李云竹在CoRL2026提出可控世界模型是机器人训练评估关键

2026年11月12日，机器人学习顶会CoRL在奥斯汀举办工作坊「机器人需要世界模型吗？」，哥伦比亚大学助理教授、World Labs联合创始人李云竹作为压轴讲者系统阐述世界模型的核心价值。他明确区分世界模型（前向预测系统）与策略模型（逆过程），指出二者协同而非互斥，并以无人机、火箭等成功系统为例，说明精确内部模型仍是落地关键——“模型不必完美”，可通过合理随机化与sim-to-real迁移实现稳健策略。

针对操作任务中环境高度非结构化的挑战，李云竹团队长期聚焦两类路径：一是Genie类纯数据驱动模型，虽性能强但交互一致性不足；二是物理引擎仿真系统（如Isaac、MuJoCo），强一致性却依赖全观测量。为此，其团队发展出基于图的动力学模型（GBND），将环境抽象为节点与边，用神经网络学习动态演化，在捏面团等可变形物体任务中已验证有效性，相关综述于2025年9月发表于《Science Robotics》。

他特别强调数据复用价值：大规模模仿学习采集的“动作条件交互序列”应同时用于训练策略与构建世界模型，形成双轨并行架构，提升效率并赋予策略评估可解释性——失效时可回溯预测偏差定位根源。更关键的是，“可控性”为实用门槛，即支持反事实推理与干预实验（如“换手抓取结果如何”），方能支撑可复现、可扩展的安全验证。

李云竹透露下一步将拓展至刚体-流体耦合、开放环境及长期规划嵌入；他总结称：“我们不是要取代策略学习，而是为其提供一个可信赖的‘沙盒’——在那里，每一次失败都有迹可循，每一次改进都有据可依。”业内认为，该立场代表领域从端到端黑箱转向模块化、可理解系统的清晰趋势，尤其在工业服务机器人高可靠性需求下，可控世界模型正从“可选”变为“必需”。