外滩大会聚焦：AI世界模型能否叩开物理世界新商机？

### 财经观察：世界模型——具身智能的“认知革命”与商业化突围战

在AI技术加速渗透实体经济的当下，具身智能（Embodied AI）正从实验室走向产业应用的前沿。从自动驾驶汽车在复杂路况中的决策，到人形机器人在家庭场景中的灵巧操作，AI系统对物理世界的“理解”能力已成为技术突破的核心瓶颈。9月10日，香港大学计算与数据科学学院主办的2026Inclusion·外滩大会见解论坛上，学界与产业界围绕“世界模型”展开深度探讨——这一被视为具身智能“认知引擎”的技术，能否真正跨越虚拟与现实的鸿沟？其商业化路径又面临哪些关键挑战？

#### 一、世界模型：从“生成”到“理解”的技术跃迁

世界模型的概念并非新鲜事物，但其能力边界正被重新定义。香港大学计算与数据科学学院创始院长马毅指出，传统计算机视觉聚焦于三维重建与物体识别，而现代世界模型需覆盖机器人在开放物理环境中的全流程能力：从感知环境、理解任务，到学习策略、创造价值。这一转变标志着AI从“被动响应”向“主动推理”的范式升级。

生数科技CEO骆怡航提出的“L1-L5五级演进路线”揭示了技术路径的复杂性：从生成模拟世界（L1）到多体世界组织者（L5），每一阶段都需突破数据、算法与算力的多重约束。其发布的Motus2模型聚焦机器人灵巧操作，尝试在“行动-评估-改进”闭环中实现自主进化，成为技术落地的关键尝试。

商汤科技联合创始人王晓刚则展示了“开悟世界模型”的架构创新：通过理解、生成、预测模块的协同，模型可实时推演动作后果并支撑机器人控制。这种“先思考后行动”的机制，显著提升了物理交互的可靠性。

#### 二、技术争议：生成能力≠物理理解

尽管世界模型在学术层面取得进展，但其商业化前景仍存争议。圆桌讨论中，嘉宾们聚焦两大核心矛盾：

1. **数据与泛化的悖论**

极佳视界首席科学家朱政认为，视频生成路线虽积累了大量数据，但具身智能需统筹决策、运动控制与操作协同，单一模态数据难以支撑复杂任务。源策未来CEO李天羽则强调，模型需与机器人本体形成高效交互，而非孤立优化视觉生成。

2. **容错率与安全性的天平**

上海科技大学研究员石野以“倒水任务”为例：模型可能学会动作轨迹，却无法理解“液体类型变化需调整目标容器”的逻辑。香港大学助理教授杨言超更直言：“当前模型在像素层面生成完美视频，元鼎证券但指导物理交互的正确率与视频质量无关。”这一结论直指技术核心——生成能力不等于物理规律的理解。

#### 三、商业化突围：场景选择决定生死线

世界模型的商业化落地，需回答两个关键问题：哪些场景真正需要它？如何平衡成本与收益？

1. **高试错成本场景成突破口**

杨言超提出“双高原则”：试错代价高、数据获取成本高的任务（如医疗手术、核电站维护）更依赖世界模型的预测能力；而低成本场景（如工厂分拣）可能无需全程调用模型。朱政补充道，家庭场景因任务多样性对模型适应性要求极高，或成为长期目标市场。

2. **工业场景的降本增效潜力**

石野指出，部分工业任务的数据采集与环境重置成本高昂，世界模型可通过虚拟仿真降低试错成本。例如，在汽车焊接中，模型可提前模拟不同参数下的效果，减少实体设备调试时间。

3. **商业化闭环的5年风险期**

朱政坦言，未来5年世界模型的最大风险在于能否找到明确付费需求。“若无法通过收入或融资支撑研发迭代，技术可能陷入‘叫好不叫座’的困境。”这一观点与当前AI行业“烧钱换增长”的模式形成鲜明对比。

#### 四、市场关注焦点：算力、多模态与生态竞争

结合近期港美股科技动态与半导体行业趋势，世界模型的发展正引发产业链连锁反应：

- **算力基础设施升级**：训练L4级自主智能体需海量数据与并行计算，推动英伟达、AMD等企业加速研发下一代GPU，同时带动HBM（高带宽内存）需求激增。

- **多模态融合加速**：特斯拉Optimus机器人、Figure 01等产品的迭代显示，视觉、触觉、语言等多模态数据的融合已成为技术标配，世界模型需兼容更多传感器输入。

- **开源生态竞争**：Meta的V-JEPA、谷歌的Genie等开源模型正降低研发门槛，但商业公司需通过差异化场景（如医疗、制造）构建护城河。

#### 结语：认知基建的长期价值

论坛尾声，主持人罗平总结道：“世界模型或许不是唯一路径，但它是当前最具希望的物理智能基建。”这场争论背后，折射出AI行业从“技术炫技”向“价值创造”的转型压力。当大模型竞争陷入红海，具身智能与世界模型的结合，或许正为AI开辟一条通向实体经济的“第二曲线”。

（本文基于公开论坛内容整理正规实盘配资，不构成任何投资建议。市场有风险，决策需谨慎。）