current location：Home >超凡蜘蛛侠

千方百计爱上你

WAIC观察｜都在谈世界模型，说的是一回事吗？_我的网站

脱颖而出

A | 10月中旬，张强看中了北京三环内的一套小一居室。与中介沟通后，他觉得价格合适，可以考虑入手。

B | 今年WAIC（世界人工智能大会）期间，许多人都在谈论世界模型，但说的未必是同一件事。 7月19日，在上海西岸国际会展中心，同一场论坛上，两种不同的声音先后登台。房子的挂牌价约150万元，中介告诉他，业主急于套现，如果付款条件合适，预计120万元至130万元即可成交，具体需与业主谈。中国科学院院士、南京大学副校长周志华讲述了决策层世界模型依然面临的现实：推演误差和交互试错的高昂成本。张强的首套自住房位于五环外，按照北京的限购政策，他仍拥有一个五环内的购房资格。这次购入第二套住房，他并非为了资产升值，更多是从租金收益角度考虑。他的团队最近有些许进展，但这仍是他口中“正在探索的方向”之一，而非已经解决的问题。昆仑万维董事长兼CEO（首席执行官）方汉则给出一种判断。他认为，对自己这个上班族而言，拥有工资之外的被动收入，是未来的重要保障。张强投资房产的念头来自朋友的启发。“2026年是‘世界模型元年’。AI不再只停留在生成内容，而是开始理解世界怎么运行，预判行动会带来什么结果。” 一个“探索中”，一个“元年”。今年7月，他的朋友以120万元的总价，在一个双地铁小区买入一套小户型，每月租金约4000元，这让许多朋友羡慕。

C | 张强说，这样的机会并非随处可见，需要主动寻找。产业已经在抢跑，但世界模型的地基还没打完。

D | 下半年以来，一位从事私募投资的人士也开始在一线城市核心区物色总价低、出租率高、租金收益稳定的住宅，在他看来，当前仍有好的投资机会，但稍纵即逝。寻找机会张强是一名工程师，工作和收入相对稳定。早年，他与大多数上班族一样，利用闲钱在环京地区投资了几套房产，也赚了一些钱。

E | 同一个世界模型，公司各自“解题” 每家公司对世界模型的界定，几乎都精准卡在自己正在做的事情上。腾讯不做硬件本体，只承担具身大脑平台的角色。

F | 近年来，随着市场波动，除北京的自住房外，他已陆续清空了环京的投资房产。尽管张强入手较早，但由于错过最佳出售时机，赚得并不多，他用这些钱提前还清了自住房的贷款，余下的一部分资金，他希望找到一个收益稳定的投资渠道。

G | 张强说，他想过投资股市，但因为不懂，没有贸然进入；这几年基金波动也大，本金可能损失掉；银行理财和定存虽然稳，但收益太低，抵不过通胀。

H | 腾讯首席科学家、Robotics X实验室主任、福田实验室主任张正友认为，机器人行业就像iOS与安卓、Mac与Windows，也会分化出“全栈自研”和“平台+生态”两条路，腾讯选的是后者。在模型上，他认为VLA（视觉语言动作模型）短板明确，没有预测能力，而世界模型可以基于行动后果做预测。今年5月，朋友让他陪着看房。世界模型下一个有价值的方向，在于模型同时传递语言和图像信息，能推理，也具备想象力。7月，朋友全款买下了一套20年房龄的小一居，挂牌价130多万元，最终含税成交价约120万元。智象未来创始人兼CEO梅涛认为，一个真正的世界模型有三个要素：表达、推演、构造世界。

I | 这套房距地铁站约1公里，有两条地铁交汇，周边配套齐全。一居室月租超过4000元，装修好一点可达4500元，每年租金收入约5万元。朋友的买房经历启发了张强，与其让钱躺在银行，不如全款买套房收租。

J | 实现这些的关键在于，让模型真正建立起对物理世界统一的认知。手中200万元闲钱足够操作一单。这也就是智象未来坚持原生全模态大模型的初衷：不是做一个更大的拼接模型，而是在最底层把“世界的运行规律”刻进模型的DNA里，以统一的方式理解视觉、语言、动作和空间关系。

K | 由于当前市场并未完全企稳，盲目投资仍有风险，寻找投资标的物需要聚焦房价波动较小的区域或小区，或者成交价足够抵御未来市场波动带来的风险；操作层面更适宜于像张强这样有闲置资金不需要加杠杆的群体。 8月，张强开始认真研究投资房产。梅涛认为，如果我们仅仅是把世界进行复现，本质上只是在做现有知识的压缩、拟合与复刻。选区上，他限定在五环内；配套上，两公里范围内有地铁，生活便利。

L | 在这样的范式下，人类五千年文明积累的信息量上限，就是AI的能力上限。但他也坦言，现在包括视频、多模态、具身、3D在内的各种世界模型，离真正的世界模型还比较遥远。初步锁定几个交通方便的商圈后接着选的是小区，次新房价格偏高，预算吃紧，只能选老破小。两居室和一居室租金差距不大，但总价差距大，因此他首选小户型一居。

M | 接下来要解决的就是价格问题。张强的理想标的是“总价越低越好，租金越高越好”。生数科技同样基于视频数据训练世界模型，强调对物理世界的理解。

N | 生数科技CEO骆怡航认为，世界模型必须同时具备感知理解、预测想象、行动三个维度：“世界模型一定要刻画整个人与世界的交互规律，同时能驱动人与数字、物理世界打交道，这个定义应该具备很强的Foundation（基础）属性。但这种房源极少，需要抱着捡漏的心态去找。两个月里，他陆续看了多套房，但符合预期的寥寥无几。” 作为PhysX物理引擎奠基人之一的张立华，同时也是复旦大学长聘特聘教授、飞捷科思创始人、中国人工智能学会人机融合智能专委会主任，他的判断标准落在是否符合物理规律上。

o | 10月15日，他在中介网站看到一套挂牌150万元的一居室，立即联系中介。他认为，现有的主流世界模型基本还是数据驱动的视觉模型，难以把物理规律准确地嵌入模型里。“虽然你看了很多图像、视频等数据，形成了一定的物理直觉的能力，但这个能力也存在限制，就像人的物理直觉一样，虽然能够在某些条件下给出相对准确的趋势判断，但并不能保证所有情况下判断的准确性和真实性。虽然你看了很多，但不等于你抓住了这些表象背后的物理机制。

p | ” 世界模型定义还存在争议，但不影响各大公司卡位。中介称，同户型近期成交价约130万元，如果付款条件好，或许可以谈到120万元。昆仑万维不再局限于视频（SkyReels）、音乐（ Mureka ）等AI生成内容的业务线，开始向世界模型、机器人模型等物理AI叙事框架转变。生数科技并不瞄准单一场景，而是希望做好通用能力，用同一个模型驱动不同本体去做不同的任务，半天到一天内就能适配部署。飞捷科思则发起“物理智能创新联合体”，联合32家单位，定位成国产世界模型的操作系统底座。谁能先抓住“世界模型”这顶帽子，谁就先占住了故事的入口。这套房位置更靠近核心区，面积略小，房龄超40年，但租金较高。如果以120万元成交，年化租金收益率可达约4%。一位投资人曾透露，他年初见过一家具身智能公司，能讲出非常好的应用场景，时隔三个月后便开始讲世界模型的故事，“这是很现实的问题”。张强说，想要在茫茫房源中找到合适的房子，个人效率太低，得依赖中介。

q | 中介了解他的需求后，又推荐了几套房源，约定周末集中看房，合适就约房东谈价。模型存短板，不能完全信任世界模型对物理世界的理解，还存在欠缺。破壳机器人创始人许华哲提到，即便现在的模型已经能做到不错的像素级预测，也不能完全信任它。“只要是模型生成出来的东西，就一定带着模型自己的特性，如果在这样的仿真器里学策略，很容易拟合到模型的特性，而不是真实世界的特性。

r | ” 要补上这个缺口，模型需要两个方向：一是让模型本身更懂物理规律，二是让模型学习的环境足够真实。前一个方向，是视频生成厂商正在做的事，押注的是底层算法架构和高质量数据实现跃升后，模型自己能把物理规律“悟”出来。智象未来选择视频、全模态到世界模型这条路径，因为“互联网视频数据非常多，这些数据已经包含许多物理规律、因果关系在内”。抓住机会看了两个月房，张强发现，“捡漏”的买家不少，不仅有个人，还有机构投资者。曾有一套房源的底价极具吸引力，他本打算再多看几套对比，结果第二天就被别人抢先拿下。

s | 他总结，小户型买家主要有两类：一是尚未结婚的年轻人，希望在能力范围内拥有一套属于自己的房子；二是像他一样追求长期稳定租金回报的投资者。张强偏好小户型，正是看中其租金回报率更高。

t | 以他正在看的房为例，租金收益率约4%。而同小区两居室因总价高、租金差距不大，收益率普遍低一个百分点。并自研了UiT（Unified Transformer）架构，在数据端则涵盖了20万小时版权数据，覆盖超70%华语电影资源的行业多模态语料库。生数科技则用MoT架构（可以理解为是一种稀疏、多模态Transformer架构）把理解、生成和行动整合在一起，而非“先理解、再规划、再动作”的分步路线。在这种情况下，只要总价足够低，小户型比大户型更抢手。一家大型中介的门店负责人告诉经济观察报，在他所在的片区，近期70平方米以下房源的成交占比超六成，而90平方米以上房源的成交占比仅一成左右。张强也体会到，一分价钱一分货。模型“悟”出规律，还得放到仿真环境里训练和验证。好房不便宜，便宜的房多半有瑕疵。

u | 如果仿真环境本身的物理规律不够真，模型学到的东西再像，也经不起真机上的检验。

v | 照片里看着不错，实地一看可能装修老旧、采光差；要么户型较差，实用性不强。这就是飞捷科思在做的事，给模型提供可信的训练地基。

w | 一切源于张立华团队的踩坑经历。

x | 他的复旦实验室团队，早年也用过其他商用具身仿真平台做仿真训练，“仿真的时候机器人表现得非常完美，但我们把实机都造出来后，再一验证就发现不行”。后来团队排查发现，其底层的物理引擎动量并不守恒，仿真训练了很久，但因为模拟的物理规律并不符合现实世界的物理规律，导致训练好的算法不能在真机上复现。经历这一教训后，团队没有急于继续扩大模型训练，而是转向自研底层物理引擎和仿真训练平台，目的就是要提升物理引擎和仿真训练平台的精度和能力。这些房源在租赁市场普遍不受欢迎。进一步，他们做出了全新一代物理世界模型Fysiverse，其架构是创新的“显式物理模拟器+生成式渲染器”双驱动，让生成模型继续发挥视觉表达优势，用物理引擎补因果建模的短板。张立华认为，现在绝大部分模型还是以端到端为主，很少体现推理能力，但一个真正通用、有泛化性的模型，未来一定要具备推理能力。

y | 上述中介门店负责人称，低价房源通常有两种情况，要么业主急售，要求短期内全款；要么房子本身存在硬伤，如采光差、户型不佳、漏水，或交易税费高、需补缴土地出让金等。“遇到物体位置突然变化这类情况，机器人应该可以像人一样及时做出判断并调整策略，而不是只靠预训练学到的反应去执行。”而这种推理能力的训练，同样需要物理真实的仿真环境来支撑。排除这两种情况，多数业主不愿意降价出售优质房源。第一人称视角数据缺失，补法却不一样模型要学好，除了要有对的架构和环境，还需要足够多的数据。具身智能下一步，需要大量第一人称视角的操作数据，也就是以人的视角拍到的、真实操作物体时的视频。显然，急需用钱的业主最适合张强这类投资者。但在整个二手房市场，此类卖家比例不高，而且老破小房源普遍瑕疵较多，投资意义上的“高性价比”房源十分稀缺，需要足够多的耐心。

z | 上述私募投资人士称，过去由于住宅收益率低，机构投资者更青睐写字楼。一方面写字楼租金高，回报率更优；另一方面，商办物业只要运营得当，也能带来可观的资产增值收益。不过，近两年情况发生了变化，商办市场冷清，租金一降再降；而住宅租金收益率因房价下降有所提升，开始吸引机构关注，但目前机构多处于前期摸底阶段，尚未形成实质性投资动作。

| 视频生成厂商正在把自己的生成能力延伸向用于模型训练的数据供给。

| 买房逻辑变了过去，张强投资房产主要依靠房价上行赚取增值差价，但如今，他更看重的是租金收益。这背后是世界模型对高质量数据的渴求。梅涛提到，目前容易获取的数据基本已经被拿得差不多了，但真正高质量、有私域价值的数据反而越来越难拿到。梅涛谈到智象未来与一家机器人公司的合作：对方提供人类带着夹爪操作的仿真数据，每个关节点精度大概在毫米级；智象未来反过来生成一份不带夹爪的真人第一人称实操视频，和原始数据一一对齐。

| “用这样的视频可以做增广，一份高精度、带夹爪的视频，能生成出上百到上千份不同背景、肤色、形态的版本，同样保持高精度。” C端的数据采集，目前还停留在比较原始的阶段。张强说，与年化租金收益率相比，他更在意的是每月带来的4000元租金收入。作为普通打工族，张强对年化收益率的要求没有那么严格和执着。许华哲提到，现在主要是靠58同城、猎聘这类公司，派人带着采集设备上门去拍；下一步可能是把采集设备直接寄到普通人家里，让人边带娃或边做自媒体，边采数据赚点钱。究竟需要多少量级的数据，行业还在探索。他更远的考虑是，即便未来遇到裁员等突发情况，每月4000元的租金收入也能为生活提供更多保障。

| 在他看来，这一轮房地产洗牌后，随着房价逐步回稳，靠房价上涨赚取差价的时代已经过去，现在是出租率高、租金高的房子具备投资价值。启明创投给出一个参照：头部机器人公司的有效数据，会从2025年的“万小时级”，跃升到2027年的“百万小时级”，其中人类第一视角数据将占绝对主导。将100多万元存入银行定期存款或保本理财产品，带来的收入有限，而且从长远来看也难以抵御通胀影响。而数据恰恰是行业难以共享的东西。相比之下，投资一线城市核心区域的房产，不仅能带来持续稳定的租金收入，还具备一定的保值增值功能。许华哲提到，数据是具身智能里最核心的资产，几乎没人会真正把它开源出来，网上很多号称开源一万小时的数据集，点开可能只有五十小时。当行业有人喊出“元年”时，学界在解理论“死结”，厂商在用同一个词争不同的定义。

| 模型在往前跑，地基在往下打，中间还缺数据。世界模型在还没被讲清楚前，就已经被相信了。新京报贝壳财经记者韦英姿编辑王进雨校对穆祥桐。上述私募投资人士表示，普通投资者计算回报率往往比较粗略；专业或机构投资者的测算模型更为复杂，通常采用投资回报率与内部收益率（IRR）两种方式作为投资标准。两种标准的出发点不同，投资逻辑也各有差异。该人士告诉经济观察报，专业投资者会将物业费、交易税费、取暖费、维修费、空置损失等成本全部计入。其中，偶发性成本按一定比例纳入计算，例如维修成本通常为年租金的10%左右，空置损失约为年租金的5%。如果购房资金来自贷款，还需将资金成本计入。以张强计划投资的房产为例，每年的物业费、取暖费、维修费及空置损失合计约3000元，需要从租金收益中扣除；按照“满五唯一”政策，契税约为1.2万元，也应计入购房成本。