2025-09-19 世界模型，一定是人形机器人的终局

作者：天南    出品：天南AI茶馆

如果说人形机器人有终局，那在这条路上一定无法绕过世界模型。

那有些人有疑问了：在自动驾驶里面，前几年也没世界模型，不也是跑的好好的。

是呀，世界模型对于自驾而言，是锦上添花而非雪中送炭。因为，自驾领域太过于垂直和封闭场景了（相比于人形机器人而言）。

特斯拉的FSD示意图↑

你想啊，路都是长那个样子，车辆和行人也差不多，要处理的情况虽然比较复杂，但依然在一个可控的范围内。

所以前面几年，即使没有世界模型提供的知识和能力，但没关系呀。

在国内低成本人力这么发达的地方，只要花一些小钱，开着路测车全国犄角旮旯跑起来就好了，收集到的大量数据足够用了。

但这套思路放到人形机器人上，是真的行不通了，有太多的限制（我们以后文章具体说），而解决问题的终局思路就是：世界模型。

这不李飞飞带着她最新的模型大步来了。

李飞飞，她是AI届的大佬，当时天南在交大读书的时候去追星，报告厅人山人海。她项目组的博士后，卢策吾教授就是目前穹彻智能的CEO。

李飞飞的创业公司叫world Lab↑

她在23年就坚定地认为世界模型一定是3D人类世界的终极解决方案，所以这两年一直做这块的研究。

昨天也是发布了他们团队最新的成果，我看完，真的是惊掉了。比之前提到的Genie3的物理规律和画面精致度、以及记忆功能，都要惊艳很多。

而今天，我们就来最通俗的话，来看下这篇工作工作的神奇之处，然后再看下后续如何怎么和人形机器人结合起来。老规矩重点红字认真读。

01

李飞飞关于今天世界模型的推文，非常的赞叹↑

从他们最新的推文可以看到，你只需要提供一张图像或者一段提示句子，就可以生成一段非常连续的真3D世界。

而这个3D世界生成后就会被固定下来，不会出现之前视频生成模型出来的抖动、一致性变差等问题。

你可以随心所欲的在这里面探索。

李飞飞世界模型的效果展示↑

先别管技术原理怎么实现的，我们这次只要知道她和谷歌的Genie3的区别是啥就可以了。

Genie3是一个视频生成模型，其实本质上还是2D视频流，是一个假的3D世界。

而Marble模型是一个完整且真实的3D世界，可以被抽取出3D文件进行本地化。

而我们人类的世界，也是3D世界，机器人要操作的世界也是3D世界。

这样就形成了一个非常完美的契合过程。

02

而为什么要和机器人结合起来？ 以及怎么结合起来呢？本质上还是因为数据，人形机器人的数据太缺少了。不管你去看特斯拉、还是FigureAI的商业计划，都无数次地提到算力和数据。谁能够在这个数据攻克过程中，领先对手半年，谁就能够拿下人形机器人智能化量产的最关键一环。而数据中最关键的一环，就是世界模型如何和机器人结合起来。有两种方式：一种是real2real + WA（真实输入->真实动作输出 + 世界知识 ）。

直接采用VLM这种模型给动作模型来做辅助参考，有点想你在机器人大脑上插了一个接口，通过这个外挂接口告诉他世界知识。这种有点像你走路的时候，你妈一直在旁边提醒你注意周围环境，是一个即时性的知识输入。另外一种就是real2sim2real（真实输入->世界知识仿真训练->真实动作输出）。

拿机器人的数据在世界模型微调，然后在最新的世界模型里面进行机器人的仿真训练，世界知识就内化在机器人里面。这种就像是你有一个平行空间，人间1天里面3年，机器人在里面模拟了所有能见到的情况，出来就是王炸。可以说是，一旦有了世界模型，机器人不单单会一项任务，会容易理解这个世界，泛化到千千万万的任务上。到了那一天，机器人走进你家我家，也就变得真实起来。