// TELEMETRY_DASHBOARD
60 秒态势速览
四个最能说明"这个战场有多热、卡点在哪"的数字。
$50 亿
李飞飞 World Labs 创办约一年的估值——空间智能被视为"AI 的下一个前沿"，新世界模型 Atlas 已发布
来源：豹变（2026-09-11）
89.4% → 12%
机器人在软件仿真基准（RLBench）成功率 89.4%，到高保真家务环境（BEHAVIOR-1K）骤降至约 12%——"仿真内完美、现实崩塌"是世界模型要解的题
来源：斯坦福 HAI《AI Index Report 2026》
100 万小时
Dyna-2 在超 100 万小时（约 170 年连续清醒经验）人类第一视角视频上预训练——首次证明"人类视频 Scaling Law"，全程无需真机动作标签
来源：Dyna Robotics（2026-08）
$10.3 亿
杨立昆离开 Meta 后创办的 AMI Labs 种子轮融资额（估值 $35 亿）——JEPA 路线与"逐像素生成"阵营正式分庭抗礼
来源：豹变（2026-09-11）
// CHAPTER_00 · WHY_NOW
为什么是现在：语言模型撞上了物理天花板
世界模型、物理 AI、空间智能突然集体爆发，不是概念炒作，而是被两股力量同时挤压出来的：
AI 走向物理场景的需求侧，和 LLM 能力边界的供给侧。
WHY_01
需求侧：AI 下场了
具身智能、自动驾驶把 AI 从屏幕里拽进物理世界。李飞飞 2025 年 11 月万字长文《从语言到世界》点破核心：停车判断间距、接住抛来的钥匙、人群中避让——空间智能不只是识别图像，而是将感知、想象、推理与行动联系起来。
WHY_02
供给侧："预测下一个词"不够了
小孩还不会说话时就已在认识世界：抓玩具、推积木、俯身寻找。对世界的认识并不完全依赖语言。LLM 再强也只是学会了表达——它在数字空间近乎完美，进入真实无序的物理世界就暴露短板。
WHY_03
架构升级：从"刺激-响应"到"脑内沙盘"
上一代 VLA 模型本质是刺激-响应映射：输入单帧图像与指令直接输出电机指令，不预知动作的物理后果。世界模型要在智能体内部构建可实时模拟外部世界的"沙盘"：输入当前状态与动作，显式推演下一时刻世界的新状态。
WHY_04
政策侧：写进"十五五"
2025 年 12 月工信部等八部门印发《"人工智能+制造"专项行动实施意见》，明确"建设人形机器人中试基地和训练场"；2026 年 8 月国新办发布会将"攻关世界模型等前沿技术"纳入"十五五"部署。北京、上海、深圳实训基地全面动工。
// CHAPTER_01 · ROUTE_WARS
路线之争：三大分野
2026 年的世界模型没有统一范式，但在三个维度上，阵营边界已经清晰。
分野一 · 物种
世界模型 vs 视频模型：沙盘与画家的区别
最容易被混为一谈的区分。恰当的比喻：Sora 是一位技艺高超的画家，按描述为你创作一幅战争场面的油画，用于欣赏；Genie 3 是一个兵棋推演沙盘，让你亲自指挥沙盘中的军队，用于操作。Sora 优化的是最终画面的"视觉合理性"，Genie 3 优化的是交互过程的"物理一致性"与"逻辑连续性"——为了实时交互和世界状态稳定，Genie 3 甚至要牺牲单帧渲染质量。一个反直觉的推论：毫无噪点却让苹果凭空穿过水槽的视频，对具身智能而言是毒药。
分野二 · 架构
预测型 vs 理解型：逐像素生成 vs 抽象空间预测
预测型阵营：World Labs Atlas、OpenAI Sora、NVIDIA Cosmos、Google DeepMind Genie 3——靠帧级预测隐式学会重力、守恒与时空连续性，泛化度高，离 C 端变现最近。理解型阵营：图灵奖得主杨立昆离开 Meta 后创办的 AMI Labs（2026 年 3 月完成 $10.3 亿种子轮，估值 $35 亿），主张用 JEPA（联合嵌入预测架构）在抽象潜在空间中直接预测世界的结构与因果，而非逐像素生成视频。两大阵营正殊途同归："互联网视频预训练 + 少量物理交互微调"成为具身智能新标配。
分野三 · 数据
生成式数据 vs 真实世界数据
仿真端已可以用 3D 高斯泼溅（3DGS）从几张真实照片自动生成带物理属性的交互式场景，低成本制造数万个极端案例。但业内的共识正在反转：世界模型竞争的核心瓶颈并非算法，而是真实世界时空数据。高德凭多年采集的路网、POI、实时路况等数十万亿级时空样本形成差异化壁垒——真实数据的护城河，可能比模型架构更深。
// CHAPTER_02 · GLOBAL_ARENA
战场全景：主流世界模型对比
| 模型 | 阵营/机构 | 定位与亮点 |
|---|
| Genie 3 | Google DeepMind | 经实验性产品 Project Genie 开放体验：生成支持实时探索、持续交互数分钟的虚拟环境，分钟级一致性是当前标杆 |
| Atlas | World Labs（李飞飞） | 通过空间上下文支持沿指定相机轨迹生成新视角，维持场景几何关系；公司创办约一年估值约 $50 亿 |
| Cosmos 3 | NVIDIA | 2026 年 6 月发布的开放世界基础模型，面向物理 AI 开发者生态 |
| SANA-WM | 英伟达 | 分钟级生成 + 精确相机控制 + 更高效率的组合拳 |
| ABot-Earth 0.7 | 高德（2026-09-10） | 全球首个 3D 原生城市世界模型：覆盖 196 个国家和地区，还原并推演真实城市空间，三层底座（动态感知/时空推演/三维表达），已开放至智能汽车、智能眼镜、具身智能、低空飞行 |
| JoyAI-EchoWM | 京东探索研究院（2026-09-09 JDD 发布） | 已开源：同一框架内生成视频与环境音、音乐、语音，第一/第三人称视角实时交互；158 例 WBench Navigation 平均分 81.7（一致性 89.8、交互性 87.2），流式版 EchoWM-Flash 平均 81.0 |
| R1 | 爱诗科技（PixVerse） | 全球首个支持 1080P 的通用实时世界模型 |
2026 年世界模型的新考题不再是"画面够不够逼真"，而是"经得起反复探索吗"——一扇门画得逼真只是起点；往前走它要自然靠近，穿过走廊再回头，它还应该留在原来的位置。
—— 机器之心评 JoyAI-EchoWM 开源（2026-09-10）
// CHAPTER_03 · HUMAN_VIDEO_SCALING_LAW
Dyna-2 与"人类视频 Scaling Law"
世界模型从"视频生成器"跨越到"实时动作引擎"的根本阻碍，是物理交互数据的极度匮乏。
2026 年 8 月，Dyna Robotics 的 Dyna-2 给出了一条绕开这个死结的路径。
数据来源
100 万小时人类第一视角视频，零真机标签
约 170 年连续清醒经验的人类第一视角视频预训练，全程无需任何真机动作标签。首次证明：随着人类视频时长增加，模型在陌生机器人本体上的零样本性能单调提升——语言模型的 Scaling Law 在物理世界有了对应物。
效果对比
46% → 87%，且会自己纠错
客户零样本部署中，纯 VLA 上一代模型任务合格率仅 46%，Dyna-2 达 87%；面对人为物理扰动，VLA 单循环即失效，Dyna-2 可自主纠错、无需人工干预地恢复。仅需 10–13 分钟本地微调数据，即可驱动五指灵巧手拧开全新的复杂瓶盖。
实时性突破
推理成本降低 90 倍
单步蒸馏流程把三秒三视角视频的处理时间从 10.2 秒压缩至 110 毫秒，推理成本降低 90 倍——解决了世界模型推演过慢、无法实时闭环控制的卡点。这一步的意义不小于准确率本身：不能实时闭环的世界模型，对机器人只是离线参考。
// CHAPTER_04 · CHINA_CAMPS
国内阵营：内容向与具身专注型的分野
CAMP_01 · 内容向
从视频生成延伸到具身
核心逻辑："视频生成能力达标后，自然可支撑动作生成需求"。代表：生数科技（Vidu 之外 4 月发布世界行动模型 Motubrain，7 月完成 $5 亿 B+ 轮）、爱诗科技（R1 实时世界模型）、快手可灵 AI（分拆后独立融资近 $30 亿）、智象未来。
CAMP_02 · 具身专注型
直接奔着物理智能去
不做 C 端内容，聚焦具身场景：智元机器人（登顶 World Arena 的 GE-2 世界模型）、银河通用（AstraBrain WAM）、星动纪元（ERA-42 双系统）、千寻智能（Spirit V1.6）、极佳视界（GigaWorld-1，国内世界模型独角兽）、自变量（WALL-B）、穹彻（Noe-0）。
CONSENSUS_01
落地路径共识
当前确定性路径是 VLA 架构逐步叠加世界模型模块；纯底层原生世界模型路线仍不成熟，短期难以落地。
CONSENSUS_02
本体自研共识
头部模型厂商选择自研机器人本体：适配国内商业环境、提升溢价、避免多厂商适配痛点，"算法+硬件"开箱即用——与宇树等硬件起家厂商形成镜像竞争。
// OBSERVER_DECK
观察者视角：这一轮该记住什么
评估标准正在换轨。CVPR 2026 上新国大、港中文等团队提出 WorldLens 等基准，推动指标从像素层度量（FVD/SSIM）转向"几何一致、动作跟随、因果可信"——行业正在告别对"画质逼真"的盲目崇拜。行为合理，才是检验真理的唯一标准。
数据比架构更稀缺。算力可以买、论文可以读，但高德数十万亿级真实时空样本这种东西无法速成。世界模型竞争的终局变量，可能是谁握有物理世界的"语料库"。
人类视频是新的油田。Dyna-2 证明无需真机标签、人类第一视角视频本身就能 Scaling——这意味着全世界积累的实拍影像（包括你我上传的每一段视频）都成了机器人训练的潜在矿藏。
实时化是工程分水岭。110 毫秒处理三秒三视角视频——能不能闭环，决定世界模型是机器人的"大脑沙盘"还是"离线录像"。
视听一体是下一个分岔口。京东 EchoWM 把环境音、音乐、语音与画面放进同一框架——可探索的世界如果寂静无声，沉浸与训练价值都会打折。声音数据将成为世界模型的下一个争夺点。
// APPENDIX
来源与说明
说明：本页为独立观察简报，非任何机构官方立场。所有数据截至 2026-09-11，均来自公开报道、官方发布与论文；性能数据多为厂商自报或论文自述，注意区分独立验证与厂商声明。
[1] 豹变（网易号，2026-09-11）：《空间智能，才是AI时代最被低估的能力底座》——World Labs Atlas / Genie 3 / Cosmos 3 / ABot-Earth / 李飞飞万字长文 / AMI Labs 融资 / 斯坦福 HAI AI Index 2026
[2] 机器之心Pro（今日头条，2026-09-10）：京东探索研究院 JoyAI-Echo 1.5 与 EchoWM 开源，WBench Navigation 评测数据
[3] 中国家电网（2026-09-11）：《海内外企业纷纷布局 世界模型成AI新战场？》——高德三层空间智能底座、AMAP-AI Inside、时空数据壁垒
[4] 安徽画报（2026-09-03）：Genie 3 深度解析——世界模型 vs 视频模型的物种区分、3A 游戏成本危机、教育应用
[5] 行业深度报道（2026-09）：Dyna-2 人类视频 Scaling Law、46%→87% 零样本对比、110ms 蒸馏、VLA+世界模型落地共识、工信部"十五五"部署、CVPR 2026 WorldLens 基准