7月17日下午，在世界人工智能大会（WAIC 2026）主论坛“从虚拟到现实：世界模型如何驱动具身智能”讨论环节，智元合伙人、高级副总裁、具身业务部总裁、觅蜂科技董事长兼CEO姚卯青表示，世界模型的本质是“能够理解物理世界运行规律的 AI 系统”，其中最重要的功能是能够预测世界的下一步状态。因此世界模型需要掌握三项关键能力：一是多模态融合理解能力，能理解环境的变化；二是掌握物理规律，包括动力学及时空理解；三是因果推理，具备长程推理而不崩坏的能力。
“今年世界模型虽然火爆，但大部分工作仍停留在视觉生成层面，主要基于视频生成类预训练模型做后训练。”姚卯青直指当前世界模型训练中存在的两大问题。
一是数据类型的错配。互联网视频的数据分布与机器人真正需要的物理世界数据存在本质差异——互联网内容很多是娱乐性甚至反物理规律的，比如人也可以飞起来，而机器人需要的是接触丰富、包含推拉拧拽等动作、涵盖柔性物体、摩擦力、流体等多样物理交互的真实数据，这些既在互联网上稀缺，也难以通过现有物理引擎模拟。
二是数据规模的不足。他以大语言模型为参照：国际领先团队的预训练数据已达 100 万亿 Token，等效约 100 亿小时的说话量；而语言作为信息密度高、噪声低的系统尚且需要如此规模，物理世界数据的信息密度远低于文本，要实现更高阶的物理常识判断，可能需要达到”亿小时”量级的真实世界数据。（硬AI）
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。