰山”，可以从机会与负担两面理解。

机会：标准尚未固化

如果世界模型成为机器人、自主系统和仿真的基础能力层，早期团队或许有机会参与定义关键标准：该采集哪些数据、怎样评估物理推理、适配哪些机器人形态、哪些应用真正创造价值。

由于全球市场尚未形成明确的技术领跑者和成熟产品范式，先行者可能拥有更大的探索空间。

重担：没有现成路线图可照抄

但正因为没有成熟模板，创业公司也必须在市场给出答案之前，提前对数据管线、硬件平台、模型架构、评测方法、客户与商业模式作出昂贵选择。与纯软件模型相比，物理世界中的验证通常更慢、成本也更高。

因此，这场讨论不应被理解为“中国已经赢得世界模型竞赛”。它更像是对未来竞争变量的判断：在模型必须从物理世界学习、并在物理世界中行动的新领域，迭代速度、数据质量和架构效率，可能会与算力一道成为战略变量。

接下来该看什么

这套观点能否成立，最终不取决于大会叙事，而取决于以下四类证据：

• 独立评测：能否在多样环境中衡量物理预测和真实机器人表现，而不只是展示单点演示；
• 数据效率：在实际可采集、可标注的数据规模下，模型能否持续取得有意义的改进；
• 跨本体迁移：在一种机器人、传感器组合或任务上训练后，能否较少重训地泛化到其他平台；
• 部署经济性：世界模型能否实质提升安全性、可靠性或成本效率，从而支持长期商业应用。

现有资料可以证实，WAIC 上具身智能和机器人参与度很高，生数科技也公开了其世界—动作模型的技术表述。8103233 但资料并未独立证实圆桌涉及的具体算力比例、潜在数据供给企业数量，或中国已形成行业性领先等说法。更稳妥的理解是：这是一项雄心勃勃的战略命题，其可信度仍要由可重复的现实世界结果来检验。

世界模型正成为“物理AI”的关键方向。它的目标不只是生成看起来逼真的视频，更是表示环境如何变化、行动会带来什么后果，并让机器人据此作出更可靠的判断。

在 2026 世界人工智能大会（WAIC）的一场讨论中，来自 Muka Robotics、生数科技、EvoPhys.ai 与成维资本的与会者提出了一种不同于传统大模型竞赛的思路：世界模型的竞争未必只取决于谁拥有最多 GPU，也可能越来越取决于学习效率、真实世界交互数据，以及在机器人上快速试错和验证的能力。

这并不等于中国已经拥有与美国前沿实验室相当的算力条件。更准确地说，这是与会者对竞争形态的判断：如果世界模型必须理解并作用于物理世界，那么算力固然重要，但它不再是唯一变量。WAIC 的现场规模也为这一讨论提供了背景——报道显示，超过 200 家具身智能与机器人企业参加了大会。8

从“堆算力”转向“高效率迭代”

圆桌的核心观点，是不宜继续用“是否追上美国前沿模型”的老框架来衡量一个仍在形成技术标准和商业标准的新赛道。对于资源相对有限的团队而言，若能以较低成本获取有效数据、让模型更充分利用异构数据，并迅速用真实机器验证失败原因，仍可能具备竞争力。

Muka Robotics 报道中提到的 WorldArena 成绩，被作为这种“效率优先”路径的例子：其 LJM 模型据称使用 32 张 GPU 获得较高排名。3 不过，这属于公司披露或相关报道中的基准测试结果，并非对整体技术领先性的独立审计结论。

关键差异在于评测方式。视频模型可以主要看画面是否自然；而面向具身智能的世界模型，则可以进一步检验：机器人按照模型预判执行后，是否真的能在摩擦、接触、运动轨迹和物体状态变化等物理约束下完成任务。预测一旦偏离现实，机器人执行往往会直接暴露问题。

机器人为何可能成为数据与评测的双重入口

与会者的逻辑建立在世界模型和具身智能的循环上：

1. 世界模型帮助机器人：预测环境变化与行动后果，为规划和执行提供参考；
2. 机器人反哺世界模型：真实操作产生带有动作条件的交互数据，并对预测是否成立给出直接反馈；
3. 部署、回收数据、再训练：反复循环后，数据采集、模型设计和评测都可能加快迭代。

WAIC 的展出规模说明了这一判断为何在中国语境中受到关注。上海官方指南称，展区设置了 300 多台机器人，覆盖制造、日常生活和娱乐等动态应用场景；另有报道统计，大会汇集了超过 200 家具身智能和机器人企业。108

这些数字并不能证明任何国家已经拥有决定性的数据优势。但它们解释了圆桌嘉宾的战略推理：机器人应用越多样，收集真实交互数据、验证物理预测是否有用的机会也可能越多。

供应链密度，优势不只是“硬件便宜”

讨论还指向一种“深圳式”的硬件协同能力：零部件供应商、系统集成商、机器人厂商与软件团队在地理和商业协作上较为接近，可能缩短从模型失败到下一轮实验之间的周期。

真正重要的并不只是设备成本，而是实验调整的速度。传感器配置、末端执行器、采集流程或机器人本体参数出现问题时，团队若能迅速改造机器、重新采集数据，再将数据送回训练环节，物理AI的迭代节奏就可能被拉快。

不过，这仍是一项战略推断，而不是技术领先的保证。供应链响应更快，可以加速实验，却不能自动解决泛化能力、安全性、可靠性和商业可行性等核心问题。

架构效率，是这套论点的另一半

生数科技的世界—动作模型研究，为圆桌所说的“架构带来杠杆”提供了一个具体例子。其 MotuBrain 将视频与动作放入共享的生成式框架中：策略建模、世界建模、视频生成、逆动力学，以及视频—动作联合预测，都被视作同一模型的不同推理模式。32

生数科技称，MotuBrain 联合建模理解、预测与动作，目标是提高异构数据利用率，并增强跨任务迁移能力。33 用更直白的话说，这是一种尝试：减少“看见世界”“预测世界变化”和“选择动作”之间彼此割裂的系统边界。

这并不意味着某一个公开架构已经解决了世界模型问题。它说明的是，为何与会者认为模型设计可能带来额外效率：如果同一套框架能在视频、动作与物理预测任务之间复用知识，能力提升未必与计算资源投入呈简单的一一对应关系。

从原始交互中学习物理规律的另一条路线

EvoPhys.ai 在讨论中代表了另一种思路：不主要依赖海量、精细整理的视频语料，而是从基础交互中学习物理规律，重点理解力、接触、运动与动作后果。

WAIC 也展示了相关技术活动。TrendForce 报道称，摩尔线程演示了在国产计算基础设施上完成北京大学 EvoPhys-World 的完整训练，该模型被描述为一个 5D 世界模型。9 这可以证明相关方向正在推进，但不足以独立验证圆桌中关于相对性能、数据效率或行业领先地位的更广泛主张。

“泰山”机会：既是高地，也是重担

与会者所说的“泰山”，可以从机会与负担两面理解。

机会：标准尚未固化

如果世界模型成为机器人、自主系统和仿真的基础能力层，早期团队或许有机会参与定义关键标准：该采集哪些数据、怎样评估物理推理、适配哪些机器人形态、哪些应用真正创造价值。

由于全球市场尚未形成明确的技术领跑者和成熟产品范式，先行者可能拥有更大的探索空间。

重担：没有现成路线图可照抄

但正因为没有成熟模板，创业公司也必须在市场给出答案之前，提前对数据管线、硬件平台、模型架构、评测方法、客户与商业模式作出昂贵选择。与纯软件模型相比，物理世界中的验证通常更慢、成本也更高。

因此，这场讨论不应被理解为“中国已经赢得世界模型竞赛”。它更像是对未来竞争变量的判断：在模型必须从物理世界学习、并在物理世界中行动的新领域，迭代速度、数据质量和架构效率，可能会与算力一道成为战略变量。

接下来该看什么

这套观点能否成立，最终不取决于大会叙事，而取决于以下四类证据：

• 独立评测：能否在多样环境中衡量物理预测和真实机器人表现，而不只是展示单点演示；
• 数据效率：在实际可采集、可标注的数据规模下，模型能否持续取得有意义的改进；
• 跨本体迁移：在一种机器人、传感器组合或任务上训练后，能否较少重训地泛化到其他平台；
• 部署经济性：世界模型能否实质提升安全性、可靠性或成本效率，从而支持长期商业应用。

现有资料可以证实，WAIC 上具身智能和机器人参与度很高，生数科技也公开了其世界—动作模型的技术表述。8103233 但资料并未独立证实圆桌涉及的具体算力比例、潜在数据供给企业数量，或中国已形成行业性领先等说法。更稳妥的理解是：这是一项雄心勃勃的战略命题，其可信度仍要由可重复的现实世界结果来检验。