“工业级自动驾驶系统训练需要约100万小时视频数据，而具身操作需要刻画更复杂的接触式物理规律，至少需要1000万小时合格数据。”7月17日，在2026WAIC主论坛现场，它石智航创始人兼CEO陈亦伦表示。
在陈亦伦看来，具身智能领域世界模型的核心定义是：能够高频联合预测动作与世界状态的人工智能模型。他指出，当前行业流行的VLA（视觉-语言-动作）模型仅能输出机器人的下一步动作，而世界模型不仅要输出动作，还要预测动作引发的世界状态变化，以及判断变化结果是否符合预期，完整覆盖强化学习“状态-动作-奖励”三要素，是比VLA更完备的技术框架，能够结合监督学习与强化学习提升物理交互任务的完成率与稳定性。（澎湃）