生数科技骆怡航：从理解语言到理解世界，通用世界模型开启AI发展新主线

过去几年，大语言模型推动人工智能完成了一次重要跃迁。

机器从理解和生成文本，逐步走向深度推理、工具调用和自主执行。但当 AI 进一步进入视频、游戏、机器人和自动驾驶等动态场景，仅仅理解语言已经不够。

现实世界不是由文字组成的静态知识库，而是一个持续变化的复杂系统。智能体不仅需要识别「正在发生什么」，还要预测「接下来会发生什么」，判断「某个行动会带来什么结果」，并根据环境反馈不断调整决策。

从理解语言到理解世界，正在成为人工智能下一阶段的重要能力跃迁。

7 月 19 日，WAIC 2026 启明创投·创业与投资论坛正式举行。作为大会期间聚焦科技创业与产业投资的重磅论坛，本次活动汇聚顶尖学者、领军创业者及投资机构代表，从创新创业视角出发，共同探讨 AI 如何从算力基础设施与底层技术创新，走向真实场景落地，并形成规模化、可持续的产业价值。

生数科技联合创始人、首席执行官骆怡航以「通用世界模型：打通虚实边界，筑基物理智能」为主题，分享了生数科技对通用世界模型的长期判断与技术实践。

世界模型：让 AI 从解读信息，走向参与真实世界

世界模型并不是一个全新的概念，但随着视频生成、多模态模型和具身智能快速发展，它正在从学术研究走向产业中心。在骆怡航看来，语言模型主要处理人与语言、知识和信息之间的关系，而世界模型面向的，是智能体与整个世界的交互。

他指出，人类智能并不只体现在语言处理上，人脑中大量区域都在参与视觉感知、行动规划和决策。这种智能的核心，是对物理世界的感知，以及基于环境变化作出动作决策。

「如果只依靠大语言模型理解世界，相当于只使用了人类智能中很小的一部分。大模型时代，还需要一个达到 LLM 范式级别的世界模型。」

视频模型需要理解人物和物体如何运动，机器人需要预测一个动作可能产生的结果，自动驾驶系统则需要在复杂环境中持续感知和实时决策。不同场景背后，依赖的是相似的底层能力：感知环境、预测变化并采取行动。

因此，世界模型并不等同于视频生成、三维重建或机器人控制中的某一项单点技术。一个完整的世界模型，需要形成持续运行的动态闭环。

感知、预测和行动不是三个彼此割裂的模块，而应当建立在统一的世界表征之上。模型不仅要知道世界是什么样，还要理解世界如何变化，以及行动如何改变世界。

走向通用化：世界模型规模化落地的必经之路

当前，不少世界模型仍围绕家庭机器人、工业操作、自动驾驶等特定场景构建。但如果一种机器人、一个场景就需要训练一套模型，数据采集、训练和部署成本将难以规模化。

大语言模型带给行业的重要启示，是先通过大规模预训练建立通用能力，再迁移到不同任务和场景。世界模型也需要经历类似的演进。

它需要从海量视觉和交互数据中学习空间结构、运动规律、因果关系和行动逻辑，再将这些能力迁移到不同数字内容、机器人本体和现实任务中。

「世界模型不仅要形成感知、预测与行动的闭环，还要像语言模型一样，足够通用、足够泛化。」

不同智能体可以拥有不同形态，数字世界与物理世界也有不同的输出方式，但驱动它们运行的底层智能，应当是统一的。世界模型真正的竞争，不只是谁能在单项任务中取得更高成功率，更在于谁能建立具有规模效应、迁移能力和智能涌现潜力的通用基础模型。

视频，正在成为理解世界的重要入口

构建世界模型，首先需要让 AI 看到并理解世界。文字是对现实的抽象表达，图像呈现的是某一时刻的状态，而视频则连续记录了世界如何发生变化。人物如何行动、物体如何受力、空间如何变化、一个行为如何引发后续结果，这些信息都蕴含在连续画面之中。

当视频模型预测下一帧画面时，它学习的不只是像素生成，也是在学习世界状态之间的转换关系。因此，视频模型的价值正在超越内容生产本身。它对时空结构、运动规律和物理一致性的建模能力，也在成为世界模型的重要基础。

在此基础上，世界模型还需要进一步吸收仿真数据、第一人称数据、人类操作数据和机器人真机数据，将对世界的理解转化为真实行动。生数科技由此构建统一的通用世界模型基座：先建立对世界的理解和预测能力，再面向数字与物理两个空间进行不同解码。

一体两翼：同一通用基座，驱动数字生成与物理行动

围绕统一的世界模型基座，生数科技形成了覆盖世界生成、实时交互和世界行动的产品体系。

Vidu Q 系列面向数字内容生成，持续提升模型对人物、场景、运动和物理规律的理解与预测能力，并增加内容创意和想象演绎能力；Vidu S 系列推动视频从离线生成走向实时、连续交互，解锁人在物理空间与数字内容进行实时互动的场景，比如陪伴、互动、游戏等；Motubrain 则面向物理世界，将模型对环境和任务的理解转化为机器人动作，实现物理世界中的实时交互。

三条产品路线面向不同场景，但背后共享的是对时空、因果和行动的统一建模能力。这也意味着，视频生成和具身智能并不是两条彼此独立的技术路线。

「数字世界和物理世界的 Agent 可以千差万别，但它们背后的智能应该是通用的、泛化的、统一的。」

在数字世界，世界模型可以推动视频、游戏和虚拟角色从静态内容，走向实时、连续、可交互的动态环境；在物理世界，它则可以推动机器人摆脱固定指令和预设流程，升级为能够理解目标、自主规划，并适应环境变化的智能体。

无论是虚拟角色、游戏智能体和内容 Agent，还是现实环境中的机器人，都需要理解所处环境、持续更新状态，并根据反馈作出决策。区别在于，前者将这种认知转化为内容生成与实时交互，后者则进一步将其转化为对行动结果的预测和可执行的物理动作。

它们最终指向的是同一个核心问题：机器如何建立对世界的认知，并基于这种认知完成生成、交互与行动。

从生成世界，到行动于世界

大语言模型让机器开始理解和使用语言，视频生成模型让机器具备视觉创作能力，而通用世界模型所要推动的，是让机器进一步理解世界、预测世界并行动于世界。

在骆怡航看来，未来不同形态的机器人，都将成为物理世界中的 Agent，像数字世界中的 Agent 一样实现自主规划与执行。而实现这一目标，真正的破局点仍然是模型。

「通用世界模型是物理智能最具潜力的技术路径。未来，数字世界和物理世界的 Agent 会是多样化的，但它们背后的智能是通用的——像人一样交流，像人一样创意，也像人一样行动。」

从处理信息，到理解变化；从生成内容，到作出行动，人工智能正在进入一个新的发展阶段。而通用世界模型，正是连接数字智能与物理智能、推动 AI 真正进入现实世界的关键基础设施。