智象梅涛提出智能体化世界模型，三模块协同实现OneTokenSpace,OneWorld

2026年11月5日，第二届国际工程智能大会在世界顶尖科学家论坛框架下举行。加拿大工程院外籍院士、智象元一（HiDream.ai）创始人兼CEO梅涛发表主题演讲，系统阐述其关于下一代人工智能的核心构想——构建“智能体化的全模态世界模型”（Agentic Omnimodal World Models）。这一提法并非概念空转，而是针对当前AI发展瓶颈提出的结构化解决方案。

当前AI能力呈现显著的“数字-物理”割裂：在数字智能（Digital AI）领域，大模型已在文本生成、代码编写、视频合成乃至数学推理中达到甚至超越人类专家水平。OpenAI近期一次性公开377项数学成果，覆盖数百个长期悬而未决的问题，即是明证。但物理智能（Physical AI）进展缓慢，受限于物理规律理解薄弱、真实交互数据稀缺以及闭环执行能力不足。

梅涛指出，世界模型正是弥合这一鸿沟的关键桥梁。其本质是让AI建模并推演现实世界的运行逻辑，涵盖状态演化、物理约束与因果链条，从而支撑感知、预测与决策。而通往世界模型的技术路径，目前已形成三条主线：大语言模型（LLM）、多模态模型与具身大模型。梅涛强调，这三条路线并非平行竞争，而是将在长期演进中汇流，最终指向“智能体化世界模型”。

该模型由三个核心组件构成：

第一部分是LLM，作为智能体的“决策大脑”，负责意图理解、逻辑推理与任务规划；

第二部分是Omni-Model，即通用世界模型，扮演“世界模拟器”角色——它接收LLM输出的意图指令，模拟物理环境响应，预判动作后果，并动态生成后续动作建议；

第三部分是Embodied Context（具身上下文），负责对接真实物理世界，执行具身动作（如机械臂操作、移动机器人导航），并将传感器反馈实时回传，用于校准与更新世界模型参数。

三者协同运作，目标是实现“One Token Space, One World”——即在统一的Token空间内，思维世界与物理世界完成语义对齐与行为闭环。这一理念既是对现有技术栈的整合，也重新定义了智能体与环境的交互范式。

为支撑该架构，智象自研了原生全模态 Unified Transformer（UiT）模型底座，首次实现文本、图像、视频、空间位姿、力触觉及传感器信号等异构模态的统一表征。不同于传统多模态模型采用拼接或适配器方式融合模态，UiT从底层架构层面实现跨模态对齐，为高保真世界建模提供基础。

基于UiT，智象构建了完整的世界模型矩阵：从静态图像模型起步，延伸至视频理解模型，再进化为支持空间交互的HiDream-O1-World，最终落地具身模型HiDream-O1-Embodied。这一演进路径清晰对应从“看懂世界”到“推演世界”，再到“作用于世界”的能力跃迁。

在商业化层面，智象已形成“1+1+3”架构：底层为UiT驱动的世界模型矩阵；中间层为企业级模型平台HiHarness，集成自研HiDream-O1系列及第三方顶尖模型；上层则部署三大垂直智能体：面向AIGC营销的HiBurst、影视创作智能体“帧赞”与内容生成智能体vivago。

值得注意的是，该框架已在多个场景验证可行性。在具身智能方向，世界模型可规模化生成毫米级精度的动作视频，用于机器人训练数据合成；在生命科学领域，其能辅助药物响应评估的前置筛选，通过模拟分子-靶点相互作用降低实验成本。

梅涛还以Super-agent为例说明智能体的实际能力边界：该智能体可在macOS桌面环境中主动监听用户操作，在窗口未聚焦时误触发双击事件后，自动识别问题根源（Electron默认行为导致），并提交Pull Request修复代码，实现“感知-诊断-行动-验证”闭环。此类能力依赖于对操作系统交互逻辑的深层建模，正是世界模型价值的微观体现。

从行业趋势看，全球大模型调用规模正加速扩张。OpenRouter数据显示，截至2026年10月，中国周Token调用量达93万亿，为美国的4.16倍，连续26周位居全球首位。与此同时，模型迭代周期已从2023年的约12个月压缩至按周推进，递归自我改进（RSI）机制推动AI进入自我加速轨道。

在此背景下，单纯提升参数量或训练数据规模已难构成持续优势。真正的竞争焦点转向“如何让AI真正理解并作用于物理世界”。世界模型作为连接数字与物理的枢纽，其架构设计决定未来智能体的泛化能力与可靠性。

图中展示的PushT任务长程规划成功率曲线进一步佐证该路径价值：采用循环复用架构（LoopLeWM）的世界模型，在参数量仅增加100%时，成功率即趋近80%；而同等参数增幅下，分层架构（HI-LeWM / DINO-WM）与纯增大参数的扁平架构（DINO-WM 扁平）分别仅达65%与25%。这表明，结构优化比单纯堆参更有效。

智象的探索代表了一种务实路径：不追求单一模型通吃，而是通过模块化协同，让LLM专注认知、Omni-Model专注仿真、Embodied Context专注执行，各司其职又紧密耦合。这种“解耦-协同”思路，或将成为下一阶段AI系统设计的主流范式。

目前，该架构仍处于工程落地初期，面临真实环境噪声鲁棒性、长时序因果一致性等挑战。但其明确的技术路线与已验证的场景价值，为行业提供了可参考的演进坐标。