世界模型正在成為當(dāng)前人工智能產(chǎn)業(yè)出現(xiàn)頻率最高的關(guān)鍵詞之一，越來越多的研究機(jī)構(gòu)和企業(yè)，開始將世界模型視為下一階段人工智能競爭的重要方向。

與此同時(shí)，圍繞世界模型究竟是什么、與當(dāng)前主流的VLA路線有何區(qū)別、又將依靠什么樣的數(shù)據(jù)繼續(xù)進(jìn)化等問題，行業(yè)內(nèi)仍存在諸多爭議。6月13日，在接受包括《每日經(jīng)濟(jì)新聞》記者在內(nèi)的媒體采訪時(shí)，智源研究院理事長、北京大學(xué)計(jì)算機(jī)學(xué)院教授黃鐵軍系統(tǒng)回應(yīng)了這些問題。

在黃鐵軍看來，當(dāng)前大量企業(yè)采用VLA路線推動具身智能落地，與世界模型的發(fā)展并不矛盾。對于產(chǎn)業(yè)而言，成熟技術(shù)解決具體問題是一種現(xiàn)實(shí)選擇。但如果將來出現(xiàn)一個(gè)通用大腦作為基座，支撐垂直模型解決各個(gè)領(lǐng)域的問題，那么通用世界模型將會扮演這樣一個(gè)角色。

智源研究院理事長黃鐵軍 圖片來源：主辦方供圖

從VLA到世界模型：機(jī)器人需要一個(gè)理解現(xiàn)實(shí)世界的大腦

隨著具身智能成為資本和產(chǎn)業(yè)共同追逐的熱點(diǎn)，VLA（Vision-Language-Action）路線已經(jīng)迅速成為行業(yè)主流之一，大量具身智能企業(yè)都依靠這一路線推動具身智能落地應(yīng)用。

面對這一趨勢，外界也開始產(chǎn)生一個(gè)問題：既然VLA已經(jīng)能夠解決很多現(xiàn)實(shí)問題，世界模型是否還有必要？

在黃鐵軍看來，兩者本質(zhì)上并不構(gòu)成競爭關(guān)系。企業(yè)采用VLA，是因?yàn)檫@是一條已經(jīng)被證明能夠解決現(xiàn)實(shí)問題的路徑。在制造、搬運(yùn)、抓取等特定場景中，現(xiàn)有大模型技術(shù)已經(jīng)具備相當(dāng)程度的可用性。但從研究機(jī)構(gòu)的角度來看，如果目標(biāo)是打造能夠像人一樣在不同環(huán)境中行動、解決不同問題的具身智能，僅靠針對具體任務(wù)訓(xùn)練出來的能力遠(yuǎn)遠(yuǎn)不夠。

“人腦就是一個(gè)小宇宙，人類其實(shí)對這個(gè)世界是有一個(gè)模型的，我們在做什么事的時(shí)候，有一個(gè)基本的判斷依據(jù)?！秉S鐵軍認(rèn)為，真正意義上的世界模型不僅要理解物體運(yùn)動、空間關(guān)系等基礎(chǔ)規(guī)律，還要理解材料性質(zhì)、環(huán)境變化以及人與人之間復(fù)雜交互后的因果關(guān)系。

黃鐵軍表示，機(jī)器人面對的不只是搬箱、抓取物體這類簡單任務(wù)，還會涉足災(zāi)害救援、極端環(huán)境作業(yè)等高度開放的復(fù)雜場景。

例如，當(dāng)機(jī)器人面對火災(zāi)現(xiàn)場時(shí)，人類會本能地避開火焰，因?yàn)槿梭w無法承受高溫，但機(jī)器人如果能夠判斷自身材料不會被融化，就可能作出完全不同的決策。

對于世界模型的發(fā)展速度，黃鐵軍認(rèn)為，如果目標(biāo)是構(gòu)建一個(gè)能夠掌握物理、化學(xué)、生物乃至社會運(yùn)行規(guī)律的完整世界模型，這仍然是一條非常漫長的道路。因?yàn)槿祟愖陨韺κ澜绲恼J(rèn)知在不斷擴(kuò)展，“把所有的科學(xué)知識、生物的、化學(xué)的、生命的所有都希望這個(gè)世界模型能裝進(jìn)去，是一個(gè)長遠(yuǎn)的、理想的目標(biāo)”。

相比之下，更現(xiàn)實(shí)的目標(biāo)是讓機(jī)器人先獲得類似普通人的常識能力，“未來兩三年，能跟人日常工作相比的這樣一個(gè)世界模型，是有可能出來的”。

與此同時(shí)，黃鐵軍還特別強(qiáng)調(diào)了另一個(gè)經(jīng)常被忽視的問題，即效率。在他看來，從世界模型的角度，一方面追求功能完備，另一方面要求其在低功耗狀態(tài)下，做到操作精準(zhǔn)、反應(yīng)靈敏。

新的范式：世界模型正在尋找新的“數(shù)據(jù)燃料”

如果說世界模型的目標(biāo)是理解現(xiàn)實(shí)世界，那么支撐其成長的核心資源仍然是數(shù)據(jù)。不過，在黃鐵軍看來，世界模型時(shí)代的數(shù)據(jù)邏輯正在發(fā)生變化。

過去幾年，大模型的發(fā)展主要依賴靜態(tài)數(shù)據(jù)集。企業(yè)通過采集數(shù)據(jù)、構(gòu)建數(shù)據(jù)集，再進(jìn)行離線訓(xùn)練，從而不斷提升模型能力，這種模式推動了語言模型和多模態(tài)模型的快速發(fā)展，但在世界模型階段，單純依賴靜態(tài)數(shù)據(jù)已經(jīng)難以滿足需求。

黃鐵軍認(rèn)為，數(shù)據(jù)本身就是對環(huán)境的一種不完備的表達(dá)，當(dāng)前，數(shù)據(jù)這個(gè)概念本身有些過于靜態(tài)，“我們甚至可以把數(shù)據(jù)這個(gè)詞再稍微推廣一點(diǎn)，生物正是通過與環(huán)境交互，獲取進(jìn)化所需的信息”。在人類認(rèn)知世界的過程中，知識并不僅僅來自書本，更多時(shí)候，人是在與環(huán)境持續(xù)互動中形成認(rèn)知。踢球、游泳、彈琴，甚至每天的工作和生活，本質(zhì)上都在不斷獲取新的信息。

因此，黃鐵軍認(rèn)為，在世界模型階段，實(shí)時(shí)交互性的數(shù)據(jù)會越來越多，耳機(jī)、智能眼鏡等可穿戴設(shè)備的發(fā)展，將推動這一變化加速發(fā)生。用戶看到什么、聽到什么、說了什么，都可能被實(shí)時(shí)記錄下來，并同步成為智能體理解環(huán)境的一部分，“你看見了他也看見了，你不要把你看見的東西翻譯給他”。

當(dāng)這種同步感知成為常態(tài)時(shí)，人們的工作和生活過程實(shí)際上正在被數(shù)字化，而這些第一視角、實(shí)時(shí)同步的數(shù)據(jù)，也將成為訓(xùn)練世界模型的重要資源。

這一判斷背后，實(shí)際上對應(yīng)著數(shù)據(jù)采集模式的改變。

當(dāng)前不少機(jī)器人企業(yè)仍在建設(shè)專門的數(shù)據(jù)采集中心，通過遙操作、人工示范等方式獲取訓(xùn)練數(shù)據(jù)。黃鐵軍認(rèn)為，從長期來看，這未必是成本最合理的方式。相比之下，讓工人在正常工作過程中佩戴設(shè)備同步采集數(shù)據(jù)，或者讓用戶在使用智能體服務(wù)過程中自然產(chǎn)生數(shù)據(jù)等模式也需要探索，“我相信穿戴式的這些傳感器會越來越多，會對未來的更多的數(shù)據(jù)產(chǎn)生提供一個(gè)重要的來源”。

代碼能力的重要性在過去被行業(yè)低估

過去半年，以Anthropic為代表的科技公司正在不斷強(qiáng)化代碼能力建設(shè)，Claude Code等產(chǎn)品引發(fā)產(chǎn)業(yè)關(guān)注。

“代碼本身邏輯性肯定是比自然語言要強(qiáng)，這是設(shè)計(jì)計(jì)算機(jī)語言編程的重要原因，所以它肯定是對大語言模型的性能是有重要影響的?！秉S鐵軍表示，Anthropic在其部分的模型訓(xùn)練中，代碼數(shù)據(jù)占比已經(jīng)達(dá)到極高水平，其中不僅包括開源代碼，還包含大量經(jīng)過長期迭代的高質(zhì)量商業(yè)軟件代碼。

黃鐵軍坦言，很多人最初關(guān)注代碼數(shù)據(jù)，是為了提升模型性能，卻忽視了Coding本身巨大的產(chǎn)業(yè)價(jià)值，這是需要反思的問題。

黃鐵軍表示，今天社會運(yùn)行的底層已經(jīng)越來越依賴數(shù)字系統(tǒng)。電網(wǎng)、金融系統(tǒng)、企業(yè)管理軟件乃至互聯(lián)網(wǎng)服務(wù)，本質(zhì)上都是由代碼構(gòu)成的數(shù)字世界。相比受制于硬件、傳感器和現(xiàn)實(shí)環(huán)境的具身智能，數(shù)字世界的重構(gòu)門檻更低、見效更快。

在他看來，這也是OpenAI、Anthropic等現(xiàn)階段持續(xù)強(qiáng)化Coding能力的重要原因。