7月17日，在2026世界人工智能大会（WAIC）主论坛圆桌论坛上，亮源新创创始人兼CEO、ChatGPT核心贡献者姜旭认为，训练世界模型的最终目的，不是为了生成视频，而是为了控制机器人。希望通过架构创新和数据创新，更好地统一状态理解和动作预测两项能力。


亮源新创是一家致力于构建具身智能基础模型的人工智能公司。公司围绕规模化预训练、规模化对齐和规模化部署三大范式开展研发，旨在实现Physical AGI（通用人工智能）。


预测动作比预测状态更加重要


在“从虚拟到现实：世界模型如何驱动具身智能？”圆桌论坛上，姜旭认为，世界模型最核心需要完成两项任务：一是预测世界的下一个状态；对于视频生成模型来说，就是预测下一帧。二是更重要的一项，是预测下一个动作。如果必须在两者之间做取舍，预测动作比预测状态更加重要。因为我们训练世界模型的最终目的，不是为了生成视频，而是为了控制机器人。


“过去几年，大模型的发展本质上是一个不断模仿人、最终超越人的过程。互联网几十年积累了海量的人类文本数据，大语言模型通过学习这些数据，逐步获得并最终超越了人类在许多任务上的能力。”姜旭认为，具身智能的发展也应该遵循类似的路径——通过大规模模仿人，最终实现超越人。


在姜旭看来，人在物理世界中完成各种动作时，并不会不断预测世界的下一个状态，而是在充分观察环境、获得视觉信息之后，自然而然地做出动作。因此，状态应该被感知，动作应该被预测。世界模型真正需要突破的是建立大规模的“状态—动作”映射的难题。


“另一方面，仅有世界模型还不足以实现通用具身智能。过去几年，无论是大语言模型、代码模型，还是智能驾驶，真正实现突破都经历了三个共同的阶段：可规模化的预训练（Scalable Pre-training）、可规模化的对齐（Scalable Alignment）以及可规模化的部署（Scalable Deployment）。”姜旭认为，世界模型不会是例外。具身智能本质上仍然是一个新的大模型问题。


理解是一种感知能力，而生成是一种重建能力


目前世界模型最大的技术短板是什么？姜旭表示，对于具身智能来说，世界模型最重要的能力，是基于对世界的观察和视觉感知生成下一步动作。但今天主流世界模型架构，还没有很好地同时完成两件事情：理解（Understanding）和生成（Generation）。


他提到，理解本质上是一种感知能力，而生成本质上是一种重建能力。过去几年，多模态大模型领域有一个非常重要的研究方向，就是希望通过统一架构同时完成理解和生成。但经过几年的探索，行业已经逐渐形成共识：两者很难通过同一种表征统一完成。因为理解和生成需要不同的表征方式。


“今天很多世界模型同样遇到了类似的问题，它们往往采用统一方式去处理状态预测和动作预测，因此很难同时兼顾两种能力。最终，模型往往要么更偏向生成，要么更偏向理解。”姜旭提到，这也是亮源新创重点攻克的问题。希望通过架构创新和数据创新，更好地统一状态理解和动作预测两项能力。


仅有能力突破还不足以实现商业成功。


未来三年，最看好具身智能落地场景是什么？姜旭认为，具身智能本质上是大模型向物理世界的延伸。因此，它的商业化规律也应该参考过去几年大模型应用的发展路径。


姜旭从2019年开始参与了大模型的发展，也经历了大模型三大范式的发展过程：首先是规模化预训练，在此基础上通过强化学习完成规模化对齐，再逐步实现规模化部署。


“今天AI时代最大的红利，本质上是智能供给的红利。它并不是因为突然出现了新的需求，而是因为过去几十年互联网积累了海量数据，再结合近年来算法突破，把这些数据转化成了智能。”因此，姜旭认为，具身智能最先发生能力跃迁的领域，一定是互联网已经积累了大量数据的领域。


互联网规模最大的数据是什么？姜旭认为，不是机器人数据，而是视频数据。互联网已经拥有约100亿小时的视频内容。虽然其中存在大量噪声，但对于预训练来说，噪声并不是关键问题。预训练本身能够容忍大量噪声，这也是亮源新创自成立以来重点投入的技术路线。从场景来看，互联网视频主要来自人们日常生活。因此，具身智能最早实现能力跃迁的，也更可能是这些日常生活场景。


在他看来，仅有能力突破还不足以实现商业成功。真正能够率先规模化落地的场景，还必须满足一个条件——高容错率。大模型天然具有很强的泛化能力，它可以在很多场景都“做一点”，但在早期往往不具备足够高的精确性和可靠性。因此，过去几年真正成功的大模型应用，几乎都率先落地于高容错场景。例如，早期AI做PPT存在明显幻觉，但定位是助手；代码模型负责提供建议，由程序员最终确认；今天的视频生成模型，很多时候也是一种创意工具。


“具身智能也很可能遵循类似规律，首先在高容错场景实现商业突破。与此同时，我们也看到，大模型的训练路径已经越来越清晰，但真正找到适合模型能力的产品形态和商业场景，并不比训练模型本身更容易。OpenAI在ChatGPT成功之前，也经历了大量产品探索，其中很多都没有成功。”姜旭认为，对于具身智能公司而言，一个更现实、成功率更高的策略，是保持开放心态，持续探索丰富的应用场景，而不是过早假设唯一正确的商业化方向。


新京报贝壳财经记者 陈维城

编辑 岳彩周

校对 柳宝庆