引言

2026年，具身智能领域的产业化进程明显加速。

截至2026年6月中旬，国内具身智能赛道融资约438亿元，其中超过半数资金流向聚焦基础模型、世界模型等智能层研发的"大脑派"公司。

然而，资金加速涌入的同时，一个核心问题依然存在：机器人的硬件本体能力持续提升，但决策智能的泛化性和鲁棒性仍是瓶颈。

在此背景下，世界模型（World Model）被视为连接语言智能与物理世界的关键技术路径。2026年，该方向在具身智能领域迎来了从理论探索到工程落地的重要转折点。

一、世界模型的核心研究问题

世界模型并非新概念。Ha和Schmidhuber在2018年提出的World Models将视觉观测压缩为潜变量，利用循环模型预测未来状态，并在"梦境"中训练控制策略。PlaNet和Dreamer系列进一步将基于模型的强化学习发展为从像素空间到潜空间规划的完整技术路线。

进入2026年，该领域的研究焦点已扩展到以下四个核心问题：

问题一：预测的目标是什么？

像素级预测可生成高质量的视觉画面，但可能存在不守恒、非因果的问题；潜空间预测在计算效率上更具优势，但难以直接检验预测细节。研究者需要在这三者之间进行权衡：视觉真实性、动力学正确性、任务实用性。

问题二：动作空间如何建模？

传统RL的动作由模拟器定义；真实机器人则涉及高维关节控制、末端执行器操作、多视角感知、语言指令和人类示范等多种输入模态。世界模型如何与可执行动作空间有效对接？ ——这是2026年关于World Action Model讨论的核心议题。

问题三：长时一致性如何评估？

交互式世界模型比视频生成任务更具挑战性，因为每一步的预测误差都会在后续时间步中被累积放大。Genie 3强调了实时交互、分钟级一致性和长期视觉记忆等能力，但这些能力的可复现性仍然有限。

问题四：仿真到真实的泛化如何保证？

若合成轨迹仅在视觉层面多样化，策略可能学到错误的接触动力学；若仿真环境过于保守，则难以覆盖真实世界中的长尾场景。

二、三条技术路线分析

路线一：隐式世界动作模型 —— Being-M0.7

2026年7月15日，具身智能公司智在无界（BeingBeyond）发布了Being-M0.7，一个面向人形机器人全身移动操作的隐式世界动作模型（Latent World-Action Model, Latent WAM）。

该工作首次将隐式世界模型的能力从桌面灵巧操作扩展到全身移动操作场景。

技术特点：

• 使用超过10,000小时以人为中心的混合模态数据进行预训练；
• 采用Mixture of Transformers（MoT） 架构；
• 通过少量真机演示数据完成本体适配；
• 在真实人形机器人上完成了多项全身移动操作任务。

技术思路：

Being-M0.7的基本判断是：机器人真机演示数据获取成本高、规模有限，难以像互联网文本和视频数据那样持续扩展。相比之下，人类在日常活动中以第一人称视角与物理世界交互，这类数据蕴含了关于场景演化、物体动力学与身体协调的丰富先验信息。

该路线的基本逻辑是：先使模型从人类行为数据中学习物理世界的运行规律，再将知识迁移至具体机器人本体。

今年4月发布的Being-H0.7已在灵巧操作任务上验证了这一思路的可行性——据公司公开披露的评测结果，该模型使用20万小时人类视频数据进行训练，在6项国际评测中取得综合排名第一、其中4项单项第一的成绩。Being-M0.7是该技术路线在全身移动操作任务上的延伸。

路线二：具身交互世界模型 —— ω-EVA

2026年6月13日，在第八届北京智源大会上，星源智发布了 ω-EVA，据官方宣称其为"全球首个具身交互世界模型"，首次将世界模型应用于机器人行动决策闭环（注："具身交互世界模型"为该产品在特定定义框架下的定位，不同机构对世界模型的边界定义存在差异）。

核心理念：

“世界模型不应仅在训练阶段用于预测，而应直接参与动作生成。”

ω-EVA提出了 "预演、验证、行动"的决策闭环：在执行指令前，模型先对动作可能引发的环境变化进行推演，再根据推演结果优化行动方案。

该流程覆盖了"动作提议→后果预演→动作修正"的完整链路，旨在从机制上降低失误与碰撞风险。

技术参数：

• 参数量：1.2B
• 无需额外的机器人专项预训练数据
• 全程在特征空间完成推理，降低计算开销
• 可适配端侧实时控制场景

评测结果（在特定基准测试环境下）：

• LIBERO测试平均成功率：98.6%
• RoboTwin 2.0中经后果修正后成功率从88.9%提升至90.3%
• 注：上述数据引自官方公开报道，具体测试条件、任务难度及对比基线以官方技术报告为准

技术定位：

ω-EVA的核心贡献在于探索世界模型在机器人系统中的新角色——从训练辅助工具扩展为决策环节的组成部分。相较于其他具身世界模型方案，ω-EVA更侧重于世界模型如何参与在线决策。

路线三：因果世界模型

在上述两条路线之外，另一条技术路径正在浮现——因果世界模型。

2026年创立的Aether AI，由UCSD助理教授黄碧薇创办，其技术方向为以因果智能为核心的下一代AI范式。

核心理念：

因果世界模型并非对现有技术路线进行局部改良，而是尝试从"相关性学习"转向"因果性理解"。

在黄碧薇的定义中，因果世界模型需同时具备三项能力：

1. 从观测数据中识别真实的因果变量；
2. 发现变量之间的因果结构；
3. 建模系统的因果动力学（系统随时间和动作的演化规律）。

与传统VLA的对比：

传统的视觉-语言-动作（VLA）模型在本质上是通过大规模数据拟合输入到输出的映射关系——记录特定条件下（特定角度、光照、物体位置）的成功动作，在相似场景中复现。当环境条件发生变化（光照、视角、物体材质等改变），模型可能失效，因为其未建立对任务底层物理因果链条的理解。

因果世界模型则试图建模物体受力和运动的底层物理规律，以期在环境参数变化时仍能保持泛化能力。

初步结果：

在早期小规模模型上，该方法已带来 25%-50%的成功率提升（引自公开报道）。其背后的逻辑在于：一旦模型建立了因果机制的理解，环境变化通常只影响部分因果环节，无需重新训练，仅需少量新数据即可完成适应性更新。

三、技术路线对比

维度	Being-M0.7（隐式世界模型）	ω-EVA（交互世界模型）	因果世界模型
核心思路	从人类视频中学习物理先验	在行动前推演后果	理解因果机制以实现泛化
数据需求	10,000+小时人类视频	无需专项预训练数据	少量新数据即可更新
参数量	MoT架构（未公开具体参数）	1.2B	早期小规模模型
核心突破	全身移动操作	决策闭环	因果推理
落地场景	人形机器人全身操作	端侧实时控制	长尾场景泛化

四、趋势与展望

4.1 从仿真到真实的关键跨越

当前，世界模型正处于从"仿真环境中的数字推演"到"真实物理环境中的部署应用"的过渡阶段。三维场景表征在具身智能中的作用、4D数据的规模化采集与利用等问题，正在驱动下一阶段的技术突破。

4.2 技术路线的多样化探索

英伟达机器人方向负责人Jim Fan在红杉资本AI Ascend 2026大会上提出了一个具有争议性的观点：“VLA已死，世界动作模型WAM当立”。该论断反映了业界对现有VLA路线局限性的关注，也为世界模型相关技术路线的发展提供了讨论空间。

从全球范围来看，围绕具身智能"大脑"技术路线的竞争正在多个方向同时展开。

4.3 小结

“下一代AI的价值，不仅在于模型参数规模，更在于能否进入终端、进入系统、进入真实任务。”

当具身智能的评估标准从"能否完成演示"逐步升级为"能否稳定交付"，世界模型正成为连接数字智能与物理世界的关键技术桥梁。

参考资料

• Being-M0.7 技术报告：https://research.beingbeyond.com/being-m07/being-m07.pdf
• Being-M0.7 项目主页：https://research.beingbeyond.com/being-m07
• ω-EVA 发布报道：科技日报《从"被动执行"到"主动预演"全球首个具身交互世界模型发布》
• 《World Models 与 Embodied AI：从视频预测到可交互环境建模》，DAMO开发者矩阵，2026-07-13
• 《用结构替代数据，因果世界模型如何重塑具身智能大脑》，钛媒体，2026-06-18