通用世界模型五级进化路线：从视频生成到具身智能的跃迁路径
在人工智能迈向通用智能的关键节点，一个核心问题日益凸显：如何让机器不仅“看懂”世界，还能“预测”其演化并“主动干预”？2024年8月19日，在世界机器人大会的分论坛上，生数科技创始人兼首席科学家朱军提出了一个系统性答案——通用世界模型（General World Model），并首次公开其五级进化路线图。这一框架不仅重新定义了世界模型的内涵，更勾勒出从纯数字内容生成到物理世界自主行动的清晰技术路径。
理解、预测与行动：通用世界模型的三大支柱
传统意义上的世界模型多聚焦于环境模拟或状态预测，常被简化为生成器或策略网络。但朱军指出，真正的通用世界模型必须是一个闭环反馈系统，其核心在于三项不可分割的能力：理解世界、预测未来、采取行动。
理解世界，意味着模型能从多模态输入（如图像、视频、语言）中提取当前环境的状态表征；预测未来，则要求模型推演不同动作可能导致的后果，形成对世界动态规律的内部认知；而采取行动，不仅是输出指令，更是通过与环境的真实交互产生新观测，从而反哺下一轮的理解与预测。这三者构成一个持续迭代的循环，正如人类在学习骑车时，通过不断试错调整身体姿态，逐步内化平衡法则。
这种闭环特性决定了通用世界模型不能是模块化拼接的产物。过去常见的“感知-规划-控制”流水线架构，往往因信息割裂导致误差累积。而统一建模则能确保理解、预测与行动在同一表征空间中协同优化，显著提升系统鲁棒性与泛化能力。
数据、架构与算力：构建闭环系统的三大基石
要实现上述闭环，离不开三大基础要素的协同演进：数据、架构与算力。
在数据层面，通用世界模型依赖一个多层数据金字塔。底层是海量无标注网络视频，用于学习基本的视觉动态与时空一致性；中层引入特定领域视频和第一人称视角的人类操作录像，增强任务相关性；顶层则需真实机器人交互数据，包含动作指令、传感器反馈及任务成败结果。值得注意的是，失败数据同样宝贵——机器人摔倒后的恢复尝试、操作失误后的修正动作，都蕴含着关于物理约束与容错机制的关键信号。此外，合成数据可贯穿各层，通过可控仿真补充真实数据的不足。
架构设计上，生数科技采用Mixture-of-Transformers（MoT） 方案。该架构为不同模态（图像、视频、文本、动作）分配专属参数子网络，同时通过共享注意力机制实现跨模态信息融合。例如，当模型看到“拿起杯子”的指令时，语言编码器激活相关语义，视觉编码器定位杯体位置，动作解码器则生成抓取轨迹——三者在统一框架下同步优化，避免了传统多阶段 pipeline 中的信息损失。
算力则决定模型能否从离线训练走向实时部署。视频生成可容忍秒级延迟，但机器人控制需在毫秒级完成感知-决策-执行闭环。为此，生数科技在训练端构建大规模分布式基础设施，在推理端则通过模型蒸馏、稀疏注意力和硬件适配等手段压缩延迟。Motubrain 的推理速度较前代提升10倍，正是算力优化的直接体现。
五级进化路线：从数字生成到物理协同的阶梯
基于上述理念，朱军团队将通用世界模型的发展划分为五个递进层级，每一级都是对世界认知深度与交互广度的拓展。
L1：世界生成（World Generation） 是起点。此阶段模型学习世界的基本运行规则，典型载体是高质量视频生成。2024年发布的 Vidu 大模型即属此类，它能生成长达数十秒、具备物理合理性的连贯视频，为后续理解与预测奠定基础。例如，Vidu 可模拟液体倾倒、物体碰撞等复杂动态，隐式学习质量、动量等物理属性。
L2：与世界交互（Interactive World） 引入外部干预。模型不再一次性输出完整序列，而是根据用户实时输入（如语音指令）动态调整后续内容。2026年7月推出的 Vidu S1 实现了这一能力——用户可在视频生成中途说“让汽车左转”，模型立即修改轨迹并保持场景一致性。这种持续交互能力是迈向主动智能的关键过渡。
L3：在世界中行动（Actionable World） 标志着从数字到物理的跨越。此时模型需直接输出机器人可执行的动作指令，并接收真实传感器反馈进行在线修正。Motus（2025年开源）和 Motubrain（2026年发布）是这一阶段的代表。后者将环境理解、状态预测与动作生成统一建模，在 RoboTwin 2.0 基准测试中以96.1分领先，且仅需50–100条人类示范即可适配新机器人本体。实测显示，Motubrain 能在未知厨房环境中完成“取杯-倒水-递送”长程任务，展现出跨场景泛化能力。
L4：自主世界智能体（Autonomous World Agent） 要求模型具备目标驱动的主动探索能力。它需自主拆解复杂任务（如“准备晚餐”），规划子目标序列（找食材、开火、烹饪），并在环境变化时动态调整策略。目前该层级仍处探索阶段，核心难点在于长期规划与不确定性处理。
L5：世界组织者（World Orchestrator） 则是终极愿景——协调多智能体（机器人、数字代理、人类）协同完成超复杂任务。例如，在灾难救援中统筹无人机侦察、机械臂破障、人类指挥员决策等资源。这需要模型具备高级抽象、角色分配与冲突消解能力，远超当前技术边界。
迈向高阶智能：六大关键挑战待突破
尽管 L1–L3 已有扎实实践，但通往 L4–L5 仍面临严峻挑战。朱军团队总结出六项亟需攻克的难题：
首先，缺乏统一评测体系。现有基准多聚焦单一能力（如视频FVD分数或机器人成功率），难以衡量理解-预测-行动的联合性能。亟需构建覆盖多层级、多场景的综合评估框架。
其次，物理规律建模不足。当前模型对接触力、摩擦、流体动力学等微观物理过程的理解仍显粗糙。需结合符号物理引擎与神经网络，实现“可微分+可解释”的混合建模。
第三，记忆机制薄弱。通用智能体需持久存储经验并支持修订。现有Transformer的上下文窗口限制导致长期依赖丢失，需探索外部记忆库或神经图灵机等架构。
第四，在线学习能力缺失。多数模型依赖离线训练，无法在部署中持续进化。需发展小样本增量学习与安全探索策略，避免灾难性遗忘。
第五，部署效率瓶颈。真实场景对延迟、功耗、算力有严苛约束。需通过神经架构搜索、硬件感知训练等手段实现“性能-效率”帕累托最优。
最后，安全与可控性不容忽视。高阶智能体若缺乏伦理约束与人类监督机制，可能引发不可控行为。需内置价值对齐模块与紧急制动协议。
结语：闭环驱动下的具身智能未来
通用世界模型的五级路线图，本质上是一条从被动观察到主动塑造世界的进化之路。它不再将AI视为孤立的内容生成器或任务执行器，而是强调其作为“世界参与者”的角色——通过持续交互构建对物理规律的深刻认知，并在此基础上实现自主决策与协同行动。
生数科技的实践表明，L1–L3 的技术栈已初步打通，Vidu、Motus、Motubrain 形成从数字到物理的能力链条。而面向 L4–L5，行业需在基础理论、评测标准、安全机制等维度协同突破。当理解、预测与行动真正形成高效闭环，通用世界模型或将不再是众多AI分支之一，而成为连接虚拟与现实、驱动具身智能革命的核心基座。