万人齐聚智源大会：中国AI已经站在定义未来的牌桌上

1万余人涌入中关村，2位图灵奖得主同台，40余位头部AI企业CEO齐聚北京——这不是一场普通的行业会议，而是一次关于“AI下一站在哪”的集体追问。

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。

智源院长王仲远：世界模型是下一代AI基座模型

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。

为什么必须从“预测下一个词”走向“预测下一个状态”？

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。

世界模型概念太泛太乱，需要正本清源

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”。

智源明确：世界模型是下一代人工智能基座模型

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。

四条路线：智源给世界模型画了一张地图

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。

还有第五类？

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。

两个模型：悟界·Physis和悟界·RoboBrain Orca

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。

悟界·Physis-v0.1：面向真实物理世界的下一代基座模型

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。