bingdada世界模型是让AI理解物理世界动态变化并预测行动后果的系统，与语言模型构成AGI的两条路径。生数科技发布的Motus2将评估与反馈显式纳入统一模型，使机器人能预演行动后果并自我修正，是从L3向L4自主世界智能体迈进的关键尝试。
过去几年，人工智能的叙事主线几乎被语言模型垄断。更大的参数量、更长的上下文窗口、更强的推理能力，再加上工具调用与智能体编排，构成了通往通用人工智能的主航道。这条路线确实成果斐然——机器已经能够读写、编程、检索、规划，并接管了大量原本只存在于屏幕中的复杂工作。
然而，当任务从"在网页上填完一张表格"变成"把灯泡稳稳拧进灯座"时，问题的性质发生了根本变化。机器人不仅需要识别物体，还要判断手指该如何接触、旋转会产生什么后果、拧偏了是否该停下、下一步如何修正。这需要的不是一个能描述世界的模型，而是一套能在行动前预演后果、在行动后复盘得失的内部世界模型。
这正是AGI竞争出现分岔的节点。同样脱胎于清华实验室的智谱与生数，恰好提供了两组值得对照的中国样本：前者以语言模型与智能体为核心组织能力，后者以世界生成、实时交互与世界动作模型为线索推进。它们如同在同一座山的两面攀爬——一面从人类已编码的语言和知识出发，另一面从世界持续发生的变化与反馈出发。
"世界模型"这个术语正在被不同领域从不同入口使用，导致概念边界日益模糊。视频生成领域希望模型学会世界如何随时间展开：人物转身后是否还是同一个人，镜头移动后空间关系是否依然成立。空间智能领域希望模型生成可从不同视角检验的环境。机器人和自动驾驶则必须回答一个更苛刻的问题：如果我向左移动两厘米、夹爪收紧一点、手腕多转五度，世界接下来会变成什么样？
表面上看，这些方向产出的东西不同——像素、空间状态、动作轨迹。但底层都绕不开同一个闭环：智能体观察世界，采取行动，行动改变世界，新世界再产生新的观察。
2025年6月，李飞飞与World Labs团队在论文《A Functional Taxonomy of World Models》中，从经典POMDP框架出发，将当下被称为世界模型的系统概括为三种主要功能：输出像素观测的渲染器、输出几何或物理状态的模拟器，以及输出下一步行动的规划器。这套分类的价值在于先厘清了"大家到底在做什么"。
两个月后，朱军团队发布《General World Models from First-Principles》，从另一个方向向前推进。如果说前者问的是"今天被称作世界模型的系统分别输出了什么"，后者问的则是"一个模型若要真正走向通用，这些能力应当如何在同一个循环中耦合、成长和自我修正"。
这两个问题并不冲突，反而构成了理解当前世界模型的一对坐标。李飞飞团队拆开了"渲染、模拟、规划"这些功能部件；朱军团队则把视线放在部件之间如何真正转起来：模型要理解此刻的世界，预测不同条件下的未来，采取改变世界的行动，再让真实反馈进入下一轮理解与决策。
这也是朱军团队所说的通用世界模型第一性原理：理解、想象、行动，不是并列的功能标签，而是一条不能断开的因果链。只会生成未来画面，模型仍可能只是一个"看起来很懂世界"的旁观者；只有当它的动作会改变环境，而环境又能反过来修正它下一次动作时，模型才开始成为这个世界里的参与者。
基于这一逻辑，朱军团队将通用世界模型划分为五个层级：L1是世界生成，模型学习世界如何演化；L2是与世界交互，外部输入开始持续改写后续状态；L3是在世界中行动，模型的动作进入环境并从环境变化中获得反馈；L4是能够围绕长期目标自主感知、规划、探索和学习的世界智能体；L5则进一步走向多个机器人、数字智能体、人类与工具之间的协同组织。这是一条自主性逐级解锁的路线图。
文章开头所说的"分岔"，并不是大语言模型和世界模型的简单竞争，而是两种建造智能的原材料正在形成分工。
大语言模型所代表的路线，以文本、代码、符号和工具为主要材料。它关心的是机器怎样从读懂一句话，走向组织目标、调用外部能力，并完成需要推理和协作的复杂任务。
生数所押注的则是另一组原材料：时间、空间、视觉、动作和反馈。从Vidu的视频生成，到Vidu S1对实时交互的探索，再到Motubrain和Motus系列对世界行动模型的推进，这条路线表面上跨度很大，底层却在反复追问同一个问题：模型能否从"生成一个看上去成立的世界"，走向"在一个会被自己改变的世界里持续行动"？
语言可以告诉机器人"把桌面收拾好"，却不会自动告诉它：杯子里还有没有水，纸张是否已经被压在书下，抽屉为什么拉不动，玻璃边缘是否正在滑出手指。即便模型能给出一段非常漂亮的任务计划，真正落到物理世界里，仍要面对距离、重力、摩擦、遮挡、形变、延迟和不可逆的失误。
视频生成是学习世界在时间中的展开；实时交互是让外部输入改变下一刻会发生什么；机器人行动则把问题推到最难的一步——模型必须理解，自己的动作正在改变世界，而它必须承担这个改变的后果。
因此，智谱与生数这一对同出清华的对照组，并不处在同一个窄赛道。哲学家维特根斯坦在《逻辑哲学论》中提出的"语言的边界意味着世界的边界"，在AI时代被赋予了新的含义。语言模型让机器更好地理解、表达、推理并调用人类已有的知识系统；世界模型路线则努力让机器获得对具体世界的动态理解，在行动之前预演，在行动之后校正。一个让智能拥有更丰富的语言与计划能力，一个让智能拥有更扎实的世界经验与因果感。
这是AGI的南北坡：有人沿着语言和符号向上，有人沿着时空和行动向上。峰顶未必近在眼前，但两条路都已经不能缺席。
以生数科技的布局为例，可以更具体地拆解通用世界模型为何重要。AI要真正进入真实世界，不只要生成看起来合理的内容，还要理解物理世界的状态与变化，并知道自己的动作会带来什么后果。
基于这一判断，生数科技关注的核心并不是"生成了多少虚拟世界"，而是能否将理解、预测、行动与反馈形成一套可验证、可持续迭代的闭环。沿着五级路线，Vidu让模型学习世界如何演化，Vidu S1让外部输入可以持续改变后续状态，Motus与Motubrain则把问题进一步推到"模型的动作会如何改变世界"。
最新的Motus2是这条链路在灵巧操作上的一次推进：同一套共享参数模型既提出候选动作，也预演行动后果、评估哪一步更接近目标，并将反馈用于改进下一次选择；结合第一视角人类数据、机器人域适配与触觉反馈，它试图让机器人不只会模仿一个动作，也开始理解行动后果。
在2026外滩大会上，生数科技联合创始人、CEO骆怡航预告发布了面向灵巧操作的自进化通用世界模型Motus2。相比此前更多关注"如何理解环境、预测未来并生成动作"，Motus2进一步将Evaluation和Feedback显式纳入统一模型。模型不仅可以决定下一步动作，还可以预测动作可能带来的结果，并判断这个结果是否更接近任务目标，再利用反馈优化后续策略。
由此，机器人开始形成一套更完整的闭环：行动、预测、评估、反馈，再行动。世界模型正在从"会行动"，进一步走向"能够根据行动结果修正自己"。从五级路线来看，Motus2仍然建立在L3"在世界中行动"的能力之上，但已经开始探索自主评估、自主反馈和策略优化，可以看作生数科技向L4"自主世界智能体"迈出的一次初步尝试。
在世界模型这一方向上，海外以World Labs、Google DeepMind的Genie系列、OpenAI的Sora等为代表，多聚焦于从视频或交互数据中学习物理规律与空间一致性。而国内玩家则呈现出不同的切入角度：生数科技从视频生成出发，逐步向动作模型延伸；商汤的"日日新"体系强调多模态与空间智能的结合；智谱则在语言模型基础上探索具身智能与智能体编排。
值得注意的是，国内企业在数据获取上具有独特优势——制造业、物流、家庭服务等场景提供了丰富的真实操作数据，这为训练具备物理常识的世界模型提供了土壤。同时，国内对具身智能的政策支持力度也在加大，北京、上海、深圳等地均出台了相关产业规划，推动世界模型与机器人产业的协同发展。
当然，差距依然存在。在底层架构创新、大规模仿真环境构建、以及跨模态统一表征等基础研究层面，海外机构仍处于领先位置。国内团队更多是在应用层和特定场景中寻找突破口，这种"场景驱动"的路径能否反哺基础模型能力，仍需时间验证。
世界模型是让AI理解物理世界如何随时间变化、并预测行动后果的系统。大语言模型以文本和符号为主要材料，擅长推理和规划；世界模型则以时间、空间、视觉、动作和反馈为核心，关注的是在动态环境中持续行动的能力。两者并非替代关系，而是建造智能的不同原材料。
Motus2的核心创新在于将评估与反馈显式纳入统一模型。它不仅能提出动作，还能预演后果、判断是否接近目标，并利用反馈优化后续策略，形成"行动-预测-评估-反馈-再行动"的闭环。这使它从单纯的模仿学习走向了具备自我修正能力的行动模型。
L1是世界生成，学习世界如何演化；L2是与世界交互，外部输入改写后续状态；L3是在世界中行动，动作进入环境并获得反馈；L4是自主世界智能体，能围绕长期目标感知、规划、探索；L5是多智能体协同组织。层级越高，自主性越强。
语言模型从人类已编码的知识出发，让机器获得推理、表达和调用工具的能力；世界模型从物理世界的实时反馈出发，让机器获得因果感和行动能力。两者路径不同，但指向同一座山——具备完整认知与行动能力的通用智能。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
中国气象局与中科曙光联合宣布，MCV天气-气候一体化模式依托曙光8000全国产超集群，全球首次实现5公里分辨率、10天预报1小时算完，超越欧洲中心IFS业务水平。本文从算力困局、技术突破、AI4S底座三个维度解析这一成果的深层意义。
当智能体从偶尔调用走向持续在线，算力消耗呈现结构性膨胀。本文从IDC增长数据出发，分析万亿参数模型对计算体系的连锁影响，以及芯片、存算、互连、系统协同面临的现实考验。
Google DeepMind 在欧洲启动为期三个月的机器人加速器，支持 15 家具身智能初创企业，覆盖工业、医疗、建筑与海洋等场景，释放出物理 AI 从研究走向工程化落地的明确信号。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
