世界模型正成為「實體 AI」的重要議題。這類系統的目標不只是生成看起來合理的影片，而是表徵環境如何變化，以及不同動作會帶來什麼後果。

在 WAIC 2026（世界人工智慧大會）的一場討論中，來自 Muka Robotics、生數科技、EvoPhys.ai 與成為資本的與談人提出一項策略判斷：中國世界模型新創的競爭，不一定要繼續遵循「以算力規模追趕美國前沿模型」的既有框架。

這並不是說中國已擁有等量的前沿運算資源。與談人的論點是，世界模型的進步可能愈來愈取決於學習效率、真實世界互動資料，以及透過機器人快速測試的能力；在這些環節中，密集的機器人與硬體生態系，可能與 GPU 總量同樣重要。WAIC 的展出規模提供了這項討論的背景：有報導指出，會中有超過 200 家具身 AI 與機器人企業參與。 8

從「算力比拚」轉向「迭代效率」

與談人認為，若世界模型仍處在技術標準與商業模式都未定型的階段，直接拿它與美國大型 AI 實驗室的算力規模比較，未必是最有意義的尺度。

一支運算資源較少的團隊，若能以較低成本取得有價值的物理世界資料、有效運用異質資料訓練模型，並在真實機器上迅速發現與修正失敗，仍可能具備競爭力。

Muka Robotics 宣稱，其 LJM 世界模型以 32 張 GPU 在 WorldArena 取得高排名，便被作為「效率優先」路線的例子。需要留意的是，這是公司所報告的基準測試成果，並非經獨立稽核後可用來判定整體技術領先地位的結論。 3

差異在於評估方式。影片模型可以主要看畫面是否逼真；具身世界模型則能在機器人執行任務時，檢驗它對行動結果的預測是否符合物理限制。若模型錯估接觸、運動或物體狀態，實體機器人的執行結果就可能直接暴露問題。

機器人，既是資料來源也是驗證工具

這套論述的核心，是世界模型與具身智慧之間可能形成的回饋循環：

1. 世界模型協助機器人：預測環境變化，以及某項動作可能造成的後果。
2. 機器人反過來協助世界模型：提供帶有動作條件的互動資料，並以實際結果驗證模型預測是否成立。
3. 持續部署、再訓練與再測試：把回饋轉化為更快的資料蒐集、模型設計與評測迭代。

WAIC 的展場規模說明了為何與談人認為這一點在中國值得關注。上海市官方 WAIC 指南提到，現場有超過 300 台機器人展示製造、日常生活與娛樂等動態應用情境；另有報導統計，參展的具身 AI 與機器人企業超過 200 家。 108

這些數字並不能證明任何國家已取得決定性的資料優勢，但它們說明了與談人的策略邏輯：若機器人應用場景夠多樣，便可能同時帶來更多互動資料，以及更多檢驗模型物理預測是否真正有用的機會。

高密度供應鏈，可能縮短實驗週期

與談人也提到類似深圳的硬體協作模式：零組件供應商、系統整合商、機器人製造商與軟體團隊在地理與商業關係上距離較近，可能縮短「模型失敗」到「下一輪實驗」之間的時間。

重點不只是硬體成本較低，而是能否快速調整感測器配置、末端執行器、資料蒐集流程或機器人設計，再把新資料帶回訓練流程。對實體 AI 而言，模型品質往往難以與用來蒐集、驗證資料的機器、感測器與環境切割來看。

不過，這仍是一項策略命題，而不是技術領先的保證。供應鏈反應速度可以加速實驗，卻無法單獨解決泛化能力、安全性、可靠度或商業可行性等關鍵問題。

架構設計，是另一半賭注

生數科技的世界—動作模型研究，為這種架構導向的路線提供一個具體例子。其 MotuBrain 論文提出以共享的生成式框架共同建模影片與動作，讓策略建模、世界建模、影片生成、逆動力學，以及影片—動作聯合預測，成為同一模型的不同推論模式。 32

生數科技表示，MotuBrain 共同處理理解、預測與行動，目標是提高異質資料的利用效率，並強化不同任務之間的遷移能力。 33 白話來說，這是在嘗試縮小「看懂世界」、「預測世界如何演變」與「決定下一步怎麼做」三件事之間的斷裂。

意義不在於單一已發表架構已經解決了整個領域的難題，而在於它示範了為何模型設計可能帶來槓桿：若同一套框架能重複利用影片、動作與物理預測任務中的資訊，能力提升未必會與算力投入呈現簡單的一比一關係。

從基本互動學物理：另一條路線

EvoPhys.ai 在討論中被描述為從另一個方向處理同一瓶頸：不主要依賴大量整理過的影片資料，而是嘗試從基本互動中學習物理規律。其預期好處，是讓模型更貼近力、接觸、運動與行動後果等物理現象。

WAIC 也出現相關技術動態。TrendForce 報導，摩爾線程展示了以國產運算基礎設施完成北京大學 EvoPhys-World 訓練的成果；該模型被描述為 5D 世界模型。 9 這確認相關技術方向正受到投入，但不足以獨立驗證與談人對比較效能、資料效率或國家級領先地位的廣泛主張。

「泰山」般的機會，也是沉重負擔

與談人以「泰山」比喻這個賽道，指向的是同一件事的兩面。

機會：有機會參與定義規則

如果世界模型成為機器人、自主系統與模擬技術的核心底層能力，早期團隊就可能參與定義重要標準：該蒐集什麼資料、如何衡量物理推理能力、支援哪些機器人本體，以及哪些應用能真正創造價值。

在全球領導者、成熟產品與固定玩法都尚未確立時，先行者確實可能有更大空間。

負擔：沒有現成答案可照抄

但沒有範本，同時意味著更高的執行風險。新創必須在市場尚未證明哪些選擇能長久之前，就對資料管線、硬體平台、模型架構、評測方法、客戶與商業模式做出昂貴決策。

而且，物理世界的驗證通常比純軟體模型更慢、成本更高。一次真實機器人的失敗，可能牽涉硬體調整、場域重建、資料重新蒐集與安全風險管理。

因此，這場討論不應被解讀成「中國已經贏得世界模型競賽」。它更像是對競爭型態的判斷：在模型必須從物理世界學習、並對物理世界採取行動的新興領域，迭代速度、資料品質與模型架構，可能會和算力一起成為戰略變數。

接下來該看哪些證據？

這項論點最終不會由會議敘事決定，而要看四類可重複驗證的成果：

• 獨立評測：能在多種環境中測量物理預測與真實機器人表現，而非只展示個別案例。
• 資料效率：模型能否在實務上可蒐集、可標註的互動資料量下，持續取得有意義的進步。
• 跨本體遷移：同一模型能否從一種機器人、感測器組合或任務，遷移到其他設定，而不需大規模重新訓練。
• 部署經濟性：世界模型能否讓機器人更安全、更可靠，或顯著降低成本，從而支撐長期商業部署。

目前可取得的資料支持 WAIC 具有活躍的機器人參與度，也支持生數科技已公開其世界—動作模型架構；但它們並未獨立證實與談人所提的特定算力比較、可提供資料的機器人企業數量，或中國已在全產業取得領先。較合適的理解是：這是一項雄心勃勃的策略主張，其可信度仍取決於可重複的真實世界成果。 8103233

世界模型正成為「實體 AI」的重要議題。這類系統的目標不只是生成看起來合理的影片，而是表徵環境如何變化，以及不同動作會帶來什麼後果。

在 WAIC 2026（世界人工智慧大會）的一場討論中，來自 Muka Robotics、生數科技、EvoPhys.ai 與成為資本的與談人提出一項策略判斷：中國世界模型新創的競爭，不一定要繼續遵循「以算力規模追趕美國前沿模型」的既有框架。

這並不是說中國已擁有等量的前沿運算資源。與談人的論點是，世界模型的進步可能愈來愈取決於學習效率、真實世界互動資料，以及透過機器人快速測試的能力；在這些環節中，密集的機器人與硬體生態系，可能與 GPU 總量同樣重要。WAIC 的展出規模提供了這項討論的背景：有報導指出，會中有超過 200 家具身 AI 與機器人企業參與。 8

從「算力比拚」轉向「迭代效率」

與談人認為，若世界模型仍處在技術標準與商業模式都未定型的階段，直接拿它與美國大型 AI 實驗室的算力規模比較，未必是最有意義的尺度。

一支運算資源較少的團隊，若能以較低成本取得有價值的物理世界資料、有效運用異質資料訓練模型，並在真實機器上迅速發現與修正失敗，仍可能具備競爭力。

Muka Robotics 宣稱，其 LJM 世界模型以 32 張 GPU 在 WorldArena 取得高排名，便被作為「效率優先」路線的例子。需要留意的是，這是公司所報告的基準測試成果，並非經獨立稽核後可用來判定整體技術領先地位的結論。 3

差異在於評估方式。影片模型可以主要看畫面是否逼真；具身世界模型則能在機器人執行任務時，檢驗它對行動結果的預測是否符合物理限制。若模型錯估接觸、運動或物體狀態，實體機器人的執行結果就可能直接暴露問題。

機器人，既是資料來源也是驗證工具

這套論述的核心，是世界模型與具身智慧之間可能形成的回饋循環：

1. 世界模型協助機器人：預測環境變化，以及某項動作可能造成的後果。
2. 機器人反過來協助世界模型：提供帶有動作條件的互動資料，並以實際結果驗證模型預測是否成立。
3. 持續部署、再訓練與再測試：把回饋轉化為更快的資料蒐集、模型設計與評測迭代。

WAIC 的展場規模說明了為何與談人認為這一點在中國值得關注。上海市官方 WAIC 指南提到，現場有超過 300 台機器人展示製造、日常生活與娛樂等動態應用情境；另有報導統計，參展的具身 AI 與機器人企業超過 200 家。 108

這些數字並不能證明任何國家已取得決定性的資料優勢，但它們說明了與談人的策略邏輯：若機器人應用場景夠多樣，便可能同時帶來更多互動資料，以及更多檢驗模型物理預測是否真正有用的機會。

高密度供應鏈，可能縮短實驗週期

與談人也提到類似深圳的硬體協作模式：零組件供應商、系統整合商、機器人製造商與軟體團隊在地理與商業關係上距離較近，可能縮短「模型失敗」到「下一輪實驗」之間的時間。

重點不只是硬體成本較低，而是能否快速調整感測器配置、末端執行器、資料蒐集流程或機器人設計，再把新資料帶回訓練流程。對實體 AI 而言，模型品質往往難以與用來蒐集、驗證資料的機器、感測器與環境切割來看。

不過，這仍是一項策略命題，而不是技術領先的保證。供應鏈反應速度可以加速實驗，卻無法單獨解決泛化能力、安全性、可靠度或商業可行性等關鍵問題。

架構設計，是另一半賭注

生數科技的世界—動作模型研究，為這種架構導向的路線提供一個具體例子。其 MotuBrain 論文提出以共享的生成式框架共同建模影片與動作，讓策略建模、世界建模、影片生成、逆動力學，以及影片—動作聯合預測，成為同一模型的不同推論模式。 32

生數科技表示，MotuBrain 共同處理理解、預測與行動，目標是提高異質資料的利用效率，並強化不同任務之間的遷移能力。 33 白話來說，這是在嘗試縮小「看懂世界」、「預測世界如何演變」與「決定下一步怎麼做」三件事之間的斷裂。

意義不在於單一已發表架構已經解決了整個領域的難題，而在於它示範了為何模型設計可能帶來槓桿：若同一套框架能重複利用影片、動作與物理預測任務中的資訊，能力提升未必會與算力投入呈現簡單的一比一關係。

從基本互動學物理：另一條路線

EvoPhys.ai 在討論中被描述為從另一個方向處理同一瓶頸：不主要依賴大量整理過的影片資料，而是嘗試從基本互動中學習物理規律。其預期好處，是讓模型更貼近力、接觸、運動與行動後果等物理現象。

WAIC 也出現相關技術動態。TrendForce 報導，摩爾線程展示了以國產運算基礎設施完成北京大學 EvoPhys-World 訓練的成果；該模型被描述為 5D 世界模型。 9 這確認相關技術方向正受到投入，但不足以獨立驗證與談人對比較效能、資料效率或國家級領先地位的廣泛主張。

「泰山」般的機會，也是沉重負擔

與談人以「泰山」比喻這個賽道，指向的是同一件事的兩面。

機會：有機會參與定義規則

如果世界模型成為機器人、自主系統與模擬技術的核心底層能力，早期團隊就可能參與定義重要標準：該蒐集什麼資料、如何衡量物理推理能力、支援哪些機器人本體，以及哪些應用能真正創造價值。

在全球領導者、成熟產品與固定玩法都尚未確立時，先行者確實可能有更大空間。

負擔：沒有現成答案可照抄

但沒有範本，同時意味著更高的執行風險。新創必須在市場尚未證明哪些選擇能長久之前，就對資料管線、硬體平台、模型架構、評測方法、客戶與商業模式做出昂貴決策。

而且，物理世界的驗證通常比純軟體模型更慢、成本更高。一次真實機器人的失敗，可能牽涉硬體調整、場域重建、資料重新蒐集與安全風險管理。

因此，這場討論不應被解讀成「中國已經贏得世界模型競賽」。它更像是對競爭型態的判斷：在模型必須從物理世界學習、並對物理世界採取行動的新興領域，迭代速度、資料品質與模型架構，可能會和算力一起成為戰略變數。

接下來該看哪些證據？

這項論點最終不會由會議敘事決定，而要看四類可重複驗證的成果：

• 獨立評測：能在多種環境中測量物理預測與真實機器人表現，而非只展示個別案例。
• 資料效率：模型能否在實務上可蒐集、可標註的互動資料量下，持續取得有意義的進步。
• 跨本體遷移：同一模型能否從一種機器人、感測器組合或任務，遷移到其他設定，而不需大規模重新訓練。
• 部署經濟性：世界模型能否讓機器人更安全、更可靠，或顯著降低成本，從而支撐長期商業部署。

目前可取得的資料支持 WAIC 具有活躍的機器人參與度，也支持生數科技已公開其世界—動作模型架構；但它們並未獨立證實與談人所提的特定算力比較、可提供資料的機器人企業數量，或中國已在全產業取得領先。較合適的理解是：這是一項雄心勃勃的策略主張，其可信度仍取決於可重複的真實世界成果。 8103233