世界模型唔一定鬥 GPU：WAIC 論壇眼中，中國新創點樣另闢戰場

世界模型（world model）正逐漸成為「物理 AI」嘅核心概念。佢唔只係生成睇落合理嘅影片，而係要理解環境點樣變化，並預測一個行動會帶來咩後果。

喺 WAIC 2026，Muka Robotics、生數科技（Shengshu Technology）、EvoPhys.ai 同成為資本等參與嘅論壇提出一個觀點：中國世界模型新創未必需要照住美國前沿模型實驗室嘅規模化路線行。重點唔係話中國已經有同等級嘅前沿算力，而係世界模型嘅進展，可能愈來愈取決於 學習效率、真實世界互動數據，同埋用機械人快速試錯嘅能力。

WAIC 呢個背景本身亦反映到具身智能嘅熱度：有報道指，超過 200 間具身 AI 及機械人公司參與展會。8

競爭焦點：由堆算力，轉向迭代效率

論壇嘅論點係，喺一個技術標準同商業模式仍未定型嘅領域，單純以「可唔可以追到美國最大模型」作比較，未必最有意思。就算團隊可用算力較少，只要可以平啲、更快咁收集有用嘅物理世界數據，令模型有效處理不同種類數據，再用真機迅速測出問題，仍可能具備競爭力。

Muka Robotics 曾報稱，其 LJM 世界模型以 32 枚 GPU 取得 WorldArena 高排名，被視為效率優先路線嘅例子。3 不過，呢個係公司報稱嘅基準測試結果，唔等於有獨立審核證明其整體技術領先。

分別其實好實際：影片模型可以靠畫面似唔似真去評分；但用於具身智能嘅世界模型，最終可以睇機械人按模型預測去做動作時，喺真實物理限制下成功定失敗。模型一旦錯估接觸、物件狀態或者運動軌跡，真機操作就會好快揭露問題。

機械人既係數據來源，亦係考官

論壇設想咗一個由世界模型同具身智能互相強化嘅循環：

1. 世界模型幫機械人預測環境變化，以及行動可能造成嘅結果；
2. 機械人幫世界模型提供帶有行動條件嘅互動數據，並以真實結果回饋預測有冇成立；
3. 持續部署、再訓練，令數據蒐集、模型設計同評測可以更快迭代。

上海官方 WAIC 指南提到，展區有超過 300 部機械人喺動態應用場景示範；另有報道指，活動有逾 200 間具身 AI 與機械人企業參與。108

呢啲數字唔足以證明任何國家已經有決定性數據優勢，但可以解釋論壇嘅策略思路：如果機械人應用夠多元，就會有更多場合收集互動資料，亦有更多機會檢驗模型嘅物理預測到底有冇用。

硬件供應鏈密度，關鍵在「改得快」

另一個論點係近似深圳式嘅硬件協作：零件供應商、系統整合商、機械人製造商同軟件團隊之間距離近、合作鏈短，可能縮短由一次模型失敗，到下一輪實驗嘅時間。

優勢未必只係硬件平，而係團隊可較快調整感應器配置、末端執行器、數據收集流程或機械人設定，再將新數據帶返訓練流程。喺物理 AI，模型質素往往同用咩機器、感應器同環境去收集及驗證數據分唔開。

但呢個仍然係策略假設，唔係技術領先嘅保證。供應鏈反應快可以加速實驗，卻唔會自動解決泛化能力、安全性、可靠性同商業可行性等難題。

架構效率：另一半賭注

生數科技嘅世界—行動模型研究，提供咗一個較具體嘅架構方向。其 MotuBrain 將影片同動作放入共享嘅生成式框架，令策略建模、世界建模、影片生成、逆向動力學，以及影片—動作聯合預測，成為同一模型嘅不同推論模式。32

生數科技表示，MotuBrain 會聯合建模理解、預測同動作，目標係提升異質數據嘅利用率，同時加強跨任務遷移能力。33 白話啲講，即係嘗試減少「睇世界」、「估世界點變」同「決定做咩」三件事之間嘅割裂。

重點唔係一個已發表架構已經解決全個領域，而係佢反映論壇嘅判斷：如果一套框架可以喺影片、動作同物理預測任務之間重用資訊，能力提升未必會同算力投入一比一掛鈎。

由基本互動學物理：另一條路

EvoPhys.ai 被描述為由另一方向處理同一個樽頸：與其主要依賴極大量整理好嘅影片資料，不如由基本互動中學習物理規律，例如力、接觸、運動，以及行動後果。

WAIC 亦可見相關技術活動。TrendForce 報道，摩爾線程展示以本土運算基礎設施，完成北京大學 EvoPhys-World——一個被描述為 5D 世界模型——嘅完整訓練。9 呢件事證明相關研發正在進行，但未有獨立證據足以驗證論壇對比較性能、數據效率或國家領先地位嘅更廣泛主張。

「泰山」機會：既係高峰，亦係重擔

論壇用「泰山」去形容呢個機會，正好有兩面。

機會：有可能由先行者定義規則

如果世界模型成為機械人、自動系統同模擬技術嘅核心層，早期團隊可能有機會參與定義重要標準：收集咩數據、點樣測物理推理、支援邊類機械人本體，以及咩應用真正創造價值。由於全球未有完全確立嘅龍頭或產品公式，先行者可能有較大空間。

重擔：冇現成地圖可以照抄

同樣因為未有模板，新創要喺市場未證明答案之前，就選擇數據管線、硬件平台、模型架構、評測方法、客戶同商業模式。真實物理世界嘅驗證，通常亦比純軟件模型更慢、更貴。

所以，論壇嘅意思唔應理解成「中國已經贏咗世界模型競賽」。較準確嘅理解係：喺一個模型需要從物理世界學習、又要喺物理世界行動嘅新賽道，迭代速度、數據質素同架構設計，可能會同算力一樣成為戰略變數。

下一步要睇咩證據？

呢個論點最後要靠可重複、可比較嘅成果驗證，而唔係靠會議敘事。尤其值得留意四點：

• 獨立評測： 能否喺多種環境下量度物理預測同真機表現，而唔係只睇單一示範；
• 數據效率： 用現實上可收集、可標註嘅互動數據量，能否帶來實質進步；
• 跨本體遷移： 一部機械人、感應器組合或任務上訓練嘅模型，可否少量再訓練甚至毋須大改，就遷移到其他平台；
• 部署經濟性： 世界模型有冇真係令機械人更安全、更可靠或成本更低，足以支撐長期商業部署。

目前資料支持 WAIC 有活躍嘅機械人參與，以及生數科技已公開嘅世界—行動模型表述；但未能獨立確立論壇所指嘅特定算力比較、潛在數據供應機械人企業數目，或者中國整體領先等說法。現階段，呢個較適合被理解為一個雄心勃勃嘅策略命題，其可信度有賴日後可重複嘅真實世界成果。8103233