具身智能

一、引子：当 AI 不再只会「接话」，开始「脑补」物理世界 先把镜头拉回 2026 年 9 月 7 日晚上的一段视频。 场地中央站着一台宇树 G1 人形机器人。对面是一个人类拳手。人出拳，机器人双拳收到胸前「咚」地挡住；一记鞭腿扫过来，它退后半步，稳住重心，回身还了一拳。画面角落打了四个字：全程实拍，无加速。场地里没有遥控器，没有 VR 头显，没有隐藏在幕布后的远程操作员。 这不是又一段「机器人跳舞」的花絮。宇树科技在视频里把它定义为：全球首次由世界模型实时驱动的全自主人形机器人搏击（环球网、中国新闻网）。 七天之后，9 月 10 日，宇树又把背后的大脑 UnifoLM-WLA-1.0 完全开源。半个多月前，9 月 1 日，李飞飞的 World Labs 发布了被称为「全球首个多模态世界模型」的 Atlas；又过了不到一个月，AMD 宣布以约 82 亿美元把这家公司收归囊中（界面新闻）。 把这几件事排在一起看，你会发现它们指向同一个拐点：AI 正在从一个「只会用文字接话」的系统，变成一个「能在脑内想象物理世界会怎么演变」的系统。 而这件事一旦成立，最先被改写的就是机器人——那个长期「四肢发达、头脑简单」的产业。 这篇文章想讲清楚四件事：世界模型到底新在哪；李飞飞和宇树分别走到了哪一步；为什么这值得被称为具身智能的「牛顿时刻」；以及，在一片欢呼声里，哪些坑还没有填上。 二、什么是世界模型：从「预测下一个词」到「预测下一个瞬间」 要理解世界模型，先得理解它不是什么。 过去三年，大语言模型的强大，本质上是一件事：给定前面所有的词，预测下一个最合理的词。它学的是语言序列里的统计规律。这个东西写文章、写代码、做问答都很厉害，但它对「物理世界」其实没有直觉——它知道「杯子掉在地上会碎」这句话怎么写，却未必真的「看见」杯子在空中翻滚、地面反弹、碎片飞溅的连续过程。 世界模型换了一个预测对象。它要预测的是：给定我现在看到的一切，如果我采取某个动作，世界接下来会变成什么样。 这就要求模型在内部建一个可以推演、可以滚动的「物理模拟器」：重力怎么起作用，两个物体怎么碰撞，人往哪个方向躲，我往前迈一步时机载相机里的画面会怎么变。 李飞飞把这件事叫做空间智能（spatial intelligence）。在她的叙事里，人类之所以能在世界里自如活动，靠的不只是语言，而是大脑里那个始终运转的三维空间模型——你闭着眼也能摸到家里的开关，是因为你脑中有一张地图。Atlas 的目标，就是让机器也长出这张地图。 按照 World Labs 的披露，Atlas 是一款从头训练的多模态自回归扩散 Transformer，可以统一处理文字、图像、视频和三维信息。它最惊艳的能力是「新视角预测」：你给它两三张普通手机照片，它就能重建出这个场景的三维空间；给它三到五张照片，它就能生成类似电影「子弹时间」那样绕着物体变换机位的漫游画面（新浪财经、证券时报）。 更关键的是它和机器人接得上。在 World Labs 公布的导航演示里，团队先用手机拍一段环境视频，从每段视频里抽 24 帧做三维重建；然后让模型模拟机器人沿不同路线移动，实时生成机载相机在沿途会看到的画面和深度信息（36氪）。换句话说，Atlas 不只是生成好看的片子，它在给机器人「预演」：这条路走上去，我眼睛会看到什么。 这就是世界模型和生成式视频的本质区别。Sora 一类模型生成的是给人看的片子；世界模型生成的是给机器自己做决策用的、可交互、可滚动、带物理一致性的预测。前者是电影，后者是脑内的沙盘推演。 这件事在认知科学里并不新鲜。早在十九世纪，物理学家亥姆霍兹就提出过「无意识推理」：人眼看到的不是世界本身，而是大脑根据碎片视觉信号，下意识推演、补全出来的一个稳定场景。你之所以不会在转头的瞬间觉得世界「闪了一下」，是因为大脑早就替你预演好了下一秒的画面。过去的机器视觉只做了「识别」这一半——认出这是杯子、那是人；世界模型要做的是亥姆霍兹那完整的另一半——不只是认出它，还要推演出它接下来会怎么动、我伸手过去会发生什么。 从这个意义上说，世界模型不是什么天外飞仙，而是让机器终于补上了认知科学里被落下了一百多年的那块拼图。 三、李飞飞与 Atlas：空间智能第一次被明码标价 把 World Labs 的时间线拉出来，会看到一条非常陡峭的商业曲线。 公司此前推出过多模态世界模型 Marble，允许用户用文字、图片、视频或三维布局图创建可漫游的三维世界。但真正把行业想象推高的，是 2026 年 9 月 1 日发布的 Atlas。它号称支持像素级相机控制、三维重建、视频换机位，还能把真实场景快速复制成机器人训练环境（证券时报）。 ...