近年来，Decision-Coupled World Model 与 Model-based RL 在机器人领域取得了显著成功。通过学习环境动力学模型，智能体能够在内部模拟未来，从而进行规划与决策。但当系统从单机器人扩展到多机器人时，问题开始变得棘手。
还得是咱国产世界模型牛！
在具身智能领域，机器人操作的泛化能力一直是一个核心挑战。当前，视觉 - 语言 - 动作（VLA）模型主要分为两大范式：端到端模型与分层模型。端到端 VLA 模型（如 RT-2 [1], OpenVLA [2]）严重依赖海量的 “指令 - 视觉 - 动作” 成对数据，获取成本极高，导致其在面对新任务或新场景时零样本泛化能力受限。
当世界模型越来越大，真正制约它走向「内部模拟器」的，未必是表征能力，而可能是动力学建模。
近期，利用视频生成模型为机器人构建 “世界模型”，已成为具身智能领域的热门技术路线。给定当前观测和自然语言指令，这类模型能够先 “想象” 出未来的视觉轨迹，再由逆动力学模型（IDM）将生成画面解码为机器人动作，从而形成 “先预测、后执行” 的解耦式规划范式。由于兼具较强的可解释性与开放场景泛化潜力，这一路线正在受到学术界和工业界的广泛关注。
在会上，昆仑万维旗下天工 AI 重磅发布了全新 AI 游戏世界模型 Matrix-Game 3.0、AI 视频大模型 SkyReels V4 和 AI 音乐大模型 Mureka V9，在继续强化 AIGC 理解与生成能力的同时，进一步推进 AI 对物理世界的建模与仿真。
从「被动感知」到「主动预测」，首个视触觉世界模型让机器人真正学会「理解接触」。
近期，围绕「世界模型」这一方向，有两项工作受到较多关注。
LeCun世界模型最新进展，开源了一套极简训练方案，单GPU就能跑。
近日，影溯正式发布并开源世界模型 InSpatio-World，综合性能优异，在李飞飞牵头的权威世界模型榜单 WorldScore-Dynamic 中，力压其他实时 / 交互级推理速度的世界模型。它彻底摒弃了烧钱低效的纯 2D 视频路径，凭借更具第一性原理的 3D 空间架构，带来了可实时交互的动态世界。
