行业洞察
➡ 第三期
世界模型——破解具身智能泛化难题
开启物理AI新时代
作者：投资二部 王蒝
从ChatGPT开启文本大模型时代开始，AI完成了对数字世界的认知构建。但当我们把目光投向物理世界，会发现一个残酷现实：绝大多数机器人只能在实验室的固定场景里完成演示，一旦放到真实家庭、工业车间，动作立刻变形，面对陌生物体、可变环境束手无策。
长期制约具身智能落地的核心矛盾，就是算法泛化能力不足。而行业如今形成统一共识：破解这道难题的唯一钥匙，就是世界模型。本期我们从技术痛点、产业演进、创业格局、技术路线与资本逻辑出发，拆解物理AI的下一个核心主线。
01
为什么传统具身智能算法始终跨不过泛化这道坎
过去十年，行业在模仿学习、强化学习、视觉语言动作模型（VLA）上投入了海量算力与人力，却始终被困在“实验室效果拉满，真实场景全面翻车”的怪圈里，本质是底层算法架构存在先天缺陷。
首先，传统算法高度依赖封闭数据集，无法适配开放世界。不管是早期的示教学习，还是近几年大火的端到端多模态模型，训练都建立在一个前提：测试环境和训练环境保持一致。机器人在固定灯光、固定摆放位置下学会抓取水杯，一旦更换桌面材质、光线角度，或是出现一款从未见过的异形杯子，识别与动作策略就会直接失效。现实世界充满无限组合的变量：地板摩擦力、物体重量、障碍物位置、人类随机指令，模型根本无法穷尽所有训练样本。
其次，Sim-to-Real（仿真环境到真实世界迁移）鸿沟始终无法填平。行业普遍用仿真环境大规模训练机器人策略，再迁移到实体硬件。但纯数据驱动的算法只学习像素与动作的对应关系，没有掌握底层物理规律。仿真环境简化了摩擦、形变、重力等物理细节，模型学到的只是表层动作，放到现实中很容易出现力度失控、路径偏差，仿真里95%的成功率，落地后可能直接跌到30%以下。
最后，现有模型只有“条件反射”，没有预判能力。当前绝大多数具身策略属于被动响应：看见物体再规划动作，遇到突发状况只能原地停滞。人类行动依靠对未来的预判，走路会预判前方障碍物移动，拿取易碎物品会提前控制力度；但普通AI没有对环境下一状态的推演能力，缺少对物理规则的理解，自然很难做到跨任务、跨场景自主适配。
没有对物理世界的虚拟推演，仅靠视觉+动作的模式匹配，具身智能永远只能完成标准化任务，无法进化成通用物理智能体，泛化瓶颈也就无从突破。
02
具身智能算法的三次演进，最终指向世界模型
梳理整个技术迭代脉络，我们能清晰看到行业正在一步步跳出“单任务训练”的陷阱，三代技术路线层层递进，最终收敛到世界模型这一终极方案。
第一代是规则化模块化控制，时间大致在2015年之前。这一阶段的机器人依靠人工编写代码拆分感知、规划、控制模块，典型代表就是传统工业机械臂、AGV小车。它只能严格按照预设轨迹运行，环境稍有变动就需要工程师重新编程，完全不存在自主学习能力，自然谈不上泛化能力。
第二代是数据驱动的深度学习方案，也就是近十年的主流路线。强化学习、模仿学习、多模态大模型相继登场，RT-2、PaLM-E这类视觉语言动作模型（VLA），把文字指令、视觉画面直接映射成机器人动作。这一代算法摆脱了人工编程，能自主学习多类任务，但依然停留在“观察—执行”的单层逻辑。它可以学会开门、叠衣服等十几种技能，但无法自主推理物理因果，换一个门把手款式就要重新微调模型，依然逃不开场景束缚。
第三代是以世界模型为底座的预测式智能。算法逻辑从“看到现状再行动”升级为“先模拟环境演变，再制定行动方案”。AI会先在虚拟空间复刻真实世界，预判物体运动、环境变化，再基于模拟结果优化动作策略。模型不再死记硬背画面与动作，而是掌握重力、碰撞、形变等通用物理规律，哪怕面对从未见过的物体与场景，也能依靠物理推演完成零样本迁移。
从人工编程，到被动执行，再到主动预判，具身智能完成了范式转移。大语言模型解决了数字空间的语义理解，而世界模型补齐了物理空间的环境推演，VLA与世界模型二者结合，才构成完整的通用智能闭环。
03
2026年，世界模型创业企业迎来集中爆发
技术拐点到来，产业与资本的反应异常迅速。如果说2024—2025年世界模型还停留在科研论文与大厂实验室，那么2026年就是初创公司集体落地、集中跑出的元年。
一级市场的融资热度已经直观印证了行业趋势。原本涌入人形机器人整机项目的资金，开始大量向世界模型基座企业倾斜。开年至今，国内多家头部初创企业接连拿到大额融资：极佳视界三个月内累计融资35亿元，其自研世界模型在国际评测榜单登顶；千寻智能三个月完成四轮融资，总规模突破45亿元；智平方、星海图等基座厂商接连拿下十亿级别的B轮融资，短时间内成长为百亿估值独角兽。
不光是纯算法公司，上下游玩家也在集体转型。一部分视频生成企业把业务升级为时空世界模拟，自动驾驶仿真厂商切入物理动力学建模，人形机器人整机团队纷纷自研配套的世界模型训练场。截至上半年，国内已有超过30家初创企业将世界模型作为核心主线，团队构成高度集中，大多来自清华、中科院、海外顶尖实验室以及英伟达、谷歌、特斯拉等大厂机器人团队36氪。
爆发的背后有三重产业基础：第一，JEPA、视频扩散模型等基础框架成熟，降低了创业团队的技术门槛；第二，虚实结合的数据闭环成型，仿真数据+真实交互数据可以高效完成模型迭代；第三，人形机器人、工业灵巧操作、家庭服务机器人进入小规模试点，产业端产生了真实的商业化需求，不再是空泛的技术探索。
可以预判，2026年会诞生第一批具备商业化能力的世界模型公司，赛道正式从技术研发期迈入产业化落地阶段。
04
世界模型的三大主流技术路线
01 像素级视频生成路线
像素级视频生成路线以OpenAISora、谷歌Genie为代表。这条路线依靠海量视频数据，用扩散模型直接生成下一帧画面，隐式学习视觉世界的时空变化。它画面还原度极高，渲染效果逼真，短板也十分突出：很难严格约束物理规则，容易出现物体穿模、违背动力学规律的问题，算力消耗巨大。这条路线更适合数字孪生、虚拟场景搭建，直接用于机器人实体控制还存在较大障碍。
02 隐空间表征预测路线
隐空间表征预测路线，也就是LeCun提出的JEPA方案。模型放弃像素级画面重建，把高维视觉信息压缩成抽象特征，只预测环境状态的演变，不去生成完整图像。这种方案算力开销低，推理速度更快，更关注物体与环境之间的因果关系，物理一致性更强。它非常适配机器人自主规划、具身智能零样本泛化，也是目前绝大多数机器人世界模型初创团队选择的主流路线，兼顾性能与工程落地难度。
03 3D几何+显式物理混合路线
在模型中嵌入刚体动力学、流体力学等物理公式，结合NeRF、3DGS三维重建技术，构建结构化物理仿真空间。模型同时兼顾几何空间精度与物理规则，Sim-to-Real迁移效果最好，虚实鸿沟最小。缺点是工程复杂度极高，需要算法团队同时掌握AI大模型与物理引擎开发，更适合工业机器人、自动驾驶这类对动作精度要求极高的垂直场景。
三条路线没有绝对优劣，通用大模型项目多选择隐空间路线，数字渲染项目走视频生成路线，工业高精度场景优先布局物理引擎融合方案。未来2—3年，技术会逐步收敛，大概率走向“隐空间预测+显式物理约束”的混合架构。
05
投资人如何看待这条赛道：
长期坚定押注，短期理性筛选
01 长期价值毋庸置疑，属于必布局的核心主线
几乎所有布局硬科技、机器人赛道的CVC与财务基金，都把世界模型列入未来三年重点研究清单。大语言模型的竞争已经进入白热化阶段，算力、数据、人才门槛越来越高，后发团队很难突围；而物理AI尚处在早期，世界模型作为底层基座，向上可以赋能人形机器人、工业灵巧手、自动驾驶、数字孪生等数十个细分行业，产业链空间足够广阔，能诞生多家平台型企业。简单来说，谁掌握了世界模型底座，谁就能占据下一代机器人产业的技术制高点。
02 拒绝纯概念项目，重点考核两大硬指标
资本已经开始挤掉行业泡沫，不再为宏大叙事买单。在项目研究中，投资机构重点关注两点：一是有没有完成虚实数据闭环，能不能用仿真环境源源不断生成训练数据，摆脱对真实机器人采集数据的依赖；二是能不能真正解决泛化问题，拿出跨物体、跨场景的零样本实测效果，而不只是展示精美仿真视频。那些只做视频生成、没有实体机器人落地场景的项目，估值会快速回归理性。
06
结语
长久以来，具身智能被困在“有限场景”里反复试错，根源就是AI无法理解真实世界的运行逻辑。传统算法只能教会机器人完成指定动作，而世界模型能够让AI在脑海里虚拟推演整个物理世界的变化，真正拥有预判能力与自适应能力，彻底打通泛化能力的最后一道关卡。
2026年，正是这条技术路线从实验室走向产业化的关键拐点。资本、人才、算力资源正在快速向世界模型赛道汇集，接下来两三年，会持续跑出一批兼具技术壁垒与落地能力的创业公司。对于产业从业者和投资人而言，看清技术路线、区分虚实落地、锚定垂直场景，才能抓住物理AI时代最核心的时代红利。
本文部分行业数据来自公开报道及研究报告。本文所有观点仅供学习交流使用，不具有任何盈利目的、不构成任何投资推荐、企业推荐或操作建议。
关于中兵顺景
中兵顺景股权投资管理有限公司是中国兵器工业集团旗下的专业化私募股权投资管理平台，依托集团的产业、品牌、科研和人才协同优势，由职业化的资深专业团队进行规范化高效运作，致力于打造业内有影响力的股权投资管理机构。
识别二维码，关注“中兵顺景”微信公众号
