**世界模型：通往物理智能的核心基建与争议**
香港大学计算与数据科学学院副院长、副教授罗平在外滩大会上表示：“世界模型或许不是通往物理智能唯一的门票，但它绝对是目前人类赋予机器空间想象力、常识推演与行动预测最具希望的核心基建。”作为连接数字空间与物理世界的一把钥匙，世界模型被寄予厚望的同时，也面临着诸多争议，包括定义模糊、数据规模、架构设计以及商业化可持续性等问题。
在2026 Inclusion·外滩大会上，无论是主论坛还是圆桌论坛，都围绕“世界模型”这一热点展开了深入探讨。业内将今年定义为“世界模型”元年。极佳视界联合创始人、首席科学家朱政指出，展望五年，世界模型最大的风险在于商业化闭环能否走通，能否形成良好的正向循环。瞬适科技创始人、YesAI实验室负责人石野则认为，世界模型的内涵和技术范式仍在持续演变，尚未收敛。
**数据之争：规模与质量**
数据量究竟多少才够？这是行业争论的焦点。破壳机器人创始人许华哲提醒，行业对数据量存在一定程度的高估，“一百万小时、几百万小时并不天然意味着更好的模型”，质量、分布和训练方式可能更为重要。
在数据采集路线上，苏度科技联合创始人、CEO韩铮认为，光靠真实数据收集效率慢且质量受限，仿真是绕不过去的，但真实数据同样有用，两者并非非此即彼。蚂蚁灵波科技首席科学家沈宇军表示，不同数据在不同阶段作用不同，预训练阶段互联网数据和物理世界数据更重要，而回归具体任务时仿真数据有价值。
**成本与可行性**
随着对数据量要求的提高，训练成本成为企业必须面对的难题。极佳视界朱政算了一笔账，若数据规模达到千万甚至上亿小时，模型参数达到万亿级，训练成本可能高达数千亿，这对任何企业都是巨大压力。大晓机器人董事长王晓刚认为，围绕单一任务反复采集真机数据的方式，难以经济地覆盖真实世界中不断变化的需求。源策未来李天羽指出，包含物理信息的表征（如3D、深度、触觉）数据标签更难、更贵，这是未来5年最大的风险所在。
**通用大模型 vs. 具身智能**
近期GPT-6 Astra在机器人控制上的表现，引发了关于通用大模型是否会“降维打击”具身智能的讨论。自变量机器人创始人、CEO王潜并不认同这一判断，他认为智能存在于数据里，通用模型要进入具身智能，仍需解决机器人数据、仿真和部署等基础设施问题。破壳机器人许华哲测试发现，Astra在语义理解和简单抓取上表现突出，但在叠衣服等复杂接触任务上表现不佳。因此，未来更可能是分层架构：上层大模型负责语义推理，底层具身模型负责实时控制。沈宇军指出，具身智能必须实时接收传感器输入，其技术路线与数字世界不同。朱政也警告，留给纯粹世界模型或具身智能公司的时间窗口很短。
**场景与商业化**
如果说数据和模型决定技术上限，那么商业化决定行业能否穿越周期。苏度科技韩铮强调，在真实商业场景中，任务第一次执行的成功率需接近100%，且需具备泛化性。沈宇军认为，商业化是系统工程，客户购买的是一套能工作的系统，而非单纯的模型指标。自变量机器人王潜认为，本代机器人真正的商业价值在于解决过去解决不了的问题，并在真实场景中形成比人工或传统自动化更好的ROI。
**哪些场景需要世界模型？**
忆生科技联合创始人杨言超建议，当现实试错昂贵、数据难以获取时，世界模型更有价值。瞬适科技石野补充，重置环境成本高时也适用。极佳视界朱政认为，家庭任务和操作对象变化较多，更需要模型快速适应；而固定工业或零售任务，VLA结合预训练与后训练已有一定解决能力。源策未来李天羽指出，视觉世界模型在背景干净、干扰较少的环境中优势明显，但在复杂背景下的可靠性仍需提升。