世界模型崛起，机器人AGI的“身体”与“大脑”如何被重构

在人工智能领域，2026年被视为"机器人AGI元年"。阿里CEO吴泳铭在云栖大会提出，未来机器将承担99.9%的思考工作，但"代表性产品尚未出现"。这一判断背后，是世界模型技术正在成为构建物理AI的关键基石。

世界模型：压缩建模物理世界的“大脑"

上海AI实验室对世界模型给出了明确的定义：它是在有限计算资源下，对物理世界状态转移过程的压缩建模。这种压缩不是简单的数据生成，而是信息论意义上的提炼。一个典型的世界模型需要具备三大特性：全模态感知（视觉、听觉、触觉等）、多维异步性（不同维度数据采样频率差异）和局域性（POMDP框架下的局部观察）。

值得注意的是，上海AI实验室强调"数据决定上限"——任何智能系统在物理世界的泛化能力，最终由训练数据的物理多样性决定。目前唯一能规模化提供这种多样性的，是开放互联网视频数据。例如，NVIDIA的Cosmos 3模型就尝试用统一的混合专家Transformer架构，同时处理语言、图像、视频、音频和动作五种模态。

从“看到就做”到“先想象再行动"

传统视觉语言模型（VLA）遵循"看到什么就做什么"的原则，而新一代世界-动作模型（WAM）则引入了"先预测后行动"的机制。智元机器人发布的GE-Act 2.0就是首个原生世界-动作模型，它从随机初始化开始，在具身数据上进行端到端训练，不针对特定任务微调。该模型仅用24个token（DINOv3的十六分之一）就能表示一帧256×384的画面，并在RTX 5090上实现104毫秒的动作生成。

最令人瞩目的是其验证的"机器人Scaling定律"：当训练数据从300小时扩展到3万小时（100倍），机器人在陌生场景的零样本任务完成数量从39项提升至76项，包括折叠毛巾、嵌套纸杯等复杂动作。

数据倒置金字塔：从互联网视频到任务数据

世界模型的 Scaling 前提是高质量的数据。当前主流方法采用"倒置金字塔工作流"：先用数十亿量级的互联网视频解锁隐含的物理先验，再逐层过滤、合成、提纯为任务对齐的真实世界数据。这种策略避免了专有机器人数据在多样性上的不足。

智元与上海创智学院联合发布的τ0-WM模型，就是在约27,300小时异构语料上预训练（含17,800小时真机遥操作、6,500小时UMI、3,000小时第一人称人类视频），仅5B参数规模就实现了"动作生成"、"视频预测"、"任务评估"的统一。推理时，它会采样多个候选动作，用动作条件视频模拟器"预演"未来，再选择最有前景的动作执行。

具身AGI的分级与商业化落地

当前具身AGI的发展仍处于L1-L2阶段，距离真正的类人认知还有很长距离。南洋理工的分级体系显示，所有现有系统仅能达到单任务（L1）或组合任务（L2）水平。最难的L5级全功能机器人，需要解决自我意识、终身学习等根本性问题。

在商业化方面，酷哇科技（Coowa）是较早将世界模型应用于实际场景的企业。该公司基于长期运营环卫、末端配送等机器人积累的50PB真实世界数据，推出了Coowa WAM 2.0通用世界模型底座。其双层智能体架构包含Urban VLM（城市视觉语言模型）和CooWAIM（交互式世界-动作模型），分别负责慢思考规划和快思考执行。

未来展望：数据多样性决定能力上限

物理AI的发展路径与大语言模型（LLM）高度相似：通过数据规模的指数级增长来提升能力。但物理数据面临特有的挑战：动作标签稀缺、采集成本高昂。谁能有效获取并利用足够多样性的物理数据，谁就能掌握物理AI的入场券。

网络安全领域已率先实现垂直ASI（专用超级智能），攻防双方均采用博弈论AI，人类角色退居监督者。这表明，当AI在特定领域达到超越人类的能力时，其应用模式会发生根本性转变。

总的来说，世界模型正在重构机器人AGI的"身体"与"大脑"。随着数据规模的持续扩大和技术路线的不断收敛，物理AI将在更多真实场景中展现其价值。