首页财产ai正文 生数科技骆怡航：通用世界模子：买通虚实界限，筑基物理智能 7月19日，生数科技结合开创人骆怡航于世界人工智能年夜会演讲，先容世界模子理念，分享实践结果，展示具身年夜脑等，论述将来努力标的目的。 2026-07-21 11:48 ·投资界
7月19日，生数科技结合开创人、首席履行官骆怡航于2026世界人工智能年夜会“启明创投·创业与投资论坛——从算力原点到运用落地的进化征程”上发表大旨演讲《通用世界模子：买通虚实界限，筑基物理智能》。
如下为部门讲话实录，投资界（ID：pedaily2012）收拾：
骆怡航：列位佳宾、列位伴侣，各人下战书好！我是来自生数科技的骆怡航，很是侥幸作为启明创投被投企业之一到场本次论坛，生数科技是一家以视觉信息为焦点，研发多模态天生及视觉模子的企业，这是咱们第三次到场启明的论坛，2024年咱们分享的是多模态视频天生模子，2025年视频模子于整个内容财产里取患了极年夜的技能冲破及贸易化落地的冲破，到了2026年视频模子同样不停地成长，但实在它的界限及潜力咱们认为还有没有被彻底开释，这就是咱们今天禀享的此中一个话题，以视频模子咱们怎么样去思索更年夜的价值。
世界当前还有没有告竣彻底收敛及共鸣的状况，还有于不停做技能及财产的迭代。今天我重要以世界模子为主题，跟各人分享生数的理解及实践傍边，世界模子从哪里来？将来三年到哪里去。
起首，对于在人的智能来说，咱们除了了人与人之间的语言交流，实在于咱们的人脑里也会有一个引导咱们步履决议计划的模子，好比说骑车、运动，除了了视觉感知，咱们人脑里也会做步履的猜测及步履的履行。咱们于人脑里也会有小范围的世界模子不断运转。对于在人工智能时代，咱们的方针是但愿打造可以或许靠近人类智能，甚至跨越人类智能的彻底智能模子，除了了此刻看到的语言模子取患了极年夜的深度推理，包括自立步履的能力，咱们认为于人与世界交互的历程中也需要一个世界模子来推进整小我私家工智能总体成长。
为何？起首人脑部门里除了了语言处置惩罚部门，其余80%于处置惩罚视觉信息以和所有步履的计划及决议计划。实在这类智能就是对于物理世界的感知及动作的决议计划，假如年夜模子只靠语言模子去理解世界，咱们认为相称在只用了人脑少量的年夜脑能力。以是咱们认为将来三年到五年的成长必然是需要近似在语言模子当前级另外世界模子，这个世界模子也是一个年夜模子，是一个基座模子。
世界模子是甚么？当前会有差别的解读及界说，于生数科技的眼里，咱们认为世界模子对于比语言模子，语言模子处置惩罚人与人、人与文字的信息，世界模子是处置惩罚人与世界的所有交互，它需要像人同样感知、思索、步履。早于2018年的ICML集会内里就对于world model做了一个界说，实在它需要不雅察世界，同时也需要理解及思索世界，第三点更主要的是于物理世界里去步履在世界。以是感知+猜测+步履的整个闭环，并且这个闭环是动态、连续、轮回的闭环。
于咱们人的步履里，各人可以想象及感知，咱们不停感知步履的变化及情况状况的变化，不停去调治咱们对于在状况的感知及步履的决议计划，再作用在步履，这个轮回来去的闭环咱们认为是构建模子底层逻辑。世界模子不是甚么？咱们会认为交互的视频天生仅仅是于数字世界里做交互的视频，它不等在世界模子。同时，会有3D空间的重修包括4D的天生，咱们认为不会彻底等同在世界模子。
同时，以语言模子VR/AR为主的视觉步履及Action模子也不等在世界模子是由于咱们认为这类底层逻辑它不具有一个完备的闭环，同时它也不具有近似在人脑思索世界交互的动态反馈轮回，以是这类环境下我认为它比力难以实现LLM级另外智能能力，以是简朴来说咱们总结世界模子需要感知、猜测加步履的一个动态轮回的闭环。直接来说咱们认为它近似在咱们一边看、一边思索、一边步履，同时也于不停地去调解。
别的一个角度，有了世界模子底层逻辑，别的一个话题是世界模子是否是一个场景类的世界模子？好比说是具身于家庭场景的模子？或者者工场里的世界模子？咱们认为可能都不足以去描画或者者保举整个世界模子最年夜的潜力，此中一个要害词咱们认为世界模子也需要像语言模子充足通用、充足泛化，为何？
第一，这一代AI最素质的效果就是通用性及泛化性，实在暗地里的技能路径最素质就是由于它的Scaling Law，包括预练习数据的年夜范围化，包括架构可以或许撑持预练习数据去消化，同时于效果上能孕育发生极年夜的泛化性，经由过程不停的量化引起质变以和智能涌现，这是第一个线路咱们认为世界模子可以做到充足的通用化。
其次，假如不敷通用化，咱们认为会有几个问题，当前线路看到了一些局限或者者毛病。
（1）作为VLA模子是一种。
（2）视频天生自己于数字世界里模仿也是同样。
（3）步履范畴会有步履模子做步履的驱动。
每一个环节均可以处置惩罚一部门，但很难完成完备的模子。
第二，我感觉人与世界模子交互。
第三，于整个物理世界实现范围化及贸易化的落地，要实现轻易迁徙、轻易复制的能力，像语言模子同样，有了强盛的语言模子，于各类场景内里去做Agent、做使命，都能很好地去完成。以是经由过程这几点咱们认为，世界模子除了了适才咱们讲的感知、猜测、步履的闭环，同时必然要往更通用、更泛化的方针去做。
于如许的理解及认知思绪的环境下，生数科技构建了整个通用世界模子的基座，这个基座就是咱们认为的世界模子于生数公司去做最焦点的战略方针。底座会构建通用世界模子的基础架构，这个架构会以富厚的视觉信息、听觉信息包括物理世界里的触觉、力学等所有信息为数据的部门，同时架构也需要立异。
于两个空间里一个是数字空间，就是咱们此刻已经经可以去用到世界天生模子，它对于物理世界举行了建模、抽象、理解以后于像素空间的解码及能力闪现化的实现。别的它的解码空间是于具身物理操作上，它组成了世界步履模子，咱们也能够简朴把架构认为是一体两翼的同一架构。
第一，进一步于架构里，咱们于去年12月份全世界初次提出了具身智能MoT同一架构，这套架构把适才提到的理解、感知、猜测、步履做了同一的建模空间构建于一个模子里，它去实现整个理解猜测步履的闭环。
第二，咱们认为对于在人进修世界交互，假如他可以或许理解到、学会了，起首还有是能表达出来，以是咱们用像素猜测表征对于世界的理解，这是第二点。
第三，用统一套基座模子做两个空间差别解码，它对于整个世界理解是一套，同一去于差别空间里解码。
这三个焦点要点是咱们提出MoT具身智能架构最焦点的理念。
有了算法、标的目的，咱们对于世界模子的适配立异以外，数据是作为整个模子很主要的一个维度。数据标的目的适才提到了数据必然是于具身范畴，于物理世界范畴必然会有差别的架构于内里。咱们提出了整个具身数据金字塔的布局，这套数据金字塔咱们但愿于整个世界模子的预练习、后练习里适配它的潜力冲破通用化及泛化最焦点的方针。
最底层各人可以看到实在是互联网视频数据，它会作为整个预练习的绝年夜部门焦点数据去先验让模子理解整个世界模子纪律，它内里记载了年夜量的信息，并且这些信息是不时刻刻每一分每一秒不断记载，充实阐扬视频数据的价值。再往上需要六层，此中是两类，一类是具身自己无关的数据，包括仿真、第一人称视角数据。再往一层具身本体相干的数据，还有有许多imperfect的数据，许多脏数据，包括掉败的数据，包括许多长尾的数据，全数可以经由过程MoT的架构同一去消化这些数据，以是这一套MoT的架构包括咱们设立整个数据系统、生数最早做视频模子堆集的底层预练习数据及架构城市被这一套架构所接收，咱们既但愿它可以有用破解整个物理世界数据的瓶颈，可以高效率消化每一一层数据，同时但愿划一数据量下可以快速地奔腾。
有了如许的算法架谈判数据系统以后，咱们于2026年4月份发布了Motubrain，整个基在通用世界模子架谈判理念的具身年夜脑，这一套架构实在是于全世界初次，就是统一个模子去驱动多个本体，完成多项使命，并且对于在本体的适配咱们于半天到一天的时间里，经由过程极少量本体相干的数据做了微和谐适配，使患上几个本体完成多样的使命。同时它也具有了一脑多能完成许多原子使命的主动拆解及协作。同时可以做长程使命的计划及履行，除了了理解的部门可以动态调解它的动作及履行，咱们来看一个完备的视频。
[VCR播放]
骆怡航：它是经由过程Motubrain通用世界步履模子结合了本体互助伙伴一路于4月份做出来的效果，接下来于9月份咱们也会发布新的模子版本。
进一步咱们可以看到Motubrain模子，使用短架谈判数据方面思索及实践，咱们于整个具身范畴的评测指标也是突飞大进，包括于RoboTwin等指标里可以看到Motubrain指标快速晋升。
同时，可以看到于数据泛化性上，划一数据量级模子的正确率以和于差别使命泛化性上，多使命内里的正确率可以看到绿色的线是Motubrain模子，比拟以往VR/AR模子，包括没有益用视频数据作为预练习的模子孕育发生了极年夜的晋升。
为何可以或许取患上高斜率，加快去晋升它潜于的通用能力？由于生数科技一方面于架构上，于2024年做了RDT的模子，它是VR/AR的模子，那时辰取患了小场景可行的决议计划步履。同时2025年7月份Vidar模子是第一个用视频模子作为基座去做的一个具身模子，也孕育发生了极年夜的晋升。进一步咱们于2025年12月份，Motus是咱们开源同一架构的模子，这个架构模子比拟Vidar模子又取患了快速的增加，本年4月份咱们正式发布了Motubrain模子，一系列沿着这条线路，咱们对于在物理世界交互的模子举行了快速迭代，这是咱们一方面看到于效果层面、落地层面的冲破。
除了此以外还有有很主要的焦点，由于于天生模子部门，咱们的Vidu部门也对于世界模子的能力晋升孕育发生了很年夜加持，这就是最最先我提到的，要理解、猜测及步履一体化，理解及猜测的能力是由人增长加强步履能力的。进一步咱们可以看一来世界天生模子维度相干的迭代。它实在是于连续迭代对于世界的理解及猜测能力，它具有了很强的物理一致性，同时于内容创作范畴中，包括音画同出、智能运镜、多样气势派头都能实现，咱们一路看一下Vidu的演进历程。
骆怡航：这是世界天生模子Vidu的迭代进展。接下来Q4版本也会进一步加强模子能力。
同时视频模子进一步可以晋升视频天生的速率，就是咱们及时感知及交互，这是咱们近来发布的Vidu S1的模子，咱们看一下效果。
骆怡航：Vidu S1的版本，终极生数科技模子的理念及咱们的方针是怎么样？三个标的目的：
第一，Vidu Q做了视频理解及猜测的基座模子，咱们会不停演进它于虚拟世界做内容天生的效果。
第二，Vidu S系列咱们把虚拟及物理世界买通做及时交互。
第三，Motubrain纯物理世界做彻底及时驱动模子。
总体这套架构就是生数科技通用世界模子的焦点定位，咱们但愿联合数字及物理世界用统一套理解猜测及步履的整个架构去实现整小我私家与世界更好交互。
终极的理念或者者愿景咱们认为是如何呢？起首对于在具身物理世界来讲，咱们认为将来所有的呆板人，差别的本体就是物理世界的Agent，可以去像咱们此刻虚拟世界Agent同样实现自立计划及履行。要到达如许的方针，实在破局点就是模子，通用世界模子是咱们认为最具备潜力的技能路径，同时数字及物理世界的Agent必然会是千差万别、多种多样化的，可是暗地里的智能咱们认为它是通用的、泛化的、同一的，就像语言模子同样它使患上模子及人、人及Agent同样实现了交流，同时视频天生实现了呆板可以像人同样去创意及创作，进一步但愿经由过程世界模子去驱动整个物理世界的Agent实现像人同样步履。生数科技为通用世界模子的理念及方针去努力，谢谢各人。
文章来历：投资界原文地址：https://news.pedaily.cn/202607/566634.shtml
-lehu乐虎88国际