在具身智能领域，世界模型正成为各大公司竞相布局的技术焦点。今年5月至8月，至少十家相关企业相继推出各自的世界模型方案，世界机器人大会上，这一技术方向也成为多家厂商展示的核心内容。短短数月，世界模型从探索阶段迅速跃升为行业重点，但随之而来的疑问是：这究竟是技术发展的必然结果，还是又一个被快速复制的热门概念？
对于机器人而言，世界模型的意义已超越简单的“未来预测”。它需要帮助机器人理解环境变化的内在逻辑，并服务于动作生成、规划与决策。然而，不同企业在技术路径和目标上存在显著差异。例如，光象科技联合清华大学团队发布的物理原生世界模型Phi-WM 1.0 ActEffect，便试图通过“物理原生智能”技术路线，构建一套通用具身大脑，将世界模型、数据、算法与机器人本体深度融合。
当前，许多具身智能模型依赖模仿学习，即通过观察人类操作生成动作。这种方法在固定任务中表现良好，但在复杂环境中容易失效。例如，零件位置变化、动作力度差异或任务链中的微小偏差，都可能导致结果偏离预期。世界模型的出现为这一问题提供了新思路：通过内部表征环境状态与变化规律，辅助机器人预测未来、规划动作。但光象科技认为，仅回答“未来会怎样”远不够，机器人还需理解“动作如何改变世界”。
以汽车上下料场景为例，传送带运动、光照变化、零件振动等环境因素，与机械臂的推、抓、抬、放等动作相互交织。若模型无法区分环境变化与自身动作的影响，便难以回答“换一种动作会怎样”的问题。为此，光象科技提出“物理原生智能”框架，其核心在于让机器人在物理交互中学习底层规律、动作后果及物理约束，形成闭环自进化的智能体系。该框架包含三个关键特征：状态解耦表征、时序因果驱动与物理定律约束。
具体而言，模型将机器人的关节角、速度等显式物理状态与图像、点云等隐式状态分开处理，前者利用物理知识描述，后者交由神经网络学习。同时，模型需对动作干预保持敏感，确保动作与后果的时序关联。通过引入对称、守恒等底层约束，模型在长期推演中保持稳定性。ActEffect作为这一框架的首代模型，将“动作因果”纳入训练过程，要求模型不仅预测未来状态，还需判断不同动作是否符合物理规律。
训练中，模型生成三个精细度不同的动作提案，分别预测其结果并优化策略。例如，在工厂场景中，机器人需理解夹爪闭合时间、移动速度或角度变化对任务的影响。这种设计直指具身智能的泛化难题：若机器人掌握重量、形状等底层规律，面对新物体时便能快速适应，而非依赖大量数据重新拟合。光象科技创始人张涛举例称，传统方法需通过海量数据学习处理数十种物体，而物理原生智能可利用压缩知识更快适应新场景。
与纯视频预测模型不同，ActEffect更关注隐状态空间中的物理信号与动作驱动的状态转移。光象实验室首席科学家吕尧指出，视频预测依赖统计相关性，缺乏物理约束，可能导致“99%到100%”的失败风险。而世界模型需回答“动作如何改变世界”，而非仅预测未来画面。这一思路也体现在模型设计上：世界模型仅在训练阶段发挥作用，通过预测动作后果优化策略；部署时，机器人仅需策略网络一次计算输出动作，大幅降低推理算力成本。
数据利用方面，光象科技采用分层策略：互联网视频与无标注数据帮助建立基础世界先验；带动作标注的数据学习状态变化关系；仿真数据提供低成本反事实探索；最终通过真机后训练验证模型。张涛透露，按此路径，具体任务的真机训练数据仅需十至几十小时，最多不超过100小时。这一效率对工业场景至关重要——若每进入新工位都需海量数据与长时间训练，规模化将难以实现。
在公开基准测试中，ActEffect在LIBERO、LIBERO-PLUS和RoboCasa-GR1上分别取得98.8%、80.3%和67.5%的平均成功率。例如，在LIBERO单臂多任务操作基准中，模型在空间关系、物体操作等四类任务上均领先；LIBERO-PLUS引入相机扰动、光照变化等七种干扰后，模型仍保持较高成功率。不过，吕尧强调，基准测试需回归真实场景，最终评价标准仍是任务成功率与客户价值。
光象科技的实践也印证了这一思路。今年6月，其发布的工业级自进化具身智能机器人Phi-Bot X1已在多家豪华车厂完成验证，并进入部署阶段。在世界机器人大会上，同一台机器人展示了跨工位能力：既能完成新能源汽车焊接车间的高精度上下料，也可执行汽车表面移动质检。5天累计36小时的自主循环作业，验证了模型与本体的协同效率。
光象科技的技术路线始终围绕软硬一体展开。张涛认为，仅做大脑缺乏真实行业入口与数据闭环，仅做本体则易陷入硬件同质化。因此，公司同时推进具身大脑、机器人本体与产业场景的演进：真实环境中的任务与数据反馈持续优化模型，模型能力再迁移至机器人，形成闭环。这一逻辑下，世界模型不仅是技术工具，更是连接机器人与真实世界的桥梁。
