编辑：TSKnight | 监制：罗超
在WAIC 2026世界模型“六小龙”巅峰论坛上，无界动力联合创始人兼CTO夏中谱与多位行业技术负责人，围绕“如何驱动物理AI从理解到执行”展开讨论。在这场讨论中，大家关注的焦点已经不是机器人能不能端茶、叠衣服等特定的应用而是：机器人究竟怎样才能理解物理规律，并在陌生环境中自主作出决策？
图源：WAIC以前，当我们谈到世界模型的时候，首先想到的往往是视频生成、3D环境生成等应用，似乎只要模型能够预测下一帧画面，就意味着它已经“理解世界”。但是，随着机器人的产业越发成熟，它们也急需一个能够帮助它们了解“真实世界”的模型，而只是预测下一帧画面的模型还远远不够。
所以，夏中谱认为，世界模型在视频层面的应用只是结果之一，而非世界模型的本质。就像大语言模型通过预测下一个词，学习语言内部的结构与逻辑一样，世界模型真正需要掌握的，是物理世界中不同状态之间的变化关系与因果规律。
简单来说，只有当模型可以根据当前状态推演未来时，机器人才能提前规划动作，而不是机械地执行预设指令，而这也是具身智能与传统自动化设备最大的区别。
举个例子，传统工业机器人可以在固定产线上重复同一套动作，但一旦物体位置、环境光线或操作流程发生变化，就可能直接“罢工”。而真正意义上的具身智能，则是在面对这些环境中的不确定性和变化时，可以主动调整行为，继续预设的任务。
图源：WAIC但是想要让模型具备这样的预测能力，仅靠扩大模型参数是不够的。所以，无界动力选择的路线，是“隐空间世界模型+强化学习”。
其中，隐空间世界模型负责建立机器人的“世界观”，让机器人理解环境状态、物理规律和因果关系。而强化学习则更像是在塑造机器人的“价值观”，通过持续试错和奖励反馈，帮助机器人找到更准确的执行策略。
简而言之，就是用前者去解决机器人“看懂世界”的需求，再用后者去解决机器人“如何行动”的决策问题，最终让机器人拥有完全自主的行动能力。
正是基于这套思路，无界动力近期推出了MWA具身通用大脑。据介绍，MWA并不直接在像素空间逐帧预测画面，而是在统一的潜空间中推演状态变化，以减少无效信息和算力消耗。
同时，它还引入长时序动作建模，可以一次推理连续多步动作，从而提升机器人执行长周期任务时的连贯性。这个能力非常关键，因为当机器人真正进入到工厂、家庭等场景时，它所需要面对的往往都是复杂的任务，每个任务都由几十甚至上百个步骤组成，只有具备长任务能力才能投入实用。
而从行业角度看，世界模型也正在推动具身智能进入新的竞争阶段。以前大家关注的还是机器人本体，都在卷成本、耐用性和续航，如今这些问题大多已经被解决，那么竞争核心也正式转向机器人背后的“大脑”，去探索真实的落地应用。
而在这方面，无界动力显然已经具备一定优势，据透露，目前他们的业务已覆盖工业产线、商业空间和家庭环境等场景，并累计签署总额1亿美元的全球市场订单。
随着世界模型与机器人的进一步融合，我们或许很快就能看到拥有真正的“具身智能”能力的机器人，出现在我们身边。
