世界模型离通用还有多远？生数科技给出五级路线图

（TechPulse 报道）通用世界模型的形态在AI圈尚无定论：视频生成公司视其为模拟器，机器人公司视其为决策大脑，自动驾驶玩家也纷纷押注。在8月19日世界机器人大会的一场分论坛上，生数科技创始人兼首席科学家朱军给出了自己的答案：他将通用世界模型划分为五个层级，生数科技的研发与落地已覆盖至第三级。

朱军从第一性原理出发，以人学骑车、开车为例，说明大脑在与外部世界互动中逐渐建立内部模型。他认为，通用世界模型需具备三项相互关联的能力：理解世界（看懂环境、判断状态）、预测未来（预判后续发展及不同动作的结果）、采取行动（影响环境并用真实反馈修正理解与预测）。他强调，这不是单一生成器、模拟器或策略模型的简单串联，而是闭环反馈系统。

数据方面，他提出多层金字塔：底层是海量网络视频，向上依次是领域视频、第一视角人类视频和带动作记录的人类示范，塔尖是真实机器人交互数据，越往上越稀缺、成本越高。架构上，生数科技采用MoT（Mixture-of-Transformers），不同模态各有专属参数，通过共享注意力实现跨模态交互，使环境理解、状态预测和动作生成在同一模型中运行。基于此，世界动作模型Motubrain实现了理解、预测与行动的集成。

朱军给出五级路线图：L1世界生成，模型学会生成连贯世界演化视频；L2与世界交互，模型可接收实时输入并持续互动；L3在世界中行动，模型进入物理世界，统一环境理解、预测和动作生成，输出可执行动作；L4自主世界智能体，围绕长期目标主动感知、拆解任务、探索新状态；L5世界组织者，调度机器人、数字智能体、人和工具，实现多智能体协作。生数科技目前实践聚焦于前三层。

生数科技数据显示，Motubrain推理速度比Motus快约10倍，换机器人本体仅需50-100条人类示范即可适配，在RoboTwin 2.0基准测试中以96.1分居首，已在银河通用、星尘智能、千寻智能等近十种本体上验证通过。但距高阶智能仍远，视频模型生成质量、时空一致性有待提升，世界动作模型在复杂开放环境中的稳定性、泛化能力、执行效率也需优化。

对于L4与L5，朱军指出六项关键挑战：建立联合评测体系、学习真实物理规律（接触、摩擦、作用力等）、形成持久可修订记忆、通过真实交互实现在线学习与自我进化、满足现实延迟与资源约束的高效闭环部署、以及安全性与可控性。他认为，当理解、预测与行动真正形成闭环，世界模型将成为连接数字与物理世界、迈向通用具身智能的重要基础。