本文来自微信公众号： 科工力量 ，作者：科工力量
从2020年OpenAI砍掉物理AI、All in语言模型，到2025年英伟达Cosmos与中国团队几乎同时起跑，世界模型的竞速从来不只在中美之间——它是一个全球共通的世界级问题。但这一次有些不同：习惯了回答“你的对标是谁”的中国公司，第一次找不到对标了。池晓威的观察很直接：今天我们能拿到的算力可能只是北美同行的几分之一，但数据成本远低于对手，硬件供应链十分钟就能上门——这条AGI级别的新赛道上，写满了华人的名字。
编者按：7月17日，2026世界人工智能大会暨人工智能全球治理高级别会议在上海开幕，国家主席习近平出席开幕式并发表主旨讲话，世界人工智能合作组织在上海成立。7月19日上午，由观察者网科工力量主办的WAIC 2026系列早餐会第二场《世界模型的天王山：临界点、竞速与相信的勇气》在上海举行。如果说第一场《AI普惠：硅谷之外，全球南方》追问的是技术下沉的“普惠基座”，本场追问的则是尖端突破的“制高点争夺”。莫刻机器人联合创始人池晓威、生数科技世界模型执行负责人王泽远、Evophys（宇万光年）创始人谭桦杰、成为资本合伙人张辰同台分享，自媒体“具身智能之心”创始人Gloria主持。本文为池晓威的演讲实录，由观察者网根据现场录音整理编辑，小标题为编辑所加。
以下是全文实录：
大家好，我叫池晓威，是北京莫刻机器人的联合创始人。我们在经营一家做通用世界模型的具身智能算法公司。
回答刚才的热身问题——怎么给圈外人解释世界模型——我经常用一个比喻。我们看漫画的时候，看到一格一格的分镜，会天然地对这一格漫画产生一小段动态的直觉性预测。漫画虽然只是几个分格，但在格与格之间，我们脑子里其实已经生成了一段连续的故事。
这种直觉性预测，在人脑中经过了非常长时间的“磨炼”和非常精细的“预训练”才诞生。再举个例子，比如体育：这两天的世界杯，当我们看到一个球员正要踢球的时候，我们会产生一种预感——这个球会不会进、踢左边还是右边。
这种预感，在人脑中就叫“心智模型”，后来它被称为“世界模型”。今天我们在做的世界模型研究，本质上就是希望用AI、用数据驱动的方式，在算法空间里复现这样一个带有世界先验的未来预测。如果这个预测能力能够成为机器人观测和运动之前的一种直觉、一种全局想法，那么机器人很有可能带着这种能力，走向所谓通用Robotics AGI级别的超级智能。
2020年：OpenAI的转身
回到今天的主题：中美竞速。当时拿到这个提纲的时候，我想了很久，从哪儿切入这个宏大的课题。后来想到一个比较有名的观察角度：世界模型领域有两位“大佬”级人物，一位是德国学者于尔根•施密德胡贝尔（Jürgen Schmidhuber），一位是在美国的法裔图灵奖得主杨立昆（Yann LeCun）。你会发现，世界模型的所谓竞争，其实不光存在于中美之间，而是一个全球共通的、大家都意识到的极其重要的世界级问题。
所以聊这个问题，我更想从自己做世界模型的研究经历讲起：为什么我会开始做世界模型？我看到了什么迹象，让我在国内还没有太多人做的时候，就进入了这个方向？
时间回到2020年。当时OpenAI刚刚收购了一个很有名的仿真器MuJoCo，同期开始了大量强化学习研究——做机器人转笔、做倒立摆这些经典的机器人学问题。与此同时，疫情正在悄悄到来。第二年，OpenAI不知道为什么，突然把仿真器和所有跟Physical AI相关的那一大块全部砍掉，All in语言模型。
从那个节点开始，整个世界逐渐疯狂地转向语言模型，语言模型智能似乎成了全世界唯一的主流声音——这是过去五年，我们在“水面”上看到的故事。
但在水下，还有另一张图景。2018年，施密德胡贝尔等人发表了第一篇题为《World Models》的论文。2023年前后，Meta发布了Segment Anything这样基于计算机视觉的纯scaling的基座模型；同期，还有CLIP这样大规模的视觉基座工作。所以，用像素、用更多的模态信息去压缩世界——这个研究其实从来没有停止过。
在这个过程中，中国学者始终站在第一线：以MMLab为代表的一大批非常优秀的研究员，在计算机视觉、机器学习领域持续深耕，比如何恺明，包括这次LeCun创办AMI实验室（AMI Labs）押注世界模型，里面核心研究员中，除了LeCun本人，像谢赛宁这样的骨干，也都是华人。
所以总体上看，在这个宏大的世界模型议题里，华人学者从计算机视觉、从各个多模态领域成长起来，逐渐开始挑大梁、独当一面。
机器人世界模型，则是另外一个特别有意思的故事。这个方向最有名的学者之一叫杜伊伦（Yilun Du），现在是哈佛大学的年轻教授。他从2022年就开始用生成式模型做机器人通用操作，一直做到2024年——他们那篇UniSim，在谷歌用大约512块TPU完成了第一次大规模scaling，第一次做到了所谓“组合泛化”的验证。虽然那个工作的像素生成质量还很差，但它拿到了当年ICLR的Oral或Spotlight级别的奖项。
于是在2025年下半年，中国开始意识到：机器人世界模型是一个可以跟进的大规模方向。这是一段非常曲折的历史。
2025：交错竞争，与“比Cosmos更早”
真正大家开始交错竞争的时间节点，是2025年。
这里先回溯一下语言模型的对比。语言模型发展的这三年，包括更早的AI科技，甚至其他行业的科技，我们中国已经习惯了做follower。从VC的视角来说，过去投任何一家公司，一定要回答一个问题：你的对标是谁？对标，意味着你一定要找到一家长得跟你一模一样的美国公司，然后说：我们在解决跟这家美国公司一样的问题，只是中国版本。
但是到了2025年的世界模型，我们发现，世界模型的中国公司，已经没有了对标。
2025年，通用世界模型发生了几个比较大的开源节点。一个是那年夏天，英伟达开源了Cosmos 1——用了将近一万张算力卡，训练了diffusion和autoregressive两条路线、三四个不同版本checkpoint的基座模型，紧接着又开源了2.0、2.5。同期在中国，生数科技也发布了一系列用生成式模型做通用机器人操作的工作，包括用视频生成加逆运动学模型去解控制问题的路线。
我自己也比较幸运。在闷头做了很长时间之后，2025年初，我受到北京人形机器人创新中心（亦庄）的邀请。他们给了我一些资源，说：我们有上万小时的数据，刚完成一轮战投，还有几千张算力卡。在那个节点，这样一个混合所有制的、非常“中国式”的创新中心，比任何人都早——可能早在2024年12月、2025年初——就sense到了世界模型的价值，尽管那个时候，大家还讲不清楚世界模型到底是什么。
我自己博士期间的研究主线始终是世界模型的scaling。从早期做统一模型，四处“化缘”算力卡，从8张卡、50个小时数据，一路做到几百个小时；在亦庄，第一次有幸拿到上万小时的数据，做了第一次大规模预训练。我们启动的时间比Cosmos还早；完成前两个checkpoint的训练之后，Cosmos才刚刚开源。去年9月、10月，我们开源了自己的第一个版本——基于阿里通义万相（Wan）视频生成基座预训练的模型。在当时，那绝对是世界上开源模型里数据量级最好、最大的一个，效果比Cosmos的1.0、2.0都要好得多。
直到去年年底、今年年初，英伟达的Jim Fan出来做了大量宣传——作为英伟达这条线的负责人，他的演讲能力比我好太多了——反复讲“世界模型有一天会超过仿真器，会成为AGI”。于是英伟达发布了一系列基于世界模型的机器人操作工作。尽管如此，我们看到那几篇工作的一作还是华人，其中好几位是我们关系特别好的朋友，包括最重要的作者之一，是来自港科大的一位年轻学者。
没有对标的时代，在中国诞生世界级模型公司
所以你会发现：这个行业、这个AGI级别的新事情里面，充满了华人名字的身影——不管大家以什么身份、什么视角在做这件事。
又过了半年，我自己的身份也从学生转换成了founder，完成了几轮融资，投身到世界模型这个浪潮里。其实今年春节的时候，我心里还有一部分疑问：我们真的能在内地完成这样一个模型的scaling吗？我们今天能拿到的算力，大概是北美同级别公司的四分之一、五分之一，他们的成本远比我们低。
但是在同样的竞争环境之下，我们拿到数据的成本，可能远远低于北美同级公司。今天中国可能甚至有超过200到500家数采公司——具体数字我不敢下定论。再看这次WAIC，所有行业峰会上，几层展台全在做本体、做硬件结构的迭代。
过去大家经常讨论的路径是：在北美成立一家公司，比如Sunday Robotics——两位创始人也是华人——走全栈路线，自己训练base model。但在国内，我们跟深圳的某一家本体厂商合作，在北京也有合作伙伴：机器人出了问题，我们打个电话，甚至打个车，不超过10分钟，硬件解决团队就能直接上门，一起把问题解决掉。
在这种土壤之下，我们认为：在中国，或者说在接下来这段时间，完全有可能诞生一个真正世界级的模型公司——像过去那一波成功的北美创业公司一样，把AI的事情重新翻一遍。
聊得比较跳跃，但这就是我自己的故事，也是我看到的世界模型研究者、创业者们，这很长的一段时间里共同的故事。谢谢。
圆桌快答
主持人：世界模型要在具身领域落地，需要具备什么前提条件？现在普遍缺哪些？
池晓威：缺的东西其实蛮显然的。刚才张辰老师也提到，训一个模型就三个要素：模型、算力、数据。
首先在中国，算力是缺的，毋庸置疑。头部的中国语言模型厂商占据了大头算力，大厂基本把大多数算力分配给了语言模型——因为语言模型正处在产品化阶段，吃掉了大多数资源。留给机器人各类模型的算力条件，即使是目前百亿估值最头部的具身厂商，可能也就三四千张卡，而且还是降级过一次的H卡。
第二是数据。刚才谭老师也提到“以人为中心”的数据，这个是必然的——如果人类的数据不可规模化（scalable），我们就没有别的方式去scaling其他数据了。今天即使是所谓web scale的YouTube数据，也还是人拍的，是以人的主观意识采集的视频片段，里面物理规律有多有少，你没得选——这就是我们做“世界模型”这一大锅菜的全部食材。
第三是模型结构，本质上这是一个效率竞争。刚才聊到，我们有没有可能去做电子的模型、化学的模型？倒不是完全无可能——如果你靠人类的先进知识去建模，建一个数学公式或者仿真器，它当然可以是很好的垂类模型，但它跟AGI、跟今天讨论的通用智能，到底有多大关系？它是不是一个仿真器的重新包装、一个旧故事的升级？还是说我们真的在期待通过这种形式诞生新的智能——通过学会原子间关系，建一个模型，甚至能造出一个虚拟世界的人？我觉得这几乎是达不到的。更分子级别的模型，本质上还是在造一个仿真器。
所以我们的观点是：今天这个世界上，唯一可规模化的，只有“以人为中心”采集回来的视频—动作配对数据。它可能会在两年之内达到上亿小时，近乎摸到通用互联网数据量级的边缘。在这个边缘之下，我们总共至多只有大几千张卡的算力。我们的挑战，就是找出一个模型结构，能把这些东西全部吃下。这里的每一个节点，都是今天所缺的：前沿的研究员、有效率有野心的人、去整合资源的伙伴、把数据拉到这个量级的一场“全民运动”。
主持人：世界模型落地，需要提前考虑哪些安全和治理问题？
池晓威：机器人一定是一个更全栈的通用智能问题，不只是训一个模型。我觉得有几道关卡。
第一道关在算法层。我们最近有一篇论文叫SafeDojo，用世界模型做轨迹规划和场景全局规划的安全边界评定——训练一个足够通用的模型，告诉机器人“到这儿就不安全了”。这本质上是通过数据scaling和算法约束，去模仿人类的“安全直觉”。这是算法治理里最难攻克的一关，没有捷径可言。
比较幸运的是，机器人不只有算法问题，还有实际使用的应用边界问题。这就是比较常见的第二道关：在实际操作的工作区间、工作范围、动作行为模式上，包括“小脑”的底层控制，我们可以做各种柔顺控制，让机器人不做超出动作幅度、超出安全范围之外的动作。这一块在过去相对成熟。只不过我们期待机器人进入更多C端场景、达到人机超过1:1的大比例，这里面又有很多开放的新问题——说实话，这些问题只有回落到真实场景中，才能被收集回来。在应用和实质迭代中间，会有一段真空期。
真空期就引出了我自己认为的第三道关，也是今天人形机器人产品上远远不够完美的一关：整体的应用设计、产品设计。现在的机器人，电机、形态、长相都太“铁疙瘩”了。说个很简单的：我们能不能给这帮铁疙瘩套一个充气的、软质的外壳？起码它撞到人的时候，还有一个最基本的物理缓冲。
这三道关拼在一起，其实可以很好地解决机器人进入C端场景的基本问题。另外还有一个附加属性：世界模型带给机器人的智能化能力中很关键的一部分，是让机器人的互动性增强——它不再是冷冰冰摆在展台上做pick and place的工业机器人样品，大家远远观望；而是真正能跟机器人产生实质的交互、互动，甚至玩耍。
我个人认为，在这条路上，3到5年之内，我们会逐渐看到各类产品完成转换和落地。世界模型其实不需要完美，它只需要完成自己的一个“小世界”，就能被赋能到非常具体的产品上，转换成非常有意思的新的机械形态——或许，新的硅基生命。
主持人：（在王泽远谈到大模型安全后）池老师有什么补充？
池晓威：我想起一件很有意思的事情。我们之前专门做过一个“智械危机”的demo：让机器人跟人去抢夺一些东西，包括用腐蚀性液体做一些缸体实验。其实恰恰相反——在模型层面，机器人还真得学过这个，它才知道“我不能干这个”。