世界模型竞赛开跑,机器人缺的不只是数据

世界模型,已经成为今年AI行业最热闹的赛道之一。AMD宣布以约82亿美元收购李飞飞创办的World Labs,谷歌发布新一代世界模型Genie 4,百度Apollo World世界模型亮相――巨头们接连出手,一场通往物理AI的竞赛就此开启。

飞象原创(高靖宇/文)世界模型,已经成为今年AI行业最热闹的赛道之一。AMD宣布以约82亿美元收购李飞飞创办的World Labs,谷歌发布新一代世界模型Genie 4,百度Apollo World世界模型亮相、华为云也把首款N腾原生具身世界模型排上了日程――巨头们接连出手,一场通往物理AI的竞赛就此开启。

为什么世界模型突然成了焦点?行业里一个普遍的共识是:语言模型可以描述世界,而世界模型则是让AI理解现实世界的运行规律。理解了规律,AI才有可能真正走出屏幕、作用于物理空间。

当机器人走进仓库,面对一件从未见过的商品,伸手去取,却常抓空、碰倒、卡住。它缺的不是力气,而是对世界的“预判”――物体多重、如何滑动、碰撞后怎样反应,这正是世界模型要教会它的。但要练成这种预判,得先给它喂饱真实世界数据,而数据的紧缺,正在阻碍具身智能快速、规模化地进入现实世界。

数据荒,荒的不是量

2026年7月,李飞飞在a16z播客上说了一段后来被反复引用的话:机器人面临一个极其困难的问题,就是非常缺乏数据,无论是训练数据还是评估数据都严重不足。大语言模型只需要理解语义,但机器人必须理解物理世界“这些信息不是看到就能获取的,必须通过真实世界的物理交互才能采集。”

这句话点破了数据荒的本质。互联网上的文字、图片、视频管够,但那是“世界长什么样”的数据;机器人要的是“从这个角度、用这个力度捏下去会发生什么”的物理后果数据。前者免费,取之不尽,后者要在真实物理世界里一小时一小时地采。

真值数据采集的另一层困境是不通用。李飞飞提到,不同型号的机器人、不同的工作场景、不同的光照和物体条件,采集到的数据几乎不能互相迁移――一台机器人在A工厂学会的抓取,换到B工厂的产线上就要重新训练。

仅把大模型塞进机器人,产生不了真正的具身智能。

大模型需要怎么“投喂”?

面对这道难题,李飞飞给出的解法是Real-to-Sim-to-Real:在真实世界采集数据,构建高保真仿真环境,在仿真中大规模训练策略,再把模型部署回真实世界。

她创办的World Labs在2026年动作频频:收购仿真厂商SceniX,9月发布多模态世界模型Atlas,重心明显落在“Sim”这一环――用生成式模型批量造数据。

这当然是对的。但链条的第一环Real――用什么眼睛去真实世界里采――在行业叙事里被严重低估。喂进仿真的真实数据,如果本身是脏的、有视差的、有时差的、在玻璃和金属表面是空洞的,那么Sim-to-Real的鸿沟只会越填越宽。

为什么是现在这个节点暴露问题?因为VLA模型把视觉输入的瓶颈放大了。Google的RT-2、Physical Intelligence的π0,这些端到端模型把视觉、语言、动作焊在一起。模型越强,对输入端数据质量越敏感――稀疏的、有延迟的、有对齐误差的点云,会让再强的模型也只能在“失真世界”里做推理。

用“眼睛”还原真世界

让机器人 “看得清”“看得准”,主流还是组合拳:远距离交给激光雷达,近距离交给高精度深度相机,结构光或 iToF 配 IMU,管机械臂末端那点精细活。

这套打法成熟,但也有天花板,不在算法,而是物理。几颗传感器装在不同位置、不同角度,看到的天然错开,融合时就得补视差。高反光金属、透明玻璃、亮面薄膜更麻烦,光要么穿过去,要么整面反射回来,点云残缺,很多时候干脆是空的。

2026年出现的一个新思路,就是直接用一种新的成像方式获取三维真值。

空间计算智能成像技术走的就是这个方向:不从二维图像里推断深度,也不靠扫描去测深度,而是用计算光学,在一次成像里直接输出带距离、尺寸、形貌的三维数据。

做法是编码再解码。成像端,光学系统被设计成对深度敏感;计算端,算法从传感器收到的信号里把三维结构解出来。它不发激光,也不投结构光,环境光干扰小;不依赖双目视差,纹理缺失、重复纹理的场景照样能用。

从实测数据来看,机器人在强光、眩光、逆光环境下能够稳定工作,对容易产生视觉盲区的玻璃杯、保鲜膜、不锈钢锅等透明玻璃、高反光金属实现无空洞重建,展现出相对于传统方案的显著优势。

结语:

世界模型的竞赛,最终要在真实世界里兑现。当巨头们在算力与参数上短兵相接,一个更底层的变量正在浮出水面――数据荒的解法,或许不在算法,而在传感器;物理AI的比拼,或许比的是谁先让机器“看懂”真实世界。这条路还很长,但方向已经清晰。

来源:飞象网

相关推荐