CoRL2026辩论现场投票反转，Finn与MaxLi交锋后，多数人改投“机器人无需世界模型”

11月12日中午，机器人学习顶级会议 CoRL 2026 在奥斯汀 JW Marriott 的 Brazos 会场举行一场备受关注的工作坊压轴辩论。主题直指当前具身智能领域的核心争议：“机器人需要世界模型吗？”这场辩论不仅汇聚了学界一线研究者，更因现场投票出现戏剧性反转而引发广泛讨论。

辩论由哥伦比亚大学、SceniX 与 World Labs 的 Yunzhu Li 主持。为聚焦核心问题，主办方将原本拆解的四项技术动议——包括端到端策略能否内化预测结构、通用策略与通用世界模型的习得难度比较、显式世界模型对可复现评估的必要性，以及现有基准对世界模型必要性的判断能力——统一收束为单一议题进行现场投票。

辩论采用立场分配制：正方（YES）为 NVIDIA 的 Max Zhaoshuo Li 与达姆施塔特工业大学的 Georgia Chalvatzaki，主张世界模型是实现可靠、通用机器人行为的必要条件；反方（NO）为斯坦福大学与 Physical Intelligence 的 Chelsea Finn 与麻省理工学院及 Rhoda AI 的 Vincent Sitzmann，认为可靠行为可从依赖观测历史、上下文与记忆的策略中自然涌现。需强调的是，辩手所持立场仅为推动严谨讨论，并不代表其个人全部观点。

辩论前的预投票显示，参会者中多数倾向“需要世界模型”。然而，经过近一小时交锋，最终投票结果发生明显逆转——更多人转向支持“无需世界模型”的立场。

Max Zhaoshuo Li 首先发言，将世界模型定位为智能体决策的底层基础。他指出，智能体必须先预判动作后果，才能选择最优行动路径。他以编程智能体为例：后者写完代码后会运行并观察反馈，机器人发展理应遵循相似逻辑。他承认反方观点——即策略可通过历史观测压缩动作空间——在简单任务中可行，但在处理复杂物体或高不确定性环境时，缺乏预测能力将导致失败。

Chelsea Finn 则从自身研究历程切入。她坦言早在 2016 年便投身世界模型方向，彼时该路径被视为通向通用能力的希望：基于动作条件的视频预测模型展现出初步泛化能力，能适应训练中未见的目标。但近年来，她观察到另一类模型已实现零样本泛化——即以语言或任务视频为条件、直接输出动作的基础模型，可适配新物体、新场景乃至全新机器人-任务组合，并已在真实环境中落地应用。

她进一步提出关键方法论分歧：优化目标应直接指向任务成功率，而非中间环节。“搭建世界模型只是手段，最终目的是完成任务。”她强调，在真实环境中通过强化学习直接优化任务表现，是提升机器人可靠性的最直接路径——而可靠性恰恰是当前领域最稀缺的能力。

Georgia Chalvatzaki 补充了世界模型的实用价值：除支撑决策外，它可用于生成合成训练数据、校验策略安全性、在面对外观相似但物理属性不同的物体时主动试探（如加大推力以收集摩擦信息），并在任务失败后开展反事实推理。她特别指出，不确定性应成为算力分配的核心依据：高层决策需粗粒度预测，底层执行则需高精度模拟，这要求重新审视模块化架构设计。

Vincent Sitzmann 虽未在素材中详述其发言，但综合补充材料可知，其立场与 Finn 一致，强调端到端策略通过记忆与上下文建模，已能应对大量现实任务，且避免了构建完整世界模型的巨大成本。

此次辩论暴露的核心分歧并非“世界模型是否有用”，而是其覆盖范围与必要性层级。反方认为，世界模型只需覆盖强化学习过程中实际探索到的动作子集；正方则坚持，为保障安全与泛化，模型必须支持任意动作乃至反事实推演——例如“若我轻推这个杯子会怎样？”这类未被执行的操作。

双方在部分共识上高度一致：沙箱环境或仿真世界模型可显著加速策略评估与训练过程。区别在于，反方视其为高效工具，正方则视其为不可或缺的底层能力。

这一反转投票结果具有标志性意义。过去十年，“世界模型”作为通往通用机器人的重要路径被广泛推崇，尤其在 DeepMind、OpenAI 等机构推动下形成主流叙事。但近年端到端基础模型（如 RT-2、VoxPoser、RoboCat 等）在真实机器人上的成功部署，动摇了该范式的绝对地位。

值得注意的是，辩论并未否定世界模型的价值，而是对其“必要性”提出质疑。Finn 所代表的路线并非拒绝建模，而是主张将建模隐式嵌入策略网络，通过任务驱动的端到端训练自动习得所需预测能力——这本质上是一种“任务导向的隐式建模”，与传统显式世界模型形成方法论分野。

从产业角度看，两种路径对应不同工程取向：显式模型利于调试、验证与安全控制，适合高风险场景（如手术机器人、工业协作）；端到端隐式模型则更易规模化部署，适合消费级服务机器人等对成本与迭代速度敏感的领域。

CoRL 作为机器人学习领域最具影响力的年度会议，其工作坊辩论历来是风向标。本次投票反转反映出学界正经历一次认知校准：当端到端模型在真实世界持续取得进展，研究重心正从“是否需要建模”转向“如何以最低成本获得足够预测能力”。

未来几年，两类路径或将长期并存：高可靠性需求场景继续深化显式建模，而大规模部署场景则推动隐式策略的边界拓展。真正的突破，可能出现在二者融合处——例如用轻量级世界模型为端到端策略提供反事实监督信号，或在策略网络内部划分显式与隐式模块。

辩论结束时，Yunzhu Li 以围棋与倒水两个例子作结：前者规则清晰，世界模型可完美建模；后者流体动力学复杂难解，但机器人仅凭视觉反馈即可完成任务。这恰如本场辩论的隐喻——没有普适答案，只有适配场景的最佳解法。