智源研究院王仲遠：世界模型的關鍵是真正預測下一個狀態

經濟觀察報 記者 周悅

2025年，“世界模型”（World Model）成為AI領域最受關注的詞匯之一。它指的是讓AI理解世界運作規律，不再停留在識別或生成層面，而是能想象并預測世界的變化。

隨著大模型紅利逐漸減弱，各家公司都在尋找新的增長點。DeepMind推出可生成交互式3D世界的Genie 3，OpenAI繼續強化 Sora的物理一致性；英偉達、華為、百度等也正從機器人與自動駕駛場景切入，讓AI從看懂邁向參與。

10月30日，智源研究院發布悟界·Emu3.5多模態世界大模型。智源研究院院長王仲遠在接受經濟觀察報等媒體采訪時表示，隨著互聯網文本數據被充分利用，大語言模型的增長進入相對緩慢階段，行業正在尋找新的突破口，而多模態與世界模型正是被寄予厚望的方向。

王仲遠認為，Emu3.5很可能開啟第三個規模定律范式（Scaling）。在語言預訓練和推理優化之后，Emu3.5進一步證明，多模態模型同樣具備可規?；砷L的潛力?！八淖畲筘暙I，是用自回歸架構統一了圖像、文本與視頻的生成和理解。它能夠預測下一個狀態（Next-State），這一點非常接近人類大腦對世界進行理解的方式”。

與主流的Diffusion Transformer（DiT）架構不同，智源從“第一性原理”出發，構建原生多模態大模型。在Emu架構下，模型能在同一系統中完成感知、理解、推理與生成，形成一個可持續進化的世界模型。

智源研究院多模態大模型負責人王鑫龍介紹，Emu3.5基于超過10萬億token的多模態數據訓練，其中視頻數據累計時長達790年，參數規模為340億。智源團隊提出的“離散擴散自適應（DiDA）”推理方法，使圖像生成速度提升近20倍，同時保持高質量輸出。模型在三個維度上實現突破：一是從意圖到規劃，能夠理解更高層級人類意圖，例如，如何制作一艘宇宙飛船，并生成連貫的多步驟行動路徑；二是動態世界模擬，能在統一框架內預測物理動態、時空演化與因果關系；三是泛化交互能力，為AI與人類及物理環境之間的協作提供認知基礎。

針對外界將世界模型等同于視頻生成的看法，王仲遠不認同。他認為，世界模型的核心并非視頻生成，而是對因果與物理規律的理解。比如機器人要抓起一杯靠近桌邊的咖啡，它必須預測哪種動作會讓杯子掉下去，哪種才安全——這才是真正的理解。

他認為，人類學習世界時不會區分語言或動作，Emu3.5也不限定用途。它既可支撐具身智能，也能生成多模態訓練數據。在他看來，這不僅是一次架構創新，也展示了中國科研團隊的原創路線，在世界模型這一尚未收斂的領域中，嘗試提出自己的答案。

2024年10月，智源研究院發布了全球首個原生多模態世界模型悟界·Emu3。該模型僅基于“下一個token預測”機制。Emu3.5則在此基礎上進一步完善，使AI具備更強的物理直覺與跨場景規劃能力。

王仲遠認為，未來的AI，不只是理解指令，而要理解世界本身，并在其中行動。

（作者 周悅）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。

周悅

TMT編輯，關注科技、大健康交叉領域，擅長行業研究，深度報道。“新聞是歷史的初稿”。
歡迎聯系：zhouyue@eeo.com.cn。