飞象原创(高靖宇/文)世界模型,已经成为今年AI行业最热闹的赛道之一。AMD宣布以约82亿美元收购李飞飞创办的World Labs,谷歌发布新一代世界模型Genie 4,百度Apollo World世界模型亮相——巨头们接连出手,一场通往物理AI的竞赛就此开启。
为什么世界模型突然成了焦点?行业里一个普遍的共识是:语言模型可以描述世界,而世界模型则是让AI理解现实世界的运行规律。理解了规律,AI才有可能真正走出屏幕、作用于物理空间。
当机器人走进仓库,面对一件从未见过的商品,伸手去取,却常抓空、碰倒、卡住。它缺的不是力气,而是对世界的“预判”——物体多重、如何滑动、碰撞后怎样反应,这正是世界模型要教会它的。但要练成这种预判,得先给它喂饱真实世界数据,而数据的紧缺,正在阻碍具身智能快速、规模化地进入现实世界。
数据荒,荒的不是量
2026年7月,李飞飞在a16z播客上说了一段后来被反复引用的话:机器人面临一个极其困难的问题,就是非常缺乏数据,无论是训练数据还是评估数据都严重不足。大语言模型只需要理解语义,但机器人必须理解物理世界“这些信息不是看到就能获取的,必须通过真实世界的物理交互才能采集。”
这句话点破了数据荒的本质。互联网上的文字、图片、视频管够,但那是“世界长什么样”的数据;机器人要的是“从这个角度、用这个力度捏下去会发生什么”的物理后果数据。前者免费,取之不尽,后者要在真实物理世界里一小时一小时地采。
真值数据采集的另一层困境是不通用。李飞飞提到,不同型号的机器人、不同的工作场景、不同的光照和物体条件,采集到的数据几乎不能互相迁移——一台机器人在A工厂学会的抓取,换到B工厂的产线上就要重新训练。
仅把大模型塞进机器人,产生不了真正的具身智能。
大模型需要怎么“投喂”?
面对这道难题,李飞飞给出的解法是Real-to-Sim-to-Real:在真实世界采集数据,构建高保真仿真环境,在仿真中大规模训练策略,再把模型部署回真实世界。
她创办的World Labs在2026年动作频频:收购仿真厂商SceniX,9月发布多模态世界模型Atlas,重心明显落在“Sim”这一环——用生成式模型批量造数据。
这当然是对的。但链条的第一环Real——用什么眼睛去真实世界里采——在行业叙事里被严重低估。喂进仿真的真实数据,如果本身是脏的、有视差的、有时差的、在玻璃和金属表面是空洞的,那么Sim-to-Real的鸿沟只会越填越宽。
为什么是现在这个节点暴露问题?因为VLA模型把视觉输入的瓶颈放大了。Google的RT-2、Physical Intelligence的π0,这些端到端模型把视觉、语言、动作焊在一起。模型越强,对输入端数据质量越敏感——稀疏的、有延迟的、有对齐误差的点云,会让再强的模型也只能在“失真世界”里做推理。
用“眼睛”还原真世界
如何让机器人“看得清”“看得准”?目前,主流厂商习惯用“组合拳”,远距离,交给激光雷达类传感器。以dToF为核心,配合CMOS与IMU,主打长距建图与定位导航。主流产品最远测距70米,稳定精度达厘米级,机器人靠它做全局避障;近距离,交给高精度深度相机。以散斑结构光或iToF与IMU一体化集成,专注机械臂末端的高精度操作。在8米范围内实现±5mm的稳定感知,机器人靠它“看”清细节。
这是工程上最成熟的组合拳,但从原理上绕不开三个死穴:
视差。多个传感器物理位置不同,看到的角度不同,后端融合必有对齐误差。
时差。深度相机约10Hz,激光雷达约15Hz,RGB相机20到30Hz。帧频、时间戳、空间定位都不一样;对高速运动物体,这个差就是失控的距离。
材质盲区。高反光金属、透明玻璃、亮面薄膜,光要么穿透要么镜面反射,传统算法拿到的点云是残缺的,甚至完全空白。
这三个问题不是算法不够好,是“先成像、后计算”这条路线自带的物理缺陷,装得越多,割裂越深,模型需要花大量成本去做对齐、做融合,行业需要找到更优解。
结语:
世界模型的竞赛,最终要在真实世界里兑现。当巨头们在算力与参数上短兵相接,一个更底层的变量正在浮出水面——数据荒的解法,或许不在算法,而在传感器;物理AI的比拼,或许比的是谁先让机器“看懂”真实世界。这条路还很长,但方向已经清晰。







