7月17日下午，在世界人工智能大会（WAIC 2026）主论坛“从虚拟到现实：世界模型如何驱动具身智能”的讨论环节，智元合伙人、高级副总裁、具身业务部总裁及觅蜂科技董事长兼CEO姚卯青发表了见解。
姚卯青指出，世界模型的本质是“能够理解物理世界运行规律的 AI 系统”，其核心功能在于预测世界的下一步状态。因此，世界模型需要掌握三项关键能力：一是多模态融合理解能力，能够准确感知环境的变化；二是掌握物理规律，涵盖动力学及时空理解；三是因果推理能力，确保长程推理的稳定性。
“尽管今年世界模型热度很高，但大部分工作仍停留在视觉生成层面，主要基于视频生成类预训练模型进行后训练。”姚卯青一针见血地指出了当前世界模型训练中存在的两大痛点。
其一是数据类型的错配。互联网视频的数据分布与机器人实际所需的物理世界数据存在本质差异。互联网内容多为娱乐性甚至违背物理规律（如人能飞），而机器人需要的是包含丰富接触、推拉拧拽、柔性物体处理、摩擦力及流体交互等真实物理特性的数据。这类数据不仅在线上稀缺，也难以通过现有物理引擎模拟。
其二是数据规模的不足。他参考大语言模型的数据量：国际顶尖团队的预训练数据已达100万亿Token，等效约100亿小时的说话量。语言作为信息密度高、噪声低的系统尚且需要如此庞大的数据支撑，而物理世界数据的信息密度远低于文本。若要实现更高阶的物理常识判断，可能需要达到“亿小时”量级的真实世界数据。
展望具身智能在未来三年的落地应用前景，姚卯青认为，短期内，高频刚需、环境可控、确定性强且具备容错空间的场景最容易实现落地。而对于家庭等更开放的环境和任务，则需要行业构建更加通用、可泛化的能力来逐步解锁。
