世界模型至少四条路并行，路线还没收敛，生数押的是从视频走到机器人

现在随便点开一场 AI 论坛，台上总有人把“世界模型”挂在嘴边。台下要是追问一句“你说的是哪一种”，答案能分出四五个门派。

11 月 2 日下午，香港金融科技周上有一场由腾讯科技和大会联合发起的世界模型对谈。台上三位：港大一位做了几十年机器人与自动化的教授，一位做早期投资的合伙人，还有生数科技联合创始人兼 CEO 骆怡航。投资人说，他们看过的相关公司已经上百家，路线远没收敛；骆怡航的口径是路线越来越清晰，生数 9 月发布的 Motus 2 就是往前迈的一步。我们 AI主线 的看法是：世界模型眼下更像一个赛道名，而不是一种技术，里面至少并行着视频生成、三维空间建模、隐空间预测、世界模型加动作模型四条路，判断一家公司靠不靠谱，得看它在机器人真机上交出了什么数字，而不是演示视频好不好看。

四条路，到底在争什么？

先翻成人话：世界模型就是让 AI 脑子里有个能推演的世界，知道我推一下杯子，杯子会往哪儿滚。

语言模型处理的是词和词之间的逻辑，物理世界还得管空间、时间和物体之间的受力。那位教授把它叫作四维世界，数据和模型能力的要求都跟语言模型不一样，路线收不拢，根子在这儿。

钱倒是没少砸。AMI Labs 今年 3 月拿了 10.3 亿美元种子轮，押的是隐空间预测这一路的 JEPA 架构。做三维空间建模的 World Labs，被 AMD 在 9 月 28 日宣布以约 82 亿美元全股票收购，预计年底前交割。Google 的 Genie 4 在 10 月 27 日放出研究预览，场景能稳定保持两分钟，是 Genie 3 的两倍（Google 团队自己也认了，画面细节会越跑越飘）。

四家四个打法，全叫世界模型。AMI Labs 的 CEO 3 月就预言过，半年内所有公司都会拿这个名头去融资，现在回头看，挺有先见之明。

生数这条路，从视频一路摸到了机械手

生数是从视频生成起步的。骆怡航的说法是，2024 年推出 Vidu，后来有初代 Motus，到 2026 年是 Motubrain 和 Motus 2，一直沿着视频生成往上叠能力。

他的逻辑挺直白：感知、预测、行动，三件事得连成一圈来回转。视频生成管前两样，再加上动作指令，就能往物理世界里走。

Motus 2 具体加了啥？按生数的介绍，新增了触觉和记忆，还加了一个给动作结果打分的价值模型。打个比方，就像下棋前先在脑子里推几步，觉得不对就换一手，不用真把机器人摔坏。生数公布的真机数据里，手机放置和多指操作两项任务，基础策略平均成功率 65%，叠上规划和基于模型的强化学习后到了 75%。

涨了 10 个百分点，我觉得有分量，但别读过头：两项任务，自家测的。量子位在介绍时也特意划了条线，这里的“自进化”指的是利用模型自己的预测和打分来改进策略，不等于机器人能在开放环境里无限自学。

骆怡航还把路线切成 L1 到 L5：世界生成、实时交互、世界行动，再往上是自主进化和多智能体协同。他说行业还在啃前三级，Motus 2 的自进化训练算是往 L4 探了一脚。他还认为模型已经出现类似语言模型的规模扩展规律，这属于厂商自己的判断，得等更多人复现了再说。

钱涌进来了，机器人等得到通用模型吗？

那位投资人说得挺实在：机器人硬件之间差异太大，他没看到三年内做出通用物理模型的明显迹象。所以他转头去盯“软硬件一体”的公司，从大脑到本体甚至零部件都自己做。

教授的说法更贴地。工厂里的机械臂、数控机床，控制逻辑本来就跟机器人相似，大模型完全可能先在这些设备上找到活儿干，不必等人形机器人成熟。他们团队提了个叫 GATWorld 的基础模型，按他的说法，对数据量和训练算力的要求比现在的大模型低得多。这也是自家说法，同样得等外面来验证。

把两边的话放一起，我的读法是：通用那条是长跑，窄场景是短跑。短跑赛道里成功率能一个一个数出来，对不对立刻见分晓。Motus 2 瞄准灵巧操作而不是上来就喊通用，思路其实是一回事。

咱这些天天用 AI 的人，现在能盯什么？

说句实在话，这波热闹跟天天写代码的兄弟们暂时关系不大。Genie 4 眼下只对受信任的测试者开放，官方说接下来几周会逐步放给 Google AI Ultra 订阅用户，做内容的朋友可以留意分镜预演这类用法，Google 团队自己也提到了这个方向。机器人那几家，普通人基本摸不着。

负责选型的朋友，盯三件事就够了：真机成功率有没有第三方复现，换一台机器人还能不能用，数据和算力的要求到底多高。演示视频谁都能剪得漂亮，这三条才扛得住。

我自己更看好先在机械臂这类窄场景里把成功率磨出来的路子，因为那里的账最好算。AI主线 接下来会盯的，是 Motus 2 这类模型有没有更多真机数据放出来，以及 Genie 4 什么时候能让普通订阅用户上手。