當LeCun還在「畫餅」，中國AI大牛領先李飛飛一步把世界模型開源了

新智元報道

編輯：艾倫 定慧

【新智元導讀】具身智能如何突破「遙操作」的數據桎梏？商湯聯合創始人王曉剛領銜的大曉機器人，交出顛覆性答卷——發布全球首個開源商業落地世界模型「開悟3.0」。

在通往AGI的狂歡中，圖靈獎得主Yann LeCun卻一直像個執著的「反叛者」。

他不止一次給大語言模型（LLM）潑冷水，直言靠預測下一個字符的概率游戲，永遠無法觸及真正的智能。

他眼中的未來，屬于「世界模型」。

直到李飛飛團隊World Labs發布的Marble，當大家親眼看到那個可以生成、互動且符合邏輯的3D虛擬世界時，LeCun描繪的圖景才終于具象化了。

為什么實現AGI需要世界模型

為什么我們如此迫切地需要世界模型？

因為基于大語言模型的AI在物理世界里，是個嚴重的「偏科生」。

現實數據的采集太苦、太慢了！

教會機器人認識一件紅衣服，換成綠色的它可能就「懵」了；

更別提那些極端場景——我們總不能為了訓練自動駕駛，真去撞毀一千輛車吧？（還有更多低概率的corner case）

于是，一場圍繞物理世界的「數字重構」悄然打響，并分化出三大戰場：

• 游戲VR虛擬世界生成：以李飛飛的Marble為代表；
• 自動駕駛：以特斯拉FSD為代表；
• 具身智能：這是當下最火的方向，也是下個十年的AI的重心。

而第三個戰場——具身智能，則是目前最難啃的「硬骨頭」。

這個領域正撞上一堵看似不可逾越的「數據墻」。

長期以來，行業被迫依賴「遙操作」——讓人類穿戴設備手把手教機器人。

這種方式不僅效率低、成本高，更致命的是泛化性極差。

而在嘗試用AI生成數據時，又會掉進另一個深坑：物理因果一致性。

以往的模型生成的視頻，往往只是「看起來像」。

但在機器人眼里，杯子憑空懸浮、水流違背重力，這些缺乏物理常識的畫面不僅無用，甚至是毒藥。

如何讓AI生成的世界既逼真又符合物理定律？

這成了阻擋AGI降臨現實的最大路障。

而一家剛剛成立的公司大曉機器人，率先突圍，交出了一份顛覆性的答卷——開悟世界模型3.0。

開悟3.0是一種全新范式的確立：多模態理解-生成-預測一體化。

與傳統大模型「看圖說話」的淺層邏輯不同，開悟3.0擁有極強的物理感知力。

它不僅能輸入文字、圖片、視頻，更能直接輸入力學信息與3D軌跡。

大曉的破局

我們有幸直接采訪到了商湯聯合創始人、執行董事，大曉機器人董事長王曉剛先生。

他畢業于中科大少年班，接著取得香港中文大學的碩士學位和MIT的計算機博士學位。

大曉機器人董事長 王曉剛

他的論文被引數已超過14萬，也是中國的AI學術領軍人物之一。

能力越大，責任越大。目前，王曉剛同時擔任香港中文大學教授、商湯科技聯合創始人、執行董事，以及最新也是最重要的身份：大曉機器人董事長。

具身智能不能依賴「遙操作」

在我們與王曉剛的深度對談中，他拋出了一個令行業深思的觀點：

如果具身智能繼續依賴「遙操作」，那我們實際上是倒退回了AI1.0時代。

目前的機器人訓練場上，最常見的畫面是：一個穿戴著VR設備和動作捕捉服的人類，「附身」在機器人身上，笨拙地教它疊衣服、拿蘋果。

這種被稱為「遙操作」的方法，本質上還是「有多少人工，就有多少智能」。

它是線性的、昂貴的，且極度缺乏泛化能力。

王曉剛在采訪中一針見血地指出：

你不可能為了教機器人做飯，讓幾百萬人都穿上動捕服去炒菜。

大曉的核心競爭力，在于它率先試圖終結這種「提線木偶」式的訓練邏輯。

他們提出了一套名為「環境式數據采集」的新范式。

大曉不強求「手把手」教機器人，而是讓AI像人類嬰兒一樣，通過「觀察」來學習。

利用第一視角（如AR眼鏡）和第三視角（環境攝像頭）采集的數據同時生成海量的運動軌跡，配合他們引以為傲的視覺算法，直接從人類的日常行為中提取「操作邏輯」。

這意味著，當AI看了一萬遍人類廚師顛勺的各個角度視頻后，它學到的不再只是像素的移動，而是手腕發力的角度、鍋鏟與鍋底摩擦的力反饋，以及火焰與食材互動的物理節奏。

開悟3.0：世界第一梯隊的世界模型

如果說環境式數采解決了「看」的問題，那么大曉即將發布的開悟3.0，則解決了「想」的問題。

在采訪中，王曉剛并沒有使用晦澀的術語堆砌，而是用一種近乎哲學的視角，拆解了這個被其稱為「全球首個開源且商業落地的世界模型」背后的技術野心。

Puffin：當AI學會「與相機共思」

「傳統的視頻生成模型，其實是“盲”的。」王曉剛拿起桌上的礦泉水瓶，向我們演示，「AI看到這個瓶子，但它不知道自己是站著看、蹲著看，還是倒立著看。它只是在機械地預測下一幀的像素。」

這種視角的缺失，導致了一個致命問題：空間感的崩塌。

為了解決這個痛點，大曉聯合南洋理工大學等機構，祭出了一項名為Puffin的殺手锏技術。

這項技術的核心理念極其浪漫——「與相機共思」。

論文地址：https://arxiv.org/abs/2510.08673

Puffin把「相機的位姿」變成了一種語言。

在它的眼里，光圈、焦距、拍攝角度，和「一只貓」、「一個蘋果」一樣，都是可以被理解和生成的Token。

「當你給Puffin一張照片，它不僅能看懂照片里有什么，還能像福爾摩斯一樣，反推出拍攝者當時站在哪里、相機是怎么運動的。」王曉剛解釋道，「這意味著，機器人不再是被動地接收畫面，而是能主動“腦補”出——如果我往左走一步，我會看到什么。」

這種能力讓具身智能第一次擁有了「預演」的能力。

在真正伸出機械臂去抓那個易碎的玻璃杯之前，機器人已經在腦海中不僅模擬了抓取的動作，還模擬了攝像頭在移動過程中看到的光影變化。

WorldMEM：打破「金魚記憶」的魔咒

除了空間感，具身智能面臨的另一大夢魘是「時間」。

現有的視頻生成模型，往往有著嚴重的「健忘癥」。

生成的視頻超過幾秒鐘，畫面就會開始崩壞：背景里的房子突然消失，或是人物的衣服顏色變來變去。

「想象一下，機器人要幫你整理房間。」王曉剛舉了一個非常生活化的例子，「它把一本書放進書架的第二層，然后轉身去收拾桌子。十分鐘后，當它再轉回來時，那本書必須還在那里，不能憑空消失，也不能變成一只貓。」

這看似簡單的「物體恒常性」，對AI來說卻是巨大的挑戰。

因為隨著時間的推移，計算量會呈指數級爆炸，AI只能被迫「遺忘」。

為了打破這個魔咒，大曉引入了WorldMEM架構，并采用了創新的線性注意力機制。

論文地址：https://arxiv.org/abs/2504.12369

這就像是給機器人裝上了一個「無限容量」的記事本。

通過線性復雜度算法，大曉將計算成本從Transformer架構的指數級降到了線性級。

「我們不僅讓機器人“記得住”，還讓它知道“記什么”。」王曉剛補充道，這種基于任務導向的長時記憶，讓開悟3.0能夠生成長達數分鐘、甚至更長時間的連貫交互視頻。

這一能力被具象化為一組震撼的參數：支持生成1080P高清視頻、支持長時交互、甚至可以在動/靜態場景下實現精細可控的自由編輯。

大曉生成的不僅僅是視頻，而是一個可以被反復推演、試錯的平行時空。

對標全球：除了造景，更需要交互

當被問及與李飛飛團隊的World Labs有何不同時，王曉剛展現出了技術派特有的自信。

「World Labs發布的Marble，更多是在生成一個靜態的、唯美的3D場景，像是一個精美的游戲建模。」王曉剛分析道，「但世界是動態的。你推一下椅子，椅子會倒；你打開冰箱，燈會亮。這種動態的物理交互，才是具身智能的剛需。」

開悟3.0采用了一種獨特的「多模態理解-生成-預測」一體化架構。

它不僅把靜態的物體（如桌子）和動態的物體（如行人）分離開來，還能直接輸入力學信息。

「未來的機器人，要有直覺。」王曉剛說道，「它看到一個玻璃杯，不需要摸就知道它是滑的、易碎的；看到一個啞鈴，就知道它是重的。這種物理常識的涌現，只能來自于對真實物理世界的深度模擬。」

在這個意義上，開悟3.0不僅是一個造夢機器，更是一個嚴謹的物理模擬器。

它讓機器人在虛擬世界中經歷了成千上萬次的「摔打」，從而換來現實世界中的一次精準操作。

軟硬一體的「陽謀」

為什么王曉剛要做「大曉機器人」這樣一家獨立的實體？

這背后藏著王曉剛對AI未來的終極判斷：當互聯網數據枯竭時，物理世界是唯一的礦藏。

純粹的軟件公司（如OpenAI）就像「缸中之腦」，雖然智商超群，但沒有觸覺，不懂輕重；

純粹的硬件公司雖然四肢發達，但缺乏通用的認知能力，往往淪為昂貴的玩具。

大曉的成立，就是為了打破這層次元壁。

他們不僅僅是在做算法，更是在通過自研的「具身超級大腦模組」和四足/通用機器人，去親自丈量物理世界的摩擦力、重力和反作用力。

這種「軟硬一體」并非簡單的堆砌，而是一種深度的數據閉環：

• 環境數據引擎：負責「看」（采集）；
• 開悟3.0：負責「想」（模擬）；
• 機器人本體：負責「做」（驗證）。

這一閉環一旦跑通，大曉就擁有了類似特斯拉那樣的「飛輪效應」——機器人用得越多，物理常識越豐富；物理常識越豐富，機器人越好用。

正如王曉剛所言：

未來的機器人，不僅要有聰明的大腦，還要有有趣的靈魂。

而這個靈魂，只能誕生于真實世界泥濘的道路上，而不是涼爽的機房里。

世界模型的「DeepSeek」

在通往具身智能終極形態的征途上，大曉選擇了一條更為艱難、但也更為寬廣的道路。

當全球科技巨頭傾向于構筑技術壁壘時，大曉堅定地高舉起開源的旗幟，做出了最具魄力的回應。

開悟3.0的開源，不僅僅是大曉技術自信的體現，更是一場構筑全球具身智能生態的「陽謀」。

正如DeepSeek在大語言模型領域掀起的開源風暴，大曉正立志成為世界模型領域的DeepSeek，打破閉源神話，將最頂尖的物理智能能力賦予全球開發者。

在這場物理世界的智慧革命中，大曉不僅是破局者，更是連接者，與全行業共創具身智能落地的輝煌未來。

大千世界，曉識萬象。

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！