不是本体公司，也不是模型公司。
《长安的荔枝》，是97年清华博导李一鸣很喜欢的故事。
故事里，为了将“一日色变”的鲜荔枝从岭南运到长安，小吏李善德必须解决保鲜、驿站、路线、补给等一系列环环相扣的难题——没有这套完整系统，鲜荔枝寸步难行。
这个设定在唐朝的故事，在李一鸣眼中，却与当下的“世界模型”赛道，形成了巧妙的互文：
Physical AI（物理AI）的场景、解决的问题，是“鲜荔枝”；为了达到“运送”的目的，从业者们同样需要构建一整套涵盖数据采集、模型研发、硬件部署的系统方案。
“世界模型的第一性原理，不是走什么技术路线，而是最终解决什么问题。”他告诉“智能涌现”，所谓的世界模型，只是“一匹运送荔枝的马”，是解决问题的一条技术路线，离开其它环节的配合，将毫无价值。
然而，2026年初，当这名前英伟达Vision&Robotics研究员，以清华大学人工智能学院助理教授的身份回到国内，他看到的AI赛道，正在陷入一场对“世界模型”的巨大FOMO。
世界模型，2026年最具迷惑性的概念之一，派系林立，众说纷纭。
非共识和想象力，又让世界模型成为当下估值泡沫最大的一个赛道。无论视频模型、3D模型，还是走VLA（视觉-语言-行动）路线的具身大脑，只要能和仿真、物理沾上边，都将自己划为“世界模型”的阵营。
相对的，李一鸣觉得，比厘清世界模型定义更重要的，反而是厘清一套让各种机器人在各个场景中泛化的系统。
近期，李一鸣团队提出了一套由数据和物理双轮驱动的Physical AI Infra。其中包含两个自研组件：
数据管线：将数据采集量级快速规模化，从几十万小时的行业平均量级，提升到百万到千万小时。
物理引擎：实现Real-to-Sim-Real的闭环，也就是基于真实世界数据，构建一个仿真世界，用于机器人对物理世界的强化学习，最后在真实世界中执行任务。
即便世界模型并非一个独立组件，它仍然渗透在这套系统设施的每一个环节中。比如，基于采集到的数据，系统会将“世界模型”作为预训练的目标；在后训练环节，“世界模型”又会成为机器人进行强化学习的仿真环境。
该基础设施能够实现切割、旋拧、插拔、搅拌、按压、捏取、穿引等精细操作技能的训练，并在不同类型的灵巧手、机械臂等本体间跨形态部署，同时可适配生产制造、零售服务、酒店运营、餐饮备料、医疗辅助等多元场景。
这套技术方案，也被2026年4月成立的“厘清智能”所采用。背靠李一鸣团队，这个Physical AI领域的新玩家，成立短短两个月内，便完成了多轮融资。
“智能涌现”独家获悉，厘清智能的种子轮融资金额高达数亿元，投资方包括顺为资本、红杉中国、高瓴创投、峰瑞资本、星连资本、水木清华校友种子基金、SEE FUND等基金，以及智元机器人、灵心巧手、世纪金源等多方产业资本。
稀缺性，是让一级市场押注厘清的重要理由。
一方面是软硬一体的人才。李一鸣的履历，横跨空间感知、多模态推理、自动驾驶以及具身智能。
在纽约大学读博期间，他与谢赛宁（AMI Labs联合创始人兼首席科学家）合作发表了具身视觉推理的研究成果；同时，他与英伟达联合发表了多篇CVPR与NeurIPS亮点论文，并获得了2024年度英伟达奖学金（全球仅10位）。
李一鸣，图源：受访者供图
厘清团队的50余名成员，大多是清华的学生，平均年龄23岁。“软硬一体的人才在国内很稀缺，所以清华给我们提供了很好的人才平台，”李一鸣告诉我们。
另一方面，则是厘清技术路线的稀缺性。李一鸣大胆选择了一条“很重”的路线：从数据采集，到模型训练，到物理引擎，全栈自研。
这在国内相当少见。前期的巨大投入、跨软硬的技术难度，已经劝退了一大波公司。但李一鸣认为，只有打通所有的环节，信息流才能在不同环节、不同模块中畅通无阻，不同环节才能协同优化。
在李一鸣的规划中，今年年底前，团队将发布可以跨B端场景的世界模型；2028年，厘清将实现解决方案的规模化。最终，他的目标是交付给客户一套软硬一体的解决方案，跨本体、跨场景地解决问题。
近期，“智能涌现”与李一鸣聊了聊他的技术判断，以及对世界模型、Physical AI的判断。
以下是“智能涌现”对李一鸣观点的整理：
Physical AI公司，不是本体公司，也不是模型公司
我们做的不只是世界模型，而是一套系统。
我们不以技术路线为导向，而是以实际问题为导向。训练世界模型的目的，不是为了训模型，而是为了解决Physical AI（物理AI）的一些问题，去迭代优化任务的成功率。
所以，我们不在意世界模型具体是什么，而是怎么将数据、模型、硬件、Infra耦合成一个系统，最后成为一个能在场景中work的世界模型。
我们的目标是构建数据和物理双轮驱动的一套生态，“世界模型”渗透在每个环节中：
预训练过程，是将“世界模型”作为自监督的训练目标，同时对state（状态）和action（行动）进行建模；后训练过程，是将“世界模型”封为可交互的环境，机器人可以在环境中进行强化学习。
厘清智能其实不只是一家“世界模型公司”。整个团队做的是包含了数据管线、世界模型、物理引擎的一整套系统，所谓的“模型”只是其中的一个技术组件。
新一代的Physical AI团队，核心特点是全栈。
从数采设备到数据管线，从可微物理引擎到模型训练，我们全部自建：
自研的全掌触觉手套等设备，将单套成本从美元压到人民币量级，实现数采规模化，达到百万小时量级。
自研的可微物理引擎，实现了Real-to-Sim-Real的闭环，可以建模复杂材质比如流体，软体、弹塑性形变物体，成为高效的强化学习后训练平台。
基于广泛场景中采集的数据，以及后训练物理引擎，我们自研的世界模型操作系统，既能快速泛化到各个场景，也能实现cross-embodiment（跨本体）。
新时代的具身公司，不应该是本体公司，也不应该是模型公司，而是一家World Model as Service公司。
未来随着数据量的快速积累，我们可以实现快速的跨本体泛化，最终交付给客户的不是世界模型，而是一套软硬一体系统。
这套系统可以根据落地场景和客户预算自动匹配最优硬件方案，开箱即用。
Physical AI的人才画像，是软硬一体。
清华提供了很好的人才平台，我们团队的平均年龄是03年，甚至有07年的大一学生。
Physical AI的人才画像，和LLM不太一样，我们需要的是软硬一体的人才。目前这样的人是非常稀缺的，因为我们的培养体系还在日渐成熟的过程中。
所以我们找到好苗子后会自己培养。现在的学生在一个好的团队中差不多半年、一年的时间，就能突飞猛进。
不能只做数据采集，
忽视物理规律
具身模型的参数至少要达到语言模型的量级，甚至还要比语言模型再高几个量级，才有可能谈“智能涌现”。
语言是已经被压缩过的世界规则，现在都需要几百B的参数量，基于自然信号训练的具身模型，需要更多的数据与参数量。
人类数据比真机数据更好scale up（规模化）。
全中国有几亿人在一线工作、在家庭中生活。相较于你操纵机器人采集数据，带着设备的真人采集数据的效率高许多，毕竟scale up人数，比scale up机器数量或者采集时长容易得多。
目前，我们已经找到了工厂、酒店、物业、商场、厨房等可规模化的场景方合作，短时间内会快速积累到百万小时的数据量。
做一整套Physical AI Infra，只靠数据采集是不现实的，还需要很多物理规律。
现阶段采集到的数据量，还不支持Physical AI自主泛化到所有场景。然而，现实世界有很多场景，就连两个苹果都长得不一样，不可能将所有场景的数据都采一遍。
物理规律现阶段可以补足数据的局限性。所谓的物理规律，就像牛顿定律、纳维-斯托克斯方程（粘性牛顿流体运动规律），是人类对物理世界规则的总结，具有一定的通用性。
厘清智能设计了一套满足物理约束的世界模型方案，可以用别人1%的真机数据量训练策略模型，达到相同的成功率。
我们先通过真机采集少量数据，再将真机数据的state transition（状态转移，指世界状态随行动产生的改变）和物理世界模型的state transition进行对齐，并将loss（损失函数，指模型犯错的程度）回传，进而不断优化世界模型。
这样做的好处是，我们只需要少量的真实数据，“校准”世界模型建模的状态转移，就能让机器人在虚拟世界中自主学习。
举个例子，以前机器人学习切苹果，需要切坏成百上千个材料；现在只需要真切十次，剩下的练习都可以在物理世界模型中完成。
VLA、视频模型、JEPA，
都不是“原生世界模型”
世界模型负责机器和世界的交互，语言模型负责机器和人的交互。
现在大家都意识到，基于LLM做VLM（视觉-语言模型）、做VLA（视觉-语言-行为模型），本质上与物理世界没有那么适配。
因为语言模型是一个高度离散化的空间。简单来说，我们跟世界打交道，总结出了一套语法规则。但是每个国家的语种都不一样，语言也充满了人对世界的bias（偏见），而且有很多东西是无法用语言讲清楚的。
本质上，语言的目的是交流，是人机交互的界面，而不是一个模态。模态是你对世界的观测，语言则是你摄入信号后的总结。所以训练世界模型，语言不是中心，而是辅助的。
世界模型的训练同时需要SFT（监督微调）加上RL（强化学习）。
世界模型需要在物理世界中做SFT，但物理数据的量是不够的，所以我们需要自己采集数据，建立数据标准。
LLM在后训练过程中可以生成任意的词元，但世界模型必须遵守物理规律，所以我们自研了可微物理引擎，让后训练可以在满足物理约束的前提下进行。
因此，世界模型的训练是一套system，需要联合预训练、后训练，以及数据Infra和硬件Infra，才能实现训练效益最大化。
全栈打通感知、推理、决策、动作输出，并且面向机器和世界交互任务设计的，才是“原生世界模型”。
VLA是非原生的世界模型，因为它的表征是离散的语言空间，不是真实世界；JEPA（联合嵌入预测架构）只能预测状态（state），但无法输出动作。
视频生成模型也不是原生世界模型，因为推理过程不是原生的。它生成的像素，只能拟合世界的表象，很难保证复杂任务策略学习需要的几何与物理一致性。
训练“原生世界模型”，关键是如何将物理世界高效tokenization（表征）。
多模态观测——视觉、触觉、力觉——如何被压缩成模型可消化、可推理的Token序列，直接决定了模型能理解什么，不能理解什么。这层表征质量，是后续所有能力的天花板。
我们是全球少数能将表征端tokenization的公司，也就是将物理世界，高效压缩为机器容易理解和学习的Token。
这套体系的壁垒不在技术，而是认知。它需要很强的Know-How，需要你知道整一套生态系统该怎么搭建。比如，数据怎么清洗？模型怎么优化？这些问题都有很强的认知壁垒。
目前，我们团队内部训练的视觉tokenizer（表征器，用于将物理世界转译为Token），效果已经优于Meta的视觉基础模型DINOv3。后续物理世界的高效表征也会是我们团队的重点研究方向。
如何构建Physical AI的Infra，是训练世界模型的另一个难题。
除了构建数据平台，我们还需要设计好物理引擎Infra。比如，如何让物理引擎去高效建模柔性物体、流体的state，从而高效计算state transition。只有这样，机器人才能在物理引擎中做强化学习。
如果一家公司所谓的“Infra”，只能支持本体做一些简单的抓取，那就不叫真正的 Physical AI Infra。
真正的Physical AI Infra，能够让你不断优化数据效率，提升复杂任务上预训练和后训练的效果；或者在短程任务上训练后，能够泛化部署在复杂的长程任务上。
2028年会是Physical AI
规模化落地的milestone
轮臂是适配大多操作场景的硬件落地形态。
人形机器人的想象空间很大，但技术难度也很大。比如，目前的负载能力（payload）会限制人形机器人执行需要较大力量和复杂操作的任务；对人体的各个部位进行精准建模，也是一个难题。
因此，我们目前部署的硬件形态以轮臂为主，也就是带有轮子的机械臂。不同的机械臂、灵巧手会在各种细分场景中，去做泛化。
前期，我们要更积极地与场景方合作。
数据的规模化、包括机器的后训练，都离不开和与真实场景方的合作。
我们的场景切入模式是。先ToB，后ToC。在B端积累的数据和技能，最后都能用到C端。
在B端，我们会先切入工业场景、物流场景，以及生活类、消费类的场景，这些场景工种有很强的替代性和高度重复性，客户也有很强的降本提效需求。
当然，硬件成本完全压到低于人力成本，肯定需要一个过程。但最重要的是先把场景铺开，这样才能不断优化模型性能，以及加快成本的边际效应。
我们的终极目标是做通用 Physical AI Infra。
我们的终极目标，是把这套系统封装为一款通用的Physical AI Infra。
它不是针对某个任务、某个硬件的专用方案，而是一个能够部署在不同物理环境中的基础平台——像iOS之于移动应用一样，让各类物理操作任务可以规模化开发和部署。
这便是我们的“荔枝系统”。而驱动其底层的核心能力，则来自两方面的坚实支撑：一整套原生世界模型架构，以及一套数据与物理双轮驱动的训练与评测基础设施。
2028年会是Physical AI 的一个milestone。根据我的推测，数采的规模，以及电机密度都会实现跃升。到时，我们的方案才能规模化地落地。
