世界模型站上主赛道？机器人开始三思而后行、看视频就能学技能

电子发烧友网报道（文/莫婷婷）当前，为了让机器人更像人类一样智能，产业界人士都在推进机器人的AI大脑。从实验室到生产线，从机械臂到人形机器人，一场关于“让机器理解物理世界并作用于其中”的技术竞赛正在加速展开。在这场竞赛中，世界模型（World Model）正成为各方竞相布局的核心技术方向之一。

半年超30亿美元涌入：世界模型站上机器人AI大脑主赛道

数字智能建立在知识表征与数字环境闭环之上，能力主要集中于语言、数学、代码等数字领域；物理智能则不止于表征，更依赖真实交互经验的积累与物理世界闭环，能力边界需从数字域扩展至空间感知、物理交互、精细操作与失败恢复。

觅蜂科技董事长兼CEO姚卯青认为，这并非能力的线性延伸，而是范式跃迁：数字AI可由互联网数据驱动，而物理AI则必须在真实世界中积累经验、修正策略，持续进化。

机器人AI大脑要解决的，正是物理智能所强调的问题：让机器人不再只会执行固定程序，而是能在真实物理环境中感知、理解、预测、决策、执行，并根据反馈持续修正。

围绕机器人AI大脑，业界目前主要在讨论三条技术路线，它们各自从不同角度切入，本质上都是在为机器人AI大脑补齐物理智能能力：

第一条是VLA（视觉－语言－动作）路线。具备强大的语义理解和任务Grounding能力。以Google的RT系列、Meta的VILA、以及智元等企业为代表，这类方法将视觉、语言和动作空间统一到一个模型中，让机器人通过大规模数据的预训练获得跨任务的泛化操作能力，但对物理动态的建模能力相对有限。目前分化出分层架构、纯端到端架构两种技术路线。

第二条是世界模型（World Model）路线。以MIT韩松团队、英伟达等为代表，这类方法将世界模型引入机器人控制闭环，让机器人能够提前预判做出动作，做出更优决策。

第三条是融合路线——让模型真的装得进机器人（云-边-端）。云端负责复杂推理与长期学习，边缘端机载算力负责实时感知与动作输出，底层控制芯片则负责小脑实时运动控制、毫秒级关节调节。业内人士认为，目前限制机器人反应速度的，往往不是算法本身，而是算力分配和模型量化压缩的工程能力。

随着 AI 企业、研究机构和机器人本体的研发投入，世界模型已成为当前机器人 AI 大脑三条技术路线中投入最密集、进展最集中的方向之一。

在资本端，公开资料显示，2026 年上半年，全球超 30 亿美元风投涌入世界模型赛道；仅 2026 年一季度，物理 AI 领域融资就超过 64 亿美元，资金高度集中在世界模型和底层基础设施层。就在今年10月，前字节跳动实习生田柯宇创办了以世界模型为方向的AI实验室，已获得近3000万美元融资。

在技术端，行业进入密集迭代期。例如Google DeepMind 推出 Gemini Omni 和 Gemini Robotics 系列，强化物理理解与多步规划能力；英伟达发布 Cosmos 3 Edge，推动世界模型向端侧部署。随着多项技术的迭代，世界模型逐步具备规划、纠错、失败恢复等决策功能，与因果推理、VLA、大脑/小脑分层等路线形成互补。

看视频就能扔沙包，机器人学会三思而后行

就在近期，Google DeepMind正式上线了通用物理推理模型Gemini 4 Argon。Argon作为一种通用物理推理模型，具备三大核心能力：视觉语义推理、物理理解和自主代码生成。这些能力覆盖了机器人研发的多个关键环节，包括机器人控制、仿真环境构建、物理数据分析、动作优化等多方面。

与此同时，DeepMind也在X平台发布了一段与Apptronik Apollo人形机器人合作的演示视频：团队让Argon观看学习“将沙包掷进洞口”的示范视频，随后由Argon就开始指导Apollo学习掷沙包的动作。在Argon 的闭环调控下，Apollo 机器人通过观察落点、微调释放位置、持续修正动作轨迹，最终在真实场地中连续 7 次投中沙包。

在与世界模型的配合中，Argon主要是作为通用的物理推理引擎，将世界模型的预测能力与机器人的实际控制、仿真构建、数据分析等具体任务连接起来。

例如Apptronik Apollo人形机器人先进行视觉观察，再在 MuJoCo 等仿真环境中反复练习投掷动作，把视觉观察转化为可执行的控制策略，再通过真实世界的反馈不断修正，在极短的时间完成学习任务。又如Google DeepMind展示的另外一种能力，在 Gemini Omni 世界模型的演示中，Argon引导机器人将散落的五块拼字游戏字母牌（G、R、A、N、O）重新排列，最终按顺序拼出 A-R-G-O-N。

这也正是未来人形机器人在执行复杂任务必须具备的能力：不再依赖人工逐条编写规则，而是让模型自主完成完整链路，把世界模型的预测能力真正落地为物理执行能力。

除了Google DeepMind展示的通用物理推理模型与世界模型协同，Aether AI公司在近期发布的因果机器人智能系统 CRIS-0，则推进世界模型技术从“视觉预测”向“因果决策”迈进。

根据介绍，CRIS-0 的架构建立在因果驱动的机器人 Agent、因果世界模型两大核心模块的基础上。在 Aether AI 发布的真机演示视频中，CRIS-0 展现了其实战能力：在动态且充满干扰的环境下，机器人不仅能够自主执行复杂任务，更能在出现异常时进行任务恢复，例如关闭微波炉时，突然有一只手伸过来时，能够停止关门的动作。这种能力并非简单的程序预设，而是源于系统对物理世界因果关系的理解。

CRIS-0 的核心创新在于对传统世界模型的革新。传统世界模型以预测未来画面为主，而 CRIS-0 因果世界模型引入任务相关因果变量，聚焦动作带来的物理状态变化。它采用结构化预测机制：输入环境观测与候选动作，先预测关键因果变量变化，再基于状态变化生成视觉画面，做到预测结果贴合物理规律。

同时 Aether AI 实现了从预测到决策的跨越：CRIS-0 把因果世界模型拓展为可直接输出机器人动作的策略模型，新增动作模块复用共享特征，将对未来状态的理解直接转化为机器人控制指令，压缩感知到执行的链路。

业内人士普遍认为，机器人行业正经历一次关键的范式转变：从“让机器人做对一次”，转向“让机器人理解自己正在做什么”。过去，机器人的能力更多依赖预设程序或大量示教数据，能在特定场景下完成任务，但人形机器人的应用场景将越来越复杂，一旦环境发生变化或者出现意外干扰，系统往往难以应对。如今，随着 Gemini 4 Argon、CRIS-0 等系统的出现，机器人 AI 大脑的进化方向已经明确——不再只是执行动作，而是具备“理解并预演物理世界”的能力。

世界模型站上主赛道？机器人开始三思而后行、看视频就能学技能图2

声明：本文由电子发烧友原创，转载请注明以上来源。如需入群交流，请添加微信elecfans999，投稿爆料采访需求，请发邮箱wuzipeng@elecfans.com。

更多热点文章阅读

点击关注星标我们

将我们设为星标，不错过每一次更新！

世界模型站上主赛道？机器人开始三思而后行、看视频就能学技能图3 喜欢就奖励一个“在看”吧！