6月12日，第八届北京智源大会在中关村国际创新中心开幕。
作为AI圈公认的“内行学术盛会”，智源大会今年直接火爆超预期。
看阵容——2位图灵奖得主发表主题演讲，30余位30岁以下青年科学家，40余位AI企业CEO、创始人和首席科学家，200余位顶尖专家学者齐聚北京。Meta、英伟达、哈佛、MIT等20余家全球顶尖科技企业和高校，与阿里、腾讯、小米、生数科技、面壁智能、清华、北大、人大等中国AI行业最核心的创新力量同场交流。
看热度——线下报名人数突破1万名，创历史新高。1场主论坛，20余场平行论坛，报名最火的前几场分别是开幕式、大模型产业论坛、AI自进化、具身智能与人形机器人、终端智能体与OpenClaw、世界模型。
但数字只是开始。真正到现场，你才会理解什么叫“火爆”。
开幕式自不必说，连过道都站满了人。更夸张的是平行论坛——大模型产业论坛、具身CEO论坛、具身智能与人形机器人、AI-Native 教育论坛，提前半小时就找不到座位。很多人站着听完一整场，结束后围住嘉宾继续聊到下一个场次开始。还有人在多个会场之间来回切换，恨不得长出三头六臂。
甲子光年的报道用了四个字形容：现象级事件。
开幕式首先带来了“信息爆炸”。图灵奖得主、美国国家工程院院士、IEEE会士Whitfield Diffie在演讲中指出，当前编程实践中，对智能体的限制（Confinement），即保证智能体只能访问授权资源，仍做得不足。图灵奖得主、马萨诸塞大学阿默斯特分校荣誉退休教授Andrew Barto以“小心你许的愿——你可能真的会得到它”发出警示，提醒人们警惕奖励信号设计中的“反常实例化”风险。这些信息让全场从热闹中安静下来——顶尖学者的演讲，从来不是寒暄，而是给狂奔的行业带来清醒的思考。
一场名为“总有人比时代早十年”的播客现场对话，直接把气氛推到了另一个高度。
智源研究院理事长黄铁军与之江实验室主任、阿里云创始人王坚进行了一次深度对谈。两人围绕中国大模型的发展路径展开——从早期追赶验证，到开始做路线选择和体系搭建，再到如何跳出互联网文本数据的瓶颈和算力紧张的局面。核心议题落在一点：中国AI如何从跟着国际主流走，转向提出自己的问题、走出自己的范式。
在“重构世界——中国大模型巅峰对话”圆桌环节，智源研究院院长王仲远与四位中国AI产学研领域极具代表性的重磅嘉宾——清华大学计算机系教授、生数科技创始人朱军，小米集团MiMo负责人罗福莉，清华大学计算机系教授、面壁智能联合创始人兼首席科学家刘知远，以及南洋理工大学校长讲席教授、人工智能交叉研究院院长安波——展开了一场关于“AI如何重构世界”的深度思辨。几人围绕超级模型能力演进、AI自进化、多模态与世界模型等核心议题深入交流，共同探讨了数字世界向物理世界跨越的重构逻辑。
大会火爆的表面下，是一种更深层的东西。现场上万人不是来拍照发朋友圈的，他们是真的在找答案——
伴随通用大语言模型应用逐渐走向成熟，人工智能下一阶段将迎来怎样的演进图景？世界模型承载着 AI 怎样的长期发展价值？具身智能将以何种节奏落地大众日常场景？站在全新技术周期起点，中国 AI 又该如何依托自身创新优势，开辟专属的产业发展路径？
这届智源大会给出的答案，核心指向一个方向：世界模型。
智源研究院院长王仲远在本届大会上给出了一个非常明确的判断：
“人工智能正沿着从大语言模型向多模态大模型再向世界模型演进的方向，加速从数字世界迈向物理世界。”
这不是一句口号。在6月10日的媒体集体采访中，王仲远用了两个多小时系统阐述了智源对世界模型的理解。整场听下来，他的核心论点可以概括为一句话：
下一个Token（词元）预测是大语言模型的核心，下一个物理状态预测是世界模型的核心。
过去几年，大语言模型的突破本质上来自一个极简训练范式：Next-Token Prediction，预测下一个词元。这个范式看似简单，却通过大规模数据、参数、算力和工程系统的结合，催生出强大的语言理解、生成、推理和工具调用能力。ChatGPT、Claude、Gemini、DeepSeek、Qwen等模型的快速发展，都证明了这个范式在数字文本世界中的巨大潜力。
但大语言模型越强，边界也越清晰。
它能在语言层面总结大量世界知识，能回答物理题、数学题、编程题，甚至高考数学能考到148分。但这并不意味着它真正理解物理世界。它知道“铁碗不能放进微波炉”，知道“杯子从桌边掉下来会摔碎”，知道“机器人抓取物体需要考虑摩擦力”——但这些知识很多仍然是以语言形式存储和推理的。
真正进入物理世界时，AI需要的不只是说出常识，而是感知当前状态、预测下一状态、判断行动后果，并在复杂环境中做出稳定决策。
王仲远举了一个特别日常的例子：
“一个3岁小孩正在睡觉，厨房声音很大，吵着孩子。家人有时候只要挥一下手，另一方就知道应该关门。基于当前真实物理世界状态，甚至不需要说话就知道什么意思。”
这就是人类世界模型具备的预测和决策能力。不需要语言，不需要方程，人类从小在物理世界中生活，形成了非常强的世界模型。我们不需要把每一个物理方程显式写出来，也能大致预测状态变化。但现有AI完全做不到。这个例子触及了一个值得深挖的对比：人类的世界模型是在持续的第一人称物理交互中自然形成的，而AI完全缺失这一过程。王仲远在采访中提到的“默契”——挥一下手家人就知道要关门——本质上是一种基于共享物理上下文的状态预测能力，不需要语言编码。当前AI的问题不仅仅是算力和数据不足，更核心的是训练目标和目标函数从未被设计为“预测真实物理状态”。悟界系列从悟界·Emu3到悟界·Emu3.5再到悟界·Physis和悟界·RoboBrain Orca的迭代，正是在补这个缺失——从统一多模态表征，到跨模态的下一状态预测，再到面向物理世界的物理状态预测。这条路径的关键不是模型参数的增长，而是训练目标从“拟合分布”到“模拟因果”的范式跃迁。
一个机器人要把杯子从桌边拿起来，不能只知道“杯子会掉”。它需要看到杯子的位置，估计杯子的重量，理解杯子与桌面的接触关系，判断夹爪施力方向，预测推力过大会怎样、抓取角度不对会不会滑落、旁边有人经过会不会产生风险。这个过程涉及视觉、空间、力学、动作、时间和因果。
大语言模型可以给出文字解释，但机器人真正需要的是一个能够预测物理状态变化的内部模型。
所以，从Next-Token Prediction走向Next Physical State Prediction，是人工智能正在孕育的重大范式变革。王仲远在采访中反复强调：
“下一个Token预测是大语言模型的核心，下一个物理状态是世界模型的核心。”
这句话是理解本届智源大会的钥匙。
过去半年，“世界模型”突然成为AI行业最热的词。
但在王仲远看来，火热的背后是概念的误用和行业共识的缺失：
“视频生成、3D重建、视觉动作执行等能力都被不同程度地误称为‘世界模型’，概念的泛化使行业易失判断标准”。”
“大家对于怎么训练世界模型，技术没有收敛，数据更是远远不够，到底是需要视频数据、仿真数据还是真实物理世界的数据，大家还没有找到方法路径。”
“现在对于世界模型的评测框架和评测数据集都需要进行很多迭代和建设。”
他举了一个非常形象的例子来说明“概念误用”的问题：
“我们可以用视频生成模型生成一群猪在天上跟飞机一起飞，因为它训练过大量科幻电影。对于视频生成来说这可能是能力，但对于真实物理世界基座模型来说，这恰恰是问题。”
视频生成模型的目标是生成符合提示词和视觉美感的内容，而不是保证真实物理世界的严格一致性。它可以学习到某些世界知识，但如果没有面向物理状态的训练目标，它就很难成为真正的物理世界基座模型。
智源的世界模型路线的一个重要判断：世界模型必须从“看起来像世界”走向“真正理解世界状态变化”。
王仲远在采访中非常明确地提出了一个判断：
“世界模型是下一代人工智能基座模型。”
什么叫基座模型？就是能够和大语言模型放在同一层级来讨论的下一代范式——不是一个增量改进，而是一次量级相当的跃迁机会。
这不是在蹭热点。智源是国内最早提出并开展世界模型研究的科研机构——
2023年，大语言模型刚刚火热兴起，智源大会就超前引入了另一种声音：杨立昆在智源大会上阐述了新一代世界模型的概念，是国内最早关于世界模型的权威声音；2024年，智源提出的人工智能大模型技术路线预判，明确指出世界模型是下一代大模型技术；2024年发布的悟界·Emu3是“全球首个原生多模态世界模型”；2025年悟界·Emu3.5从“预测下一个词元”进一步扩展到跨视觉与语言序列的“预测下一个状态”；到2026年，明确提出世界模型是下一代人工智能基座模型，并展示悟界·Physis和悟界·RoboBrain Orca的研发方向。
路线是连续的，不是今天看到世界模型火了才谈世界模型。
既然概念混乱，智源选择先做分类。王仲远在采访和大会报告中系统梳理了现有世界模型的四条技术路线：
第一类：以语言为中心的世界模型。包括大语言模型、VLM（视觉语言模型）、VLA（视觉语言动作模型）。它们在文本空间中预测下一个词，学到的是语言描述的世界，并不能理解背后的物理后果。
“语言也有总结很多世界的知识，只是以文字的方式表达。VLM、VLA是把其他模态、其他能力映射到语言空间。”
语言可以描述“杯子掉下来了”，但无法完整表示杯子在连续时间中的位置、速度、受力、形变、碰撞和后果。现在的大模型已经能解决高考物理题，豆包、DeepSeek都会告诉你铁碗不能放进微波炉——但让任何一个机器人去操作，没有哪个机器人的大脑知道铁碗不要放到微波炉，甚至操作都未必利索。
第二类：以像素为中心的世界模型。以Sora、Seedance等视频生成模型为代表，在视觉空间中预测下一个画面帧。这也是过去一年最广泛被误认为世界模型的路线。误用的源头，正是Sora发布时OpenAI使用的“World Simulator”一词。
以像素为中心的路线确实有价值——视频包含大量时间、空间和运动信息。但它的问题也很明显：像素连续不等于物理正确，画面逼真不等于因果可靠。 一个视频模型可以生成流畅画面，却可能在物理常识、长程一致性、物体恒定性、真实动作反馈上出现问题。
“视频生成模型不等于世界模型。我们可以用视频生成模型生成一群猪在天上跟飞机一起飞，因为它训练过大量科幻电影。对于视频生成来说这可能是能力，但对于真实物理世界基座模型来说，这恰恰是问题。”
王仲远也谈到了NVIDIA的Cosmos3：它使用MoT架构，很大一部分依然采用视频生成、以像素为中心的技术方案。
“不是说这些技术一定不能实现世界模型，但显然远远不够。Cosmos在内都是行业非常好的进步和尝试，但距离真正的基座模型还有很大的距离。”
第三类：以三维结构为中心的世界模型。包括3D重建技术和李飞飞团队推出的World Labs Marble模型。三维比二维更贴近真实——毕竟我们身处的世界本身就是三维的。但光有空间结构还不够。把场景重建出来，不等于模型知道这个场景里下一步会发生什么；几何形状描绘得再精确，也不代表掌握了力学、材料和因果这些物理层面的信息。
第四类：以视觉表征为中心的世界模型。以杨立昆的JEPA系列为代表，预测的是视觉表征的压缩，不直接依赖像素层面的生成。它更接近智源所强调的潜空间建模方向，但如果视觉表征不能进一步融合语言、动作、力触、深度、点云和真实物理状态，它也仍然有边界。
“四类模型距离真正面向物理世界的基座模型都有很大的距离。”
这四条路线不是智源为了“造词”而发明的框架，而是对行业现有探索的一次系统性梳理。斯坦福大学教授李飞飞此前也曾发文梳理世界模型概念，多个领域都在声称开发世界模型但各自指代截然不同。智源从“以什么为中心”这个维度切进去，把讨论拉回了技术本质。
王仲远还透露了一个更前瞻的判断：可能存在第五类路线。
“将来也许会有第五个分类，就是以语言为中心和以视觉表征为中心的融合，也叫做潜空间表征。同一个潜空间能够Decode不同的模态。”
“我们依然延续悟界·Emu3.5模型训练的思想，就是将各种文字图像视频模态全部压缩，原生统一训练，压缩在同一个语义空间。希望有更多的模态被压缩进来，通过统一潜空间表征各种真实物理世界的状态，Decode成为Action、画面或者其他真实物理世界需要的状态。”
“我们认为将来统一的潜空间建模不仅仅是视觉空间，而是全模态潜空间，很有可能是世界模型真正下一个可能的路径。因为这条路径没有完全走通，所以并不打算现在分类，期待明年和后年再分享智源最新成果的时候能够说，我们又走出了一条新的道路。”
这段话非常重要。它显示出智源的世界模型并不是孤立的悟界·Physis项目，而是从悟界·Emu3、悟界·Emu3.5一路演进过来的连续路线——
悟界·Emu3通过Next Token Prediction的极简范式，将文字、图像、视频进行统一学习；悟界·Emu3.5进一步探索从Next-Token Prediction到Next state Prediction，获得可泛化的世界建模能力。今年1月悟界·Emu3登上Nature正刊，创造了国产多模态大模型的众多纪录；悟界·Physis则进一步走向Next Physical State Prediction，把目标从多模态世界建模推进到真实物理世界建模。
这条路径不是突然冒出来的，而是智源从“悟道”到“悟界”的技术积累自然延伸。四条路线的框架不仅是在整理行业现状，它本身反映了一个更深的信号：世界模型目前仍处于早期阶段。回顾AI历史，当一个领域需要“分类梳理多条并行路线”时，往往意味着技术尚未收敛——这和深度学习在2012年前的状态类似，也和强化学习在AlphaGo之前的群雄割据时期相似。王仲远特意说明要在第五类路线（语言+视觉表征）进行探索，它表示了智源对这四条路线的判断不是终点，而是起点，这种“先分类、再进化”的方法是科学研究的经典姿态。
在四条路线的梳理之上，智源在大会上介绍了两个正在推进的世界模型研发成果。
王仲远特别强调，作为科研机构，智源不会为了制造惊喜而夸大成果。悟界·Physis被明确定义为“0.1”，就是正在研发中的模型。另外值得关注的是，悟界·Physis被明确标定为“v0.1”。在AI行业习惯“发布即SOTA”的氛围里，这种版本号的诚实反而是一种信号：问题太难，承认未完成比包装成已完成更需要底气。
“作为一个非常严谨的科研机构，我们不会刻意为了给大家制造惊喜而制造惊喜，做了什么就非常坦诚地跟大家分享。”
这种克制反而更值得认真看。
悟界·Physis的核心方向是潜物理空间统一建模——以物理隐空间表征替代传统像素、帧级预测方案，搭载专属物理状态编码器，将视频、深度RGB、3D点云、力触反馈等全模态信息压缩为标准化隐空间物理状态。
模型支持50+复杂物理场景长程推理，具备四大核心能力：
物理一致性：真实世界不能只讲“看起来合理”，而要讲“物理上成立”。杯子落地后必须符合基本重力和碰撞规律，物体在长时间中形态不能随意漂移——对于内容生成可能还可以接受，但对于机器人和工业控制就是不可接受的。
动作因果性：世界模型如果只是观察世界，那它只是一个预测器；如果能够理解行动如何改变世界，它才可能成为智能体和机器人的“大脑”。具身智能真正需要的是：我这样做，世界会怎样变？如果结果不好，有没有更优动作？
长程可推演性：现实世界中的很多决策都不是瞬间完成的。机器人操作、自动驾驶、工业调度、科学模拟都需要跨越较长时间窗口。模型如果只能预测几帧，很难支撑复杂任务。长程推演能力决定了世界模型能否从演示走向应用。
通用泛化性：真实物理世界几乎不可能被训练数据穷尽。机器人不可能见过所有杯子、所有桌子、所有家庭、所有工厂。世界模型必须能从有限数据中学习更一般的物理规律，并在新场景中保持合理推演。
用一个简单例子来理解悟界·Physis在做什么：
一个杯子放在桌边。人类看一眼就知道，再往外推一点，杯子可能会掉；掉下去可能会摔碎，水可能流出来，地面可能变滑，旁边的人可能需要避让。这个过程对人类来说几乎是本能。
但对AI来说，这件事并不简单。语言模型可以说“杯子会掉”，视频模型可以生成“杯子掉落”的画面，3D模型可以重建杯子和桌子的空间关系——但真正的世界模型要做的是：基于当前物理状态和可能动作，预测下一步状态，理解因果关系，并为后续决策提供依据。它要回答的不是“画面像不像”，而是“状态对不对”。
王仲远也谈到数据获取策略：
“合成数据在世界模型中依然会用到，但原来各种物理仿真、游戏引擎都有对于世界模拟。因为思考的不完备，人类掌握的真实物理知识、引擎规则和算法不够完备，仿真始终不能达到真正的100%，都有自己的遗憾和缺陷。”
“我们希望用大数据、大模型的方式解决。有可能随着AI硬件越来越多，将来AI硬件先期不断采集大量真实物理世界数据以后，有了物理世界的互联网，就像数字世界的互联网催化大语言模型一样，将来有了这种规模的数据以后才有可能真正催生跨时代的世界模型。”
关于评测框架，王仲远透露悟界·Physis不仅会有研发，下半年也会提出评测框架：
“世界模型目前缺乏非常严谨的评测框架和体系。现在很多世界模型的评测都是以视频生成为重点，但不代表完整的未来世界模型作为基座模型的核心能力。希望将来和行业共同共建行业体系。”
“不管是现有的世界模型怎么酷炫，我们的评测大量User Case——开冰箱、开洗衣机、开微波炉，旋转式、按压式、触碰式，现代人工智能模型能不能很好地理解，采取相应的预测和识别？”
如果说悟界·Physis是面向真实物理世界的通用基座模型，那么悟界·RoboBrain Orca更像是面向机器人和具身任务的专门化大脑。
它以下一个物理状态预测为核心构建具身大脑，构建“统一表征—建模—预测—交互”完整闭环，实现从Next Token / Frame / Action Prediction升级为Next Physical State Prediction。融合大量Ego-centric交互数据，强化世界模型的具身表征，提升下游少样本和跨场景泛化能力。
悟界·RoboBrain Orca具备三大核心能力——统一表征、因果推演、模态解码，可同时生成语言思考、视觉预测与动作决策，实现“想、看、动”三位一体。
王仲远在采访中特别谈到世界模型与VLA的关系——这也是行业最关注的分歧之一：
“VLA是当下，世界模型是未来。”
他指出，目前具身智能行业提到世界模型更多的还是以像素为中心、以视频生成为中心跟Action的联合训练，“依然是治标不治本的方法”。世界模型对于具身智能的实质性影响和突破还有待观察，但他同时相信——
“世界模型特别是以物理状态预测为核心的世界模型很有可能是具身智能未来真正更大的机会和突破所在。”
王仲远把VLA和世界模型的关系概括为“当下与未来”，这个判断比字面更有意思。它实际上指向具身智能行业一个被迫做出的路径选择：是先解决眼前的抓取问题，还是为更通用的智能做基础设施投资？这让人想起自动驾驶行业的分岔路。Waymo和Cruise早期押注高精地图+规则系统（解决“当下”），Tesla坚定走纯视觉端到端（押注“未来”）。十年后的今天，两条路径在收敛——纯视觉的能力追上了，但高精地图的经验也在融合。具身智能大概率也会走类似轨迹：VLA解决数据飞轮和安全性的短期需求，世界模型逐步补齐泛化和长程推理的长期缺口。
关于世界模型什么时候能真正爆发，王仲远给出了一个务实的判断：
“未来三到五年都会是世界模型持续演进和迭代的阶段。”
“并不排除过两年以后我们发现，今天这个地方没想清楚，那个地方想错了，这恰恰是科研的魅力。很可能卡在一个地方三五年都没有突破，也有可能突然就突破了。”
本届大会中，除了Physis，悟界·Brainμ也是非常值得关注的成果。
悟界·Brainμ1.0是全球首个理解与生成统一的多模态神经科学大模型。它从文本、图像拓展到了脑信号领域，覆盖人类、猕猴、小鼠三个物种和EEG、fMRI、MEG等11种神经信号模态。通过训练Brain Tokenizer，模型将不同个体的脑信号统一编码为标准Token，第一次证明了跨个体、跨物种的脑信号背后存在共同的密码——这件事在神经科学领域本身就是一次重大验证。现场同时发布了全球最大的AI-Ready神经科学数据平台BrainToken，数据总量突破万亿级别。应用方向也很具体：阿尔茨海默症的早期筛查、睡眠调控机制、甚至王仲远提到的“周公解梦”——通过脑信号把梦的内容还原和描述出来。另外，智源联合清华团队基于Brainμ开展的研究已刊发于Science正刊，也代表了学术界的充分认可。
悟界·OpenComplex2.5则展现了同一个范式在药物发现领域的力量。它瞄准的是固有无序蛋白（IDP）的动态构象解析——这类蛋白灵活多变，传统方法很难完整捕捉。OpenComplex2.5用端到端全原子分布建模精准捕捉IDP构象，以单一模型覆盖口袋识别、反向筛选、结构预测和亲和力预测四个制药关键步骤，核心指标超越国际标杆。
把悟界·Brainμ、悟界·OpenComplex、悟界·Physis、悟界·RoboBrain Orca放在一起看，会觉得智源在下一盘很大的棋。脑信号、蛋白质、物理世界、机器人、芯片生态——看似跨领域很散，但底层逻辑是统一的：把真实复杂系统转化为可建模、可预测、可执行的状态空间。这个逻辑一旦跑通，改变的就不只是一个模型，而是一整套面向物理世界的AI能力体系。
大会期间，智源AI科研体验区以“启未来之智，溯创新之源”为主题，集中呈现四大板块的前沿成果。
最吸睛的，是乒乓球人机对战。
观众可以亲自上场，与搭载SpikePingPong系统的人形机器人切磋球技。这是智源与北京大学联合推出的全球首个跨本体的人形机器人全自主乒乓球对打系统，通过高频视觉感知、球路预测、实时策略决策与机器人运动控制，使机器人“看得准、反应快、打得稳”，已适配智元灵犀X2、远征A3、宇树G1等多类平台。
酒店全场景清洁体验区展示了机器人自主完成一系列清洁任务——基于RoboBrainX具身通用模型和RoboClaw交互系统的端侧部署方案，实现长程柔性物体操作的同时降低对云端网络的依赖。让模型真正跑在机器人身上而不是跑在云端展示DEMO，实现真正的国产模型、国产芯片跑在国产机器人身上。
同时，智源并不是只谈模型本身。作为一个非营利性研发机构，它同时在搭建围绕模型的完整生态——智能体矩阵和FlagOS开源软件栈就是两个容易被低估的板块。
智能体矩阵方面，智源推出了四款自主研发的智能体：BAAI Cardiac Agent（心脏磁共振辅助诊断，依托安贞医院数据，AUC超0.93，达到安贞医院顶尖医生水平）；AREX（面向科学发现的自主研究智能体，覆盖文献调研到论文撰写的全流程）；SoulAgent（个人专属智能体，Token成本节省30%、资源占用降低80%）；以及一个有害蛋白风险发现智能体，首次打通了计算机模拟推演与真实实验验证的完整闭环。四款智能体覆盖了医疗、科研、个人助理、生物安全四个维度，反映出智源作为科研机构的社会责任担当。
SoulAgent的设计尤其有意思。大会现场开放了2000个免费体验名额，每个名额赠送1亿Token——观众可以有自己的数字分身去听另一场会。这表面看是会务工具，其实指向一个更深的趋势：AI正在从坐在凳子上回答问题，变成穿上鞋帮你跑腿干活。从“问答工具”到“个人代理”，这个转型一旦大规模发生，对效率、信任和交互模式的影响会很大。
FlagOS 2.1是智源长期推动的开源智算系统软件栈。当前大模型训练和推理面临一个很现实的瓶颈：不同模型配不同芯片，每换一次组合就要做一次适配，像是“M*N”的排列组合题。FlagOS要做的就是让这件事变成“多模型+多芯片”的统一接入。目前它已支持18家芯片厂商的32款芯片，是全球覆盖芯片数量最多的计算系统软件栈，算子总数超过600个，生态合作伙伴超过80家，全球下载量超过37.5万次。今年FlagOS实现了DeepSeek、千问等主流大模型的发布即多芯适配——新模型发布的当天就能在多款芯片上跑起来。这件事的价值不仅在工程层面，也在生态层面：让芯片不再是绑死模型的门槛。
如果说开幕式和主论坛是智源给出的“方向判断”，那么四场分论坛则是行业对自身未来的“集体辩论”。
蓝驰创投管理合伙人陈维广主持，智源研究院院长王仲远、银河通用创始人兼CTO王鹤、面壁智能CEO李大海三位嘉宾围绕大模型五大核心问题展开深度对谈。
关于Scaling Law是否失效，三人的回答出奇一致：没有。
王仲远直言：
“去年之所以有Scaling Law失效的论调，很重要的原因是互联网数据用完了。但实际上，通过后训练和推理优化，AI能力依然在持续提升——不仅仅是模型本身，更是整个系统越来越强。”
面壁智能CEO李大海给出了一个公式：大模型的智能整体等于知识密度乘以参数量。他提到去年给主机厂落地端侧模型只能落1B，“今天已经从1B涨到4B了，我觉得明年可能就变成几十B了，速度涨得非常非常快。”
最炸裂的观点来自王鹤。他提出了“WAM（世界动作模型）”的概念：
“WAM不需要动作标签。机器人看人干一件事，虽然没有action label，但能把人的行为学到大致的course motion。这样我们就能大量借用人类第一视角视频，帮助具身智能往更多样化的任务和场景scale up。”
关于中国AI的机会，王鹤说了一句让全场安静的话：
“实际上，我坚信具身智能是中国的机会。具身智能的AlphaGo和ChatGPT Moment，我坚信会在中国实现。 如果具身智能的0到1在中国完成，相信1到100必定是在中国成熟的。”
千寻智能韩峰涛、灵心巧手周永、星源智刘东、破壳机器人许华哲、蚂蚁灵波科技朱兴——五位赛道大佬齐聚。北京商报的报道标题很精准：“数据之外无共识”。
全场五个议题，有且仅有一个问题达成了共识：数据是当下产业发展的重中之重，是决定具身模型能力边界的竞争壁垒。
其余全是分歧。
韩峰涛直言当前具身模型“大约仅相当于幼儿的智商水平”，“现阶段更应该集中资源投入基础模型训练，等能力达到‘高中生、大学生’水平再推进落地，周期大概需要两年。”
刘东则持相反观点，以自动驾驶路径作比：“实验室搭建的场景总会忽略真实环境中的复杂变量，模型研发必须同步绑定真实场景，在落地中踩坑。”
全场最特殊的，是破壳机器人创始人许华哲。这家公司2026年3月3日才注册，是全场最年轻的企业，也是唯一一家选择直接做to C家庭场景的。
许华哲的判断反行业主流而行：家庭场景的非结构化环境、长尾化任务、高泛化要求，反而最有可能孕育出真正的通用具身智能。破壳直接选择了世界模型技术路线，计划8月底推出第一代硬件，中长期目标是2028年3月走进首批家庭。
他用“松鼠鳜鱼”来指代对具身智能的终极设想——菜品品类无限延伸，刀工、火候、操作时序都有极高要求。攻克烹饪，意味着比做饭简单的绝大多数家庭事务机器人都能胜任。从这场辩论能读出更深一层的分歧：数据确实是共识，但“什么算有效数据”完全没共识。
王仲远在会前采访中也明确指出，合成数据、物理仿真数据和真实物理世界数据各有各的缺陷，行业尚未找到方法路径。韩峰涛的“等模型成熟”和刘东的“先在场景里踩坑”，本质上是对数据来源的不同假设——前者认为现有数据够把基础模型训到可用水平，后者认为只有场景反馈才能定义什么样的数据是有效的。而王仲远提到的“物理世界互联网”构想——随着AI硬件增多、大量真实物理数据被采集——实际上暗示了第三种可能：真实物理数据的积累速度，将从根本上决定前两种立场的竞争格局。
银河通用王鹤在论坛上给出了一个让行业既兴奋又清醒的判断：具身智能现在的发展阶段，大概处在GPT-1到GPT-2的水平。
“往未来看，一旦行业进入scaling阶段，一切都会快速加速。行业需要千万小时的高质量数据，以及百亿以上的单年投入，再加上大模型的能力，这三项加起来，才能成为冲刺具身智能‘ChatGPT时刻’的入场券。”
多位嘉宾一致认为，未来两三年将成为具身技术从实验室走向规模化商用的关键转折点。后训练技术的进步将使机器人从“预编程表演”转向自主作业能力，“即插即用”的通用服务型机器人市场即将迎来爆发期。
这是智源大会首次设立教育主题论坛，由新京报社、人大附中与智源联合举办。
这场论坛提出的问题，可能比任何技术发布都更值得深思：当知识获取变得极其便捷，真正拉开人与人差距的，或许是问题意识、审美、责任感与长期主义。 当技术能力趋于平等，人的不可替代性到底在哪？
论坛上，小学生、初中生和高中生展示了AI使用案例，人大附中校长、14岁的初中生和18岁的高中生同台与王仲远圆桌对谈。这届智源大会把AI-Native教育和具身智能、世界模型摆在同一张议程表上，本身就传递着一个态度：定义AI未来的不只是模型能力，还有我们重新理解“人”的方式。
王仲远在采访中说了一段话，我觉得很适合作为这篇文章的结尾：
“智源大会一直有几个非常特色和鲜明的标签：国际化、技术硬核、引领、风向标。大家越来越深刻地意识到，行业大会那么多，只有智源大会是真正干货最多的大会。”
从“悟道”到“悟界”，从预测下一个词元到预测下一个物理状态，从数字世界到物理世界——这届智源大会让我看到，中国AI不再只是在追赶一个已经定义好的赛道，而是开始参与定义赛道本身。
智源把问题收束到“下一个物理状态预测”，就是一种对世界模型本质的正本清源。它没有把世界模型简单理解为视频生成，也没有简单跟随海外已有分类，而是提出四类技术路线梳理，并进一步强调潜物理空间和下一个物理状态预测。
原创不是单次发布，而是持续路线。一个科研机构如果每年跟着热点换口号，很难形成真正的原创能力。但智源过去几年从大语言模型到多模态，从多模态到世界模型，从数字世界到物理世界，路线是连续的，问题意识是逐步深入的。
未来三到五年，世界模型将持续演进迭代。没有人能保证哪条路线最终胜出。但有一件事是确定的：
中国AI已经站在了定义未来的牌桌上。
不是喧嚣，而是方向；不是流量，而是原创；不是跟随，而是引领；不是短期热度，而是定义未来的长期信心。