螞蟻靈波，第一次讓我對世界模型的感受具象化了

和身邊投資人、創業者朋友聊，AI圈近幾年，每年都有能擾動所有人注意力的大詞：

23年是大模型，24年是具身智能，25年是Agent……

那么26年的關鍵詞的是什么呢？

一個很高頻提及的，是世界模型。

就在今天1月29日，螞蟻集團旗下的具身智能公司靈波科技，發布了世界模型 LingBot-World，并且全面開源。

https://technology.robbyant.com/lingbot-world

過去兩年的視頻生成模型，大體還停留在抽卡式影像拼接，但這次，更像是給 AI 安裝了一個可以長期運轉、能被人實時操控、還能記住世界狀態的「數字宇宙引擎」。

給大家看一下真實的部署后的效果：

比當時讓人感慨「物理學不存在了」的Sora，更進了一步。

它不只能生成好看的視頻，還嘗試回答一個更大的問題：AI 能不能在一個持續存在、可交互、符合物理直覺的世界里長期演化。

我只覺得，這次開源，如果理解為一個新模型發布就太小了，至少為很多AI團隊26年的發展方向指了條路——

把世界模型從論文概念，推進到工程可復現、社區可參與、產業可落地的階段。

在視頻保真度、動態幅度、長時一致性、實時交互能力上，LingBot-World整體水位，已經不亞于Google Genie 3這一代閉源世界模型。

但它直接開源了權重和推理代碼，比去年DeepSeek R1的開源還要徹底。

似乎，很多行業都要因此改變了：具身智能、自動駕駛、游戲開發，都將擁有一個高保真、可控、低成本試錯的數字演練場和新的AI引擎。

生成的一幀一幀畫面，第一次看到的時候，真的很震撼……

而完整的視頻呈現，則是進一步把現實空間和物理場景，還原到了一個近乎超越真實的程度。

長記憶、廣視角、高連續的視覺呈現，是靈波給我帶來的第一個驚喜。

像故宮這種宏大場景，非常豐富的建筑群，在連續性和一致性上都達到了很高的水準。

01. 從生成視頻到模擬世界：范式真的變了

靈波這次開源的技術路線，從關鍵數據的獲取到處理，再到建模、計算和訓練，都和之前的視頻模型及世界模型有很大不同。

世界模型最難的不是網絡結構，是數據。

普通網絡視頻無法提供“動作—環境變化”對齊信號，而這卻正是世界模型必須學習的因果。

LingBot-World構建了一套混合數據引擎：

一部分來自清洗后的真實視頻，提供視覺多樣性；

一部分來自游戲錄制，嚴格對齊用戶操作、相機位姿和畫面；

還有一部分來自 Unreal Engine 合成管線，直接導出無 UI 干擾的純凈畫面和精確相機參數。

更關鍵的是他們設計了分層語義標注體系：

敘事級 caption、場景靜態 caption、時間密集 caption 三層描述，把“環境是什么”和“鏡頭/動作發生了什么”解耦。

這種標注方式的本質，是在幫模型區分“世界狀態”和“觀察方式”，這對學習穩定世界表征極其重要。

可以說，這套數據引擎不只是為 LingBot-World 服務，而是為未來所有開源世界模型提供了一個可參考的工業級范式。

過去的視頻大模型，很大程度上還是統計和概率：根據像素時序分布去猜下一幀長什么樣。

這類模型擅長做短視頻、情緒氛圍、鏡頭語言，但一旦時間拉長，問題就會暴露——角色換臉、建筑變形、物體消失、空間拓撲錯亂，都屬于典型的長時漂移（long-term drift）。

LingBot-World試圖跨過這道坎，它開始不再把任務定義為“生成一段視頻”，而去學習一個世界狀態在動作驅動下如何演進。

論文中把問題形式化為：在已有歷史畫面和動作序列的條件下，預測未來一段時間的世界狀態分布。

這種建模方式，在我看來已經超出了視覺生成的范疇，轉向了“環境動力學建模”。

這種差異尤其關鍵。

因為一旦模型真的學到“動作 → 世界變化”的因果關系，它就不只是內容生成工具，變成了可被智能體利用的模擬器。

對機器人來說，它可以在這里先“想象”一條路徑再去現實執行；

對自動駕駛來說，它可以在虛擬世界里經歷極端長尾場景；

對游戲來說，它意味著開放世界不再依賴手工腳本，而可以實時生成、實時響應。

更重要的是，這種世界建模天然要求記憶能力。

LingBot-World 展示了一個非常具有象征意義的能力：鏡頭移開一個房子60秒，再轉回來，那個房子還在，結構一致，位置合理。

不管是高速運動視角、俯拍還是仰拍，相關景象、物體始終出現在物理合理的位置。

游戲場景的迅速切換、形態及動作變化，很真實自然。

這說明模型內部已經形成了一種隱式的空間記憶和狀態延續的能力，已經不是只盯著當前畫面做局部預測。

這也是給我的第二個驚喜——對物理世界的還原，尤其運動狀態或者游戲建模，非常遵循物理規律，而且能把復雜動態處理好。

02. 10分鐘無損長視頻：世界模型真正的門檻

長視頻穩定生成不是錦上添花，是世界模型是否可用的生死線。

因為任何真實任務，比如找路、搬運、探索，比如物流、交通，都不是 5 秒鐘能完成的。

LingBot-World 通過多階段訓練和并行化推理，把連續穩定生成時間推進到了接近 10 分鐘，并且在長時間鏡頭切換后，場景結構仍能維持一致。

以此來看，模型開始具備長程任務承載能力，不再只是短時視覺玩具。

論文里有一個很關鍵的訓練策略：逐步拉長視頻時長的課程學習（curriculum learning）。

從原始數據，到視頻片段，再到最終數據和敘事結構。

模型會先在 5 秒視頻上建立基本視頻先驗，再逐步擴展到 60 秒甚至更長序列，讓它在高噪聲階段更多關注全局結構，從而減少長時漂移。

先學畫面，再學世界，分階段演化，把一個視頻生成模型，一步步馴化成了世界模擬器，感覺還是很有創意的。

同時，LingBot-World采用了 MoE（Mixture of Experts）結構，把擴散過程拆成高噪聲專家和低噪聲專家：

前者負責世界整體布局，后者負責細節打磨。

既保持了高分辨率視頻能力，又讓長程結構更穩定。

看這個結構設計，靈波團隊沒有說是全盤推倒重來，是在現有視頻大模型技術棧上，做了有針對性的世界化改造。

看實際效果，各種細節也可圈可點。

03. 真正可玩：實時交互 + 文本觸發世界事件

如果只有長視頻，沒有實時性，它仍然只是離線渲染器。

LingBot-World另一個跨越式進展是：在約 16 FPS 吞吐下，把端到端交互延遲壓到 1 秒以內。

也就是說，用戶按下鍵盤，畫面幾乎立刻響應，已經接近可玩體驗的門檻。

技術上，他們做了兩件關鍵的事：

一是把雙向擴散模型蒸餾成因果自回歸結構，用 block causal attention 保留局部雙向信息，同時滿足全局時間因果；

二是通過 few-step distillation，把原本多步采樣壓縮成少步推理，才能實現準實時生成。

這個階段的訓練，本質是在把“畫質優先的老師模型”壓縮成“速度優先但邏輯仍在的學生模型”。

更有意思的是文本觸發世界事件能力。

用戶可以輸入“下雪”“夜晚”“像素風”“煙花”等提示，世界會在保持幾何結構一致的前提下發生風格或物理狀態變化。

上一代世界模型，更多是簡單的風格遷移，但是靈波這次，是在一個持續世界狀態上施加條件干預。

從應用角度看，這就是未來數字孿生和訓練環境構造的核心能力：人可以系統性地改變環境變量，不用重新生成一段無關視頻。

終于開始有了可以實時編輯、互動、修改變量的能力。

04. 開源的真正重量：不是模型，而是生態位

還有幾個讓我印象很深的亮點：

首先是動態離屏記憶，使模型能維持對視野外物體的持久性記憶，確保其在未被觀察時仍能自然演進；

其次是探索生成邊界，通過極高的時空相干性，支持生成超長且畫質穩定的高保真環境；

最后是具身物理約束，模型能夠遵循真實的碰撞動力學和空間邏輯，防止物體穿模或忽略物理屏障，從而生成符合物理規律的真實畫面。

基于這些持續涌現，不斷演化的特質，一個世界模型生態的雛形已經出現。

之前提到的游戲渲染、3D場景，還只是虛擬生態的延伸；而靈波代表的世界模型的觸角，已經真實觸達了物理現實。

比如說，現實世界里，機器人訓練最大的瓶頸是：長程復雜任務數據極度稀缺。

真實機器人跑一次實驗成本高、周期長、風險大。

LingBot-World 就提供了一種折中方案：在一個高保真、長時一致、可交互的數字世界里，先進行大規模試錯。

它能支持不同光照、擺放變化、風格變化，天然具備 domain randomization 的效果，這對提升現實泛化能力至關重要。

同時，論文還展示了從生成視頻中進行 3D 重建的能力，點云結構跨幀一致，說明模型內部已經隱式維持了幾何一致性。

這意味著世界模型未來可能成為3D 數據生成的源頭工廠，反向為具身感知模型提供訓練材料。

從更長遠看，我覺得這類模型是在搭建一個認知傳感器：

智能體可以在這里形成對物理世界的長期預測能力，已經不需要每一步都依賴真實sensor。

05. 世界模型，開始有“世界味”了

現在世界范圍內，最強的世界模型幾乎都閉源，導致研究者們，很難真正復現可交互的模型的能力。

LingBot-World是第一次，把權重、推理代碼公開。

這也是在向社區釋放一個信號：世界模型不該只存在于少數巨頭實驗室，可以真正走進更多行業。

仔細研究下來，我只覺得，這一步對生態的意義，可能比模型本身更大。

因為一旦開源社區開始圍繞世界模型做數據構建、控制接口、物理增強、記憶模塊擴展，就會形成一整條新的技術棧，終于不再是只停留在視頻生成賽道了。

當然，它還遠未完美。

論文里也坦誠：記憶仍是涌現能力、不穩定；動作空間有限；細粒度物體交互困難；推理成本高；多智能體尚未支持。

但這些問題的存在，本身說明它已經從演示級模型進入了可工程迭代的階段。

最后我想說，LingBot-World 代表的不僅是一次模型刷新，更是一次方向確認：

AI 正在從生成內容，走向生成可被持續體驗、被智能體利用、被人類實時介入的世界。

當視頻長度變成分鐘級，當鏡頭離開再回來物體仍在，當你按下鍵盤世界就響應，當一句話可以改變天氣和風格——這已經不是生成或者消費AI作品，是真的在進入 AI 構建的環境。

對靈波而言，世界模型還有個很重要的意義：為具身智能搭建一個可以反復試錯、低成本進化的數字現實。

在真實物理世界中，機器人每一次訓練都昂貴且緩慢，而世界模型讓智能體能夠在虛擬環境里提前經歷長時序任務、理解“動作如何改變環境”的因果關系，并逐步形成穩定的規劃與決策能力。

當這些能力在數字世界中被充分打磨后，再遷移到現實世界，具身智能的落地速度和泛化能力才真正具備規模化可能。

在這條路上，LingBot-World 讓開源陣營第一次站到了第一梯隊門口。

接下來，真正的變化，可能不在論文，就在接下來長出來的具身智能新系統、新智能體和新應用里。

2026年，世界模型這個核心命題，螞蟻靈波已經打響了關鍵的一槍……