單打獨斗已觸及天花板，是時候團結(jié)力量推進世界模型了。

作者丨齊鋮湧

編輯丨林覺民

“世界模型”是今年超級熱門的話題和方向，但整體來看相關(guān)研究尚處于起步階段，共識尚未形成。

在12月13日舉行的第八屆GAIR全球人工智能與機器人大會“世界模型”圓桌上，浙江大學研究員彭思達、騰訊ARC Lab高級研究員胡文博、中山大學計算機學院青年研究員，拓元智慧首席科學家王廣潤博士、香港中文大學（深圳）助理教授韓曉光、西湖大學助理教授修宇亮齊聚一堂。

五位年輕的學者在清華大學智能產(chǎn)業(yè)研究院（AIR）助理教授，智源學者（BAAI Scholar）趙昊的主持下，圍繞著世界模型、數(shù)字人重建，新技術(shù)范式展望等展開了一場非常輕松但嚴肅的學術(shù)圓桌。

以下是具體內(nèi)容，AI科技評論做了不改變原意的編輯和整理。

01

關(guān)于世界模型，哪些技術(shù)突破值得期待？

趙昊：感謝各位。世界模型無疑是未來幾年最重要的技術(shù)方向之一。今天我們聊得會比較技術(shù)。先從彭老師開始，彭老師剛才介紹了Match Anything和Detector Free的Structure from Motion工作，我自己在用它們解決一些反光嚴重場景的重建，位姿估計問題，無論傳統(tǒng)方法還是VGGT等都不奏效。您認為，未來純粹的、前饋式的匹配方法會徹底取代現(xiàn)有方案，還是最終會走向融合？

彭思達：這取決于具體問題。在觀測足夠稠密的情況下，現(xiàn)有的COLMAP等方法已經(jīng)足夠精確；但在稀疏視角下，就必須依賴VGGT這類方法。目前VGGT的精度還有提升空間。我的一個觀點是，我們不僅要看算法進步，也要關(guān)注硬件發(fā)展。比如20年前的IMU精度很差，現(xiàn)在則很準。我們完全可以將IMU、激光雷達等其他傳感器信息融合進來，不必局限于純視覺的VGGT。

趙昊：有道理。另一個方向是運動估計，最近arXiv上也有很多新工作，效果超過了SpatialTrackerV2。您覺得這個領(lǐng)域發(fā)展到什么程度了？明年（2026年）會被徹底解決嗎？

彭思達：肯定不會被解決，這領(lǐng)域才剛剛開始，精度還遠遠不夠。但最近有一個重大突破，就是谷歌DeepMind團隊的新工作 D4RT。這個工作非常優(yōu)雅，它摒棄了以往基于特征相關(guān)性進行迭代優(yōu)化的主流范式，而是將整段視頻編碼為一組全局Token，然后可以直接查詢時空中任意點的信息。這是一個巨大的突破，我相信接下來會有一系列改進。明年不會是終點，而會是一個蓬勃發(fā)展期，可能到2027年才會逐漸收斂。

趙昊：所以總結(jié)一下，我大膽預測，基于查詢的幾何基礎(chǔ)模型會成為2026年的一個主題。不僅是D4RT，像修老師的Human3R也是查詢式的。我個人賭2026年幾何基礎(chǔ)模型會走向基于查詢的范式。彭老師，您2026年想bet什么方向？

彭思達：我賭自監(jiān)督學習能有重大突破?，F(xiàn)有的自監(jiān)督學習大多集中在語義和二維層面，缺乏面向空間智能的自監(jiān)督學習。我希望谷歌、DeepMind這些擁有龐大資源的研究機構(gòu)能在這方面做出成果，讓我們也能用上。

趙昊：我持類似觀點。這也是為什么當年自監(jiān)督深度估計研究了很久卻不太成功，現(xiàn)在轉(zhuǎn)向了模仿學習。我在想，明年是不是該把自監(jiān)督深度估計重新?lián)炱饋?，用于幾何基礎(chǔ)模型的后訓練？

趙昊：接下來問問胡老師。2026年您bet什么方向？今年我們看到了你們的一系列4D AIGC工作和我們的Light-X這種5D AIGC工作，今天看了VerseCrafter之后，我覺得又增加了一個物體運動的維度。我們內(nèi)部一直在探討“6D AIGC”是什么，還有哪些可控維度？您的研究思路是怎樣的？

胡文博：我們之前的一系列工作，屬于韓老師總結(jié)的技術(shù)路線中的第三類——將3D信息注入擴散模型。但未來一年，我們可能不會繼續(xù)沿著這條路線深入了。我認為它的上限可能不夠高，因為重建技術(shù)無論發(fā)展多快，總存在瑕疵，難以達到完美真值的級別。因此，我們想探索一條全新的、上限更高的路線來融入3D信息，但目標依然是構(gòu)建世界模型。我個人肯定會賭世界模型這個方向。

特別是今年8月Google DeepMind發(fā)布的Genie 3，對我們這些領(lǐng)域內(nèi)的人來說非常震撼。我認為它可能達到了大語言模型中GPT-3的級別，雖然離ChatGPT還有距離，但已經(jīng)非常驚人。

彭思達：我有個問題，現(xiàn)在的世界模型或者說視頻世界模型，學到的特征對于空間感知和理解似乎沒什么用。這與“建模三維空間”的初衷有些矛盾。您認為這里缺失了什么？

胡文博：首先，我想對這個前提打個問號。它對于空間智能是否有用，我并不確定。但一些證據(jù)表明，從圖像或視頻擴散模型出發(fā)，用少量數(shù)據(jù)就能微調(diào)出幾何估計模型，這可能說明它是有用的。不過，我更想說的是，我們對世界模型的定義和要求是什么？如果我們要求它精確理解3D空間，那可能需要探索。但我更認同韓老師的定義，我想做的是一個給個人用的世界模型，讓人們能體驗未知的、他人的或虛構(gòu)的世界。

這件事本身就很有意義。人類感知世界最主要的方式就是視覺，眼睛接收的就是視頻信號。如果我們能在視頻模態(tài)上實現(xiàn)優(yōu)秀的探索、交互，并且其物理規(guī)則符合現(xiàn)實（或自定義），那將非常有價值。至于它對空間智能是否有幫助，我暫時存疑。

彭思達：你剛才說的讓我想到一個應(yīng)用，也許可以叫“魔法相冊”?，F(xiàn)在的相冊只是靜態(tài)記錄，未來能否按一個按鈕，就讓照片里的內(nèi)容動起來，而且每次動得都不一樣？比如記錄孩子的成長，這絕對是剛需。

胡文博：這更像是讓圖像動起來。但對我來說，世界模型更吸引人的場景是：打開任意一張照片，你都能“進入”那個場景進行探索，與其中的物體交互，并且你的交互和更改能被永久保存，下次可以繼續(xù)。這更像是一個活的世界。

趙昊：看來我們形成了兩個初步共識：一是基于查詢的基礎(chǔ)模型是趨勢；二是當前3D范式存在上限，需要自監(jiān)督等新范式來突破。

趙昊：接下來請王老師分享一下，您對2026年有什么樣的展望或bet？

王廣潤：我先接續(xù)剛才的話題。世界模型有什么用？在我看來，一個核心應(yīng)用在具身智能和VLA領(lǐng)域。簡單來說，輸入圖像，輸出未來的動作序列，這些動作本質(zhì)包含了3D坐標向量。所以，VLA任務(wù)在我看來，也包含著預測未來的3D點云（可能是只有一個點的點云）。我認為世界模型可能是一個可泛化的、快速進行3D重建與預測的引擎。對于明年，我的期待是能看到 Physical Intelligence的“π 1”版本 發(fā)布，并希望其中包含更多對世界模型的建模。這是我對明年的一大期待。

趙昊：一個靈魂拷問：為什么π0還沒有接入深度圖或點云預測？這很讓人期待。

王廣潤：VLA領(lǐng)域目前主要缺的是數(shù)據(jù)。有種觀點認為未來只需堆數(shù)據(jù)即可。但要訓練您說的那種模型，需要大量特定的3D標注數(shù)據(jù)，采集非常困難。

02

“可交互性是世界模型的關(guān)鍵”

“數(shù)字人如何提供情緒價值”

趙昊：謝謝王老師。最后請韓老師。第二次聽您的演講，我在想我們是否可以把“3D對于可解釋性和安全性至關(guān)重要”這個觀點理論化，聯(lián)合國內(nèi)外學界寫一篇立場論文？

韓曉光：說實話，我雖然激情澎湃地講3D， partly是因為我沒有足夠資源去做視頻模型。我看到很多做3D的人轉(zhuǎn)向了視頻模型，包括文博也說3D看不到性能盡頭了。我講3D的重要性，也是想“煽動”大家繼續(xù)深耕3D領(lǐng)域，這樣我才有安全感。

關(guān)于2026年要做什么，我認為可交互性是世界模型的關(guān)鍵。我個人更偏向于做仿真環(huán)境中的可交互，比如生成一把剪刀，機器人拿起來真的能用；生成一個物體，可以被拆卸或操作。這是我主要想做的方向。

修宇亮：我一直在思考數(shù)字人領(lǐng)域中一個長期以來被忽略，但又很有趣的點。無論是做具身智能還是3D，大家最終都落腳到機器人能干活。但人與人交往，除了“有用”，“快樂”也是很重更要的一個維度，而一個人給另一個人帶來的快樂，往往不是對方給自己干了多少活，而是對方給我提供了多少情緒價值。

如果2026年有什么新方向，我特別想探索如何讓數(shù)字人提供情緒價值的問題。這很綜合，涉及音容笑貌、舉手投足。拿做飯舉例，做飯的快樂不僅在于炒菜本身，更在于一家人坐在一起享用時的愉悅的反饋。物理層面的問題，操作、抓取、移動，在不久的將來，會隨著智能水平的提升、硬件的迭代、運營上ROI 的打平，一個接一個落地，那么之后呢？溫飽之后，人很自然就有更高的精神上的追求。落實到數(shù)字人，我們需要將語音、語調(diào)、表情、動作等多模態(tài)統(tǒng)一協(xié)調(diào)，形成一種能打動人心的整體感覺。就像趙昊老師做的靈巧臉的demo，技術(shù)上是領(lǐng)先的，但目前仍有恐怖谷效應(yīng)，無法有效傳遞情緒價值。所以我認為可以先在數(shù)字世界中探索如何讓數(shù)字人的多種感官傳遞都“活靈活現(xiàn)”起來，形成協(xié)調(diào)一致的感覺，最終目標是讓人產(chǎn)生情感共鳴。

大模型也是如此。比如最近很火的那個 prompt：

我是一名智力低下的研究生，毫無基礎(chǔ)，我將在明天組會上做ppt文獻匯報，請你解讀一下這篇文獻，讓我能達到徹底看到這篇文獻的效果，注意我是智障?。?！一定要幫我講明白，最好是翻譯出來，因為我對英語一竅不通，我只會中文，你要先給我規(guī)劃一下怎么向你提問最合適，一步步引導我看懂這篇文獻，并完成最終的ppt匯報稿

如果問這個話的是一個真人，那么理想的交互應(yīng)該是什么樣子呢，他應(yīng)該先說，“你已經(jīng)考上研究生了，你的智力已經(jīng)是極優(yōu)異的那一撮了，我想你只是需要一種更落地的對論文的解釋，這篇論文是關(guān)于……”，先給予情緒支持，再解決問題。這是人機交互中很重要的一點，這是我從我老婆身上學到的，一種比我之前三下五除二的溝通方式，更宜人的一種溝通方式。

趙昊：如果我們研究情緒價值，學術(shù)界面臨的最大問題是如何量化評估。沒有基準測試。我們明年是否可以先著手定義一些基準？就像MMMU對于多模態(tài)理解那樣。

修宇亮：這確實是個難題。情緒非常個人化。但并非無法量化，例如脫口秀可以用“罐頭笑聲”標記笑點。我們可以定義何時引發(fā)了何種情緒，盡管要建立一個普適、有說服力的基準非常困難。這可能需要新的技術(shù)手段。

趙昊：另一個問題：為什么3D數(shù)字人的發(fā)展似乎比通用3D物體慢？是數(shù)據(jù)問題嗎？難道不能用Trellis那樣的技術(shù)范式大幅提升精度嗎？

修宇亮：數(shù)據(jù)不足是一個問題。但更根本的是，數(shù)字人有一個“恐怖谷”效應(yīng)：通用3D物體做到90%逼真度可能就很好了，甚至如果依賴于深度相機或者雷達感知，通用物體的操作，都未必需要紋理信息，但數(shù)字人這個領(lǐng)域，從誕生第一天，“保真度”就是毋庸置疑的事情，而且容錯率極低，做不到99分或100分，就是0分。人臉或者動作只要有一點點假，有一點點僵硬，就會令人不適。這也是為什么許多公司轉(zhuǎn)向卡通風格——預期管理更容易。卡通擬人化，比數(shù)字人擬真化，技術(shù)要求低很多，從用戶的角度，也會更容易接受。擬真數(shù)字人需要極高的技術(shù)門檻和資金投入，短期內(nèi)難突破。

韓曉光：我補充一點，除了真實感，動態(tài)驅(qū)動也是巨大挑戰(zhàn)。一個靜態(tài)的3D數(shù)字人用處有限（除了3D打印），必須讓它動起來。而讓物體或人動起來，并且動得自然，目前都很難。

03

視頻生成模型是否面臨范式天花板？

情緒價值的本質(zhì)是語言，還是外觀？

彭思達：我有個問題給宇亮。您認為情緒價值的本質(zhì)是研究語言，還是外觀？如果要排序，哪個優(yōu)先級更高？

修宇亮：這不是非此即彼的問題。但如果排序，我認為語言（包括語調(diào)）本身可能更重要，其次是表情和體態(tài)。即使遮住臉或綁住手，我們也能通過語言傳達大量情緒，你如果有聽過氣泡音的深夜電臺主播，你就知道我在說什么。

彭思達：接著一個更技術(shù)的問題：當前視頻生成模型是否也面臨范式天花板？例如圖像生成，StableDiffusion曾如火如荼，但如今被Nano Banana等基于語言-圖像統(tǒng)一建模的新范式超越。現(xiàn)在似乎還沒有論文很好地將視頻與文本/語言在高層語義上進行統(tǒng)一建模。要讓你設(shè)想的數(shù)字人有“靈魂”，必然需要這種深度融合。您怎么看？

修宇亮：現(xiàn)在確實有一些視頻模型能根據(jù)音頻生成口型，但還不是真正的“形神兼?zhèn)洹薄＿@種靈魂感往往體現(xiàn)在高頻細節(jié)上，比如微表情、語調(diào)的微妙變化，這些細節(jié)在像素層面可能都難以捕捉，在損失函數(shù)中也作用忽微，你看《建國大業(yè)》里面，老蔣聽到李宗仁當選總統(tǒng)的時候的那個微表情變化，這樣像素級的情感傳遞，能用 AI 準確生成嗎？建模這種極致的逼真度本身就是最后一公里的巨大挑戰(zhàn)。

韓曉光：關(guān)于情緒價值，我甚至覺得，有時不提供具體形象可能更好。越具體、越真實，有時越會限制想象力。一個未知形象但聲音溫柔的角色，可能給人更多想象空間和情緒價值。

修宇亮：情緒價值常常來自“反差感”和“預期違背”，而這與當前大模型“準確預測下一個詞”的訓練目標是相反的，語言模型是要準確預測下一個詞是什么，但脫口秀的工作邏輯不是這樣，要更高一級，他得在知道下一個詞最可能是什么的前提下，給出一個最不可能但又合理的輸出，這就是脫口秀的預期違背。如何讓以“捕捉人類直覺”聞名的大模型，去學習生成這種“反直覺但細想想又很合理”的內(nèi)容，是我感興趣的，我甚至認為幽默本身，就是人類智能的一種體現(xiàn)，人類就是在預期違背中，去忤逆去突破，打破成見形成集體對事物全新的認知，脫口秀演員和科學家，本質(zhì)上是一類人。

趙昊：這或許是個好方向，比如讓數(shù)字人講脫口秀。另外，回到統(tǒng)一生成與理解的問題，像Nano Banana那樣的工作，將其擴展到視頻需要多少計算資源？

彭思達：這需要一些基礎(chǔ)算法，比如視頻的Tokenization目前可能都沒做得很好。視頻理解和生成的需求也不同，一個可能需要處理一小時長視頻，另一個可能只生成5-10秒。如果Tokenization問題沒解決好，以目前的規(guī)模，上萬張GPU卡可能是起步。

趙昊：視頻的Tokenizer正是我2026年想賭的方向之一。最后，我正式向在座的各位，以及產(chǎn)業(yè)界、學術(shù)界的朋友發(fā)出倡議：我們是否可以共同建立一個世界模型的技術(shù)聯(lián)盟或發(fā)布一份倡議書？ 當前單打獨斗似乎已觸及天花板，是時候團結(jié)力量，共同推進真正的世界模型了。

今天的討論就到這里，感謝各位！

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標注來源并插入本公眾號名片。