世界模型正在成为具身智能竞争中最受关注的技术方向之一。
当大语言模型沿着参数、数据与算力不断扩展，机器人领域却面临一个更棘手的问题：真实物理世界并不是可以被无限穷举的数据集。它连续、多模态、开放，环境会变化，物体会变化，智能体也会因为自己的行动不断改变世界。
于是，一个更基础的问题是：如果AI真正从屏幕进入物理世界，它究竟需要怎样的“世界模型”？
刚成立于2026年9月便完成数千万元人民币早期融资的寰宇心生「WorldMind」，给出的答案并不是继续做一个规模更大的“下一帧预测器”，而是试图把神经认知机制引入世界模型：将人脑中的记忆、知识、推演与反馈校准机制拆解出来，构建一个能够持续理解和修正物理世界认知的动态系统。投资方为元生资本，点石资本担任独家财务顾问。资金将主要投入核心技术研发、基础模型与世界模型训练基础设施、多模态数据体系建设以及团队扩张。
01
范式之争：从“状态预测器”走向神经认知
目前主流世界模型的基本范式：给定当前状态 S_t和智能体即将执行的动作 a_t，预测下一时刻状态 S_{t+1}。
对于视频生成、模拟环境或者相对封闭的任务而言，这一路线已经展现出巨大潜力。
问题在于，一旦进入开放的物理世界，单纯依赖状态空间进行预测，就会面临越来越明显的瓶颈。
WorldMind认为，现实世界无法简单复制大语言模型的Scaling路径。互联网文本可以通过持续收集形成规模庞大的训练语料，但真实世界的数据获取成本远高于文本：每一次机器人交互都需要设备、场地、时间甚至安全成本，而且新的物体、新的环境以及大量长尾情况始终存在。
因此，WorldMind提出了一套神经认知世界模型（Neural-Cognitive World Model）。其核心变化，是把原本隐式混合在状态空间中的信息进一步拆解为四个部分：知识、记忆、推演、校准。
换句话说，WorldMind希望世界模型不只是能够“预测接下来发生什么”，而是能够：记得过去发生了什么，知道这个世界有哪些规律，根据这些认知推演未来，并在判断错误之后重新修正自己的世界观。
这也是“神经认知”与普通世界模型最核心的区别。
在WorldMind的设计中，下一状态不再只与当前状态和动作相关，还与模型所拥有的世界知识K以及历史记忆M相关。按照创始人任云帆在采访中的解释，将知识和记忆从状态空间中单独抽离后，模型学习到的规律不必全部隐式纠缠在一个庞大的神经网络中，而可以对知识和记忆进行更显式的维护、提取与跨场景共享。
这实际上触及了今天世界模型研究中的一个关键问题：世界模型真正需要Scaling的，究竟是模型参数，还是机器对世界本身的认知？
02
两个核心技术：把“人脑的记忆机制”真正放进世界模型
目前WorldMind已经披露了两项核心技术：记忆增强世界模型和脑启发世界动作模型。
1. 记忆增强世界模型：让模型拥有“快慢系统”和长期经验
这项技术重点解决的是世界模型如何记忆和理解环境。据披露，WorldMind首次将快慢系统机制引入世界模型的训练与推理过程，并结合动态记忆机制以及时空双流引导机制，用于提升环境建模能力。
人脑并不会在每一次面对环境时，从头计算整个世界。大量熟悉的判断可以快速完成，而遇到复杂、陌生或者高风险问题时，则需要更加缓慢的推理过程。
WorldMind试图在世界模型中构建类似的“快慢规划—长短记忆—强化重规划”机制：一部分能力负责快速响应，一部分负责复杂推演；近期信息进入短期记忆，能够跨场景复用的经验则进一步沉淀为长期知识。
据公开报道，这套记忆增强世界模型已经参与WorldArena世界模型评测。其中在WorldArena 1.0开源榜单中位列第一；在WorldArena 2.0多个评测赛道中进入前三。
按照团队的技术判断，这一架构希望解决的不只是榜单性能，更重要的是提高真实机器人数据利用率、减少世界模型训练过程中对于海量真机数据的依赖。
这也是神经认知世界模型路线最关键的技术主张之一：模型能力的提升未必只能来自参数与数据规模的线性增长，也可以来自认知结构本身效率的提升。
2. 脑启发世界动作模型：从“预测世界”进一步走向“改变世界”
记忆增强世界模型主要负责“理解世界”，脑启发世界动作模型——则进一步向机器人真正的行动能力延伸。
据披露，这套模型引入了大脑输出拷贝机制和自我中心4D世界知识架构，构建：世界推演 → 空间规划 → 动作生成的分层联合架构，并通过统一混合专家模型，把世界状态预测和机器人动作生成进一步连接起来。相关模型据材料称在世界动作模型仿真开源榜单中位列第一。
03
重新定义世界模型的Scaling
神经认知之外，WorldMind另一个值得关注的观点，是对世界模型Scaling路径的重新定义。
任云帆提出了一个问题：厨房机器人真的需要理解整个物理世界吗？
WorldMind认为，并不需要。一个厨房机器人首先需要理解的，可能只有十几平方米的厨房；一个工业机器人首先需要理解的，则可能只是一条产线。
团队把这种有限、具体、与智能体直接相关的环境称为“小世界”，其思想来源于Jakob von Uexküll提出的“环世界”概念。
这一思路本质上是在重新拆解世界模型面对的开放世界难题。与其一开始就试图“建模整个世界”，不如：先定义一个相对封闭的小世界；在这个环境里完成数据采集、训练、部署、反馈与校准；再从不同场景中逐渐提取能够跨环境复用的物理规律。例如家庭服务机器人面对的接触、摩擦问题，也可能大量存在于工厂和仓储场景。因此，一个场景中学习到的规律可以进入共享知识系统，再反过来提升另一个“小世界”的泛化能力。
WorldMind希望最终形成一个双向知识流动体系：小世界 → 提取共性知识 → 大世界基模以及：大世界基模 → 知识蒸馏 → 下游小世界。
由此，其世界模型Scaling不再等同于“模型越来越大”，而被拆成四层：
第一，小世界。作为可以训练、验证和真实部署的基本单元。
第二，大世界基模。沉淀多个环境之间共通的底层物理逻辑。
第三，知识与记忆。将跨环境交互不断转化为可复用的认知资产。
第四，真实世界校准。利用持续发生的真实交互修正模型的预测边界。
这也是WorldMind对于“Scaling Up”的核心理解：需要被扩大的，不只是神经网络本身，而是AI能够理解的物理世界边界。
04
AI+机器人+脑科学，一支“三栖”团队
WorldMind的技术路线，与其团队背景高度相关。创始人兼CEO任云帆出生于1999年，博士毕业于香港大学MaRS Lab，随后在苏黎世大学RPG实验室开展博士后研究。26岁入选国家级青年人才，目前任同济大学计算机科学与技术学院长聘副教授、博士生导师。
在进入高校之前，他还曾担任大疆算法预研核心骨干，研究方向长期覆盖自主无人机、机器人灵巧操作以及具身智能，并在Science Robotics、IEEE TRO、IJRR等发表论文30余篇。
另一位核心成员是CTO张奇。他拥有悉尼科技大学人工智能博士背景，是科技部“脑科学与类脑智能”重大专项青年科学家，长期研究脑视觉解码与类脑智能，并首创脑视觉编解码Mind-X系列方法。
团队成员还拥有Microsoft、Tesla、Meta等产业背景，并依托同济大学空间智能实验室开展相关研究。
团队成员形成的技术路径实际上横跨了三条路径：AI负责学习与推理、机器人负责与现实世界交互、脑科学则提供记忆、认知、规划以及闭环学习机制的结构启发。
05
世界模型的下一步，可能不是“生成更多世界”，而是“形成自己的世界认知”
过去几年，世界模型很大程度上伴随着生成式AI的发展进入公众视野。从视频预测、视频生成到交互式环境生成，越来越多模型开始展示“模拟一个世界”的能力。
但对于具身智能而言，真正困难的问题可能并不是生成一个看起来真实的世界。而是：机器人进入一个从未完整见过的环境后，
1、能否通过少量交互形成记忆；
2、能否把一次任务的经验转化为可以复用的知识；
3、能否根据已有知识推演未来，而不是依赖训练数据中出现过的轨迹；
4、能否在自己的预测被现实推翻之后，主动修改原来的认知。
这正是WorldMind试图通过“神经认知世界模型”回答的问题。
从知识、记忆、推演、校准，到快慢系统、长短期记忆，再到世界动作模型和真实世界在线自校准，这家公司正在试图把世界模型从一个单纯的状态预测系统，进一步推向一个具有持续认知能力的物理智能系统。
按照其设想，未来世界模型真正需要Scaling的，不只是参数规模，而是AI能够不断扩张的“世界认知边界”。从一张桌子，到一条产线，再到一个工厂；从厨房、家庭，到仓储、工业和户外环境。每一个“小世界”提供新的经验，经验沉淀为知识，知识进入更大的模型，再重新赋能新的环境。
如果这一闭环能够真正跑通，那么世界模型的角色也可能发生变化：它不再只是机器人脑中的“未来预测器”，而会逐渐成为机器理解物理世界、积累经验、规划行为并持续进化的认知基础设施。
脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：
宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。
资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。
成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。
活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。
其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。
合作洽谈，请联系微信：ZuoLeiLeiya
（备注：姓名-单位-合作）
投稿丨成为创作者，请联系微信：RoseBCI
🌟星标置顶🌟
不错过每一条脑机前沿进展
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
