世界模型正在被一群背景迥异的玩家重新定义。机器人公司、脑机接口公司、互联网巨头、数据服务商纷纷入场，从不同方向逼近同一个目标：让AI真正理解并预测物理世界。
海外阵营路线分化明显：英伟达推出开源全模态Cosmos系列，主张用大规模视频数据为物理AI提供基础模型；DeepMind的Genie 3把可交互世界生成推向新高度；李飞飞创办的World Labs以Marble切入空间智能；特斯拉则优先把筹码压在机器人本体的行动能力上。
中国公司的打法更显层次，也更贴近产业落地。生数科技从视频生成模型Vidu起家，2026年把积累迁移到通用世界模型，提出MoT（Mixture of Transformer）统一架构，将“理解—预测—生成—行动”塞进同一个基座。大晓机器人则把开悟世界模型3.1定义为“端侧驱动本体的行动一体化世界模型”，用混合Transformer把视觉、语言、力触、轨迹压进统一隐空间，直接奔着家庭、零售、酒店等真实场景而去。
而在主流的大模型与机器人公司之外，脑机接口企业正在开辟一条截然不同的路径。强脑科技这家最早以非侵入式脑机接口起家的公司，如今已经把触角伸向了具身智能。在WAIC现场，诸多媒体前去拍摄仿生手的使用：它形态逼真、手感与皮肤无异，甚至离开身体仍能实现远程操控。其原理是通过传感器捕捉大脑控制手指的信号，再转化为仿生手的动作指令。强脑科技内部人士透露，公司之所以从脑机接口延伸做机器手，是因为“脑机只能做信号传输，没有落地反馈；但具身智能可以把反馈体现出来”——这条从“意念”到“动作”再到“反馈”的闭环，恰恰为世界模型提供了一种全新的训练数据形态。
玩家多了，分歧也随之而来。这种分歧首先体现在架构路线上。
生数科技认为，视频生成和机器人控制看似是两个领域，底层都需要理解物理世界的运行规律，因此应该共享一个通用基座。“如果要叫世界模型，它得配得上这个世界模型的称号，一定是要刻画人与世界的交互规律，同时能驱动人去跟数字世界和物理世界打交道的。”生数科技首席执行官骆怡航说。
但具身世界模型不能只是视频生成模型的翻版。大晓机器人董事长王晓刚直言：“数字世界模型失误仅影响图文生成，而物理场景下智能体预判偏差将产生不可逆真实损失。”这意味着，必须在架构层面内建物理推演和因果推理能力。
两条路线各有拥趸，但有一个核心共识：世界模型不能只停留在视频生成的视觉渲染层面。“能生成好看的视频”只是入场券，“能预判物理世界的下一步”才是真正的门槛。香港科技大学讲席教授、物理AI研究中心主任郭嵩提到，视频生成模型本质上是“渲染器”，能根据描述生成逼真画面，属于对物理世界的被动观察，但缺乏与环境的互动能力。具身智能要求模型不仅能模拟物理世界，更要能改变物理世界，即根据当前状态与目标状态，直接输出符合物理规律的动作（如速度、加速度、力反馈等）。
当行业还在争论什么样的架构才配得上世界模型时，资本已经等不及了。启明创投主管合伙人周志峰分享了一组数据：过去两年，国内新成立的具身智能企业已达370余家，直到现在团队每周还能收到2-3个新项目的商业计划书。而在这300多家企业中，10家企业估值约200亿元，20家约100亿元。“这也是我的职业生涯中难以想象的，密度如此之高。”他说。
泡沫对新兴行业未必是坏事，谁的路线跑得通是可以通过实践检验的。但世界模型从实验室走向产业化，仍需跨越三重挑战：
第一，路线尚未收敛。是做视频生成的模型，还是能预判物理世界因果的系统？是做通用基座，还是做垂直场景的专用模型？行业仍在按照各自理解分头突破。
第二，落地鸿沟巨大。具身智能不缺惊艳的演示视频，关键词不是更强，而是更能落地。
第三，数据壁垒可能成为终极护城河。那些既没有独特数据源、也没有规模化采集能力的公司，将面临被迅速边缘化的风险。
世界模型的能力已经开始显现，但距离真正的“涌现”还有关键距离。上海财经大学数字经济研究院副院长汪源认为，世界模型是补全人工智能现实维度、推动具身智能走向规模化商业落地的核心底座，当世界模型开始驱动机器人在物理世界作出自主决策，治理与安全将成为必选项。
换言之，世界模型竞赛的终局，将是一场由数据质量、产业理解和工程能力共同决定的淘汰赛。
