作者：阿茹娜

最近，世界模型在投资市场上又迎来了一波余热。

8月，魔芯科技拿下新一轮5亿元融资；进入9月，三启万物公布总额30亿元的B轮、B+轮融资，无问智科也完成数亿元A轮融资。一批刚刚成立的初创公司，陆续拿到种子轮、天使轮资金。

在当下，机器人投资市场热闹不再，却让这股热潮显得格外醒目。

但仔细观察最近获得融资的初创世界模型公司，会发现一个微妙的变化，这一赛道正在逐步走向产业应用，世界模型开始尝试进入真实场景解决问题。

换句话说，资本和市场好像没给世界模型“做梦”的时间。故事不到半年就要从颠覆姿态变成算账姿态。

它不再单纯被寄托成一个无所不能的大脑，也开始尝试成为一件真正趁手、能够解决具体问题的工具。

早期的世界模型叙事，更接近一个宏大的科学愿景：模型能够在内部模拟世界，理解物理规律，预演未来。想象空间巨大，却也显得格外遥远。而如今，越来越多创业公司开始把这个问题拆解成更具体的工程命题：如何获取真实的交互数据，如何在新任务面前快速适应，又如何让模型在仿真与现实之间形成反馈闭环，甚至开始了初步的商业化探索。

近期，流形空间与京东科技达成战略合作，关键任务之一就是将世界模型应用于京东场景，加快技术验证和商业化落地。日冕开物也把 Gravity 4D 世界模型搬上了服务器制造的产线，让世界模型真正进入生产环节。

世界模型正在经历一次身份转变：从建模物理现实，走向理解物理现实，再进一步参与现实世界的运行。

早期，世界模型的商业化主要是视频生成、智能驾驶等相对传统的领域，但今天，越来越多初创世界模型公司在成立之初便瞄准某一垂直领域，而且往往成立不久便能斩获融资。世界模型的商业化落地探索并非短期之内的趋势，从今年下半年开始就陆续有世界模型落地工业等垂类场景。

世界模型的技术已经成熟到投入应用了吗，或许并没有，这更像是产业需求、商业化压力、技术可行性，以及资本预期共同作用下的一次提前转向。

首先，具身智能的产业化正在让一些过去不够显性的需求浮出水面。当具身智能开启了落地元年，物理AI也成了越来越多提及的名词，传统行业中一些需要大量重复劳作，却无法被自动化覆盖的需求开始逐渐显形。

比如物流分拣，传统系统可以处理尺寸、形状相对固定的货物，但面对不规则物体和不断变化的来料，往往需要大量人工干预。再比如工业生产线，一台机械臂可以按照预设程序完成某种产品的加工，但当产品换型或者工艺流程出现调整，原有程序就可能失效，重新调试又需要投入大量时间。在具体的工作中，有大量需要“机器智能”来填补的缝隙。

而这些场景，正是世界模型可能发挥作用的地方。世界模型本质是通过学习物体、空间、动作及其结果之间的关系，理解事物的物理规律从而实现操作，而非简单地通过检索下一个可能的动作。这让世界模型更容易胜任不能被自动化覆盖、又需要人工重复完成的繁琐工作。而对这种“初级智能”的需求，也反过来对世界模型的因果理解能力提出了要求。

另一个推动因素，则来自商业化的要求。在商业化落地成为具身智能当前主旋律的前提下，世界模型也很难继续停留在单纯讲技术愿景的阶段，于是被提前提上了日程。

对于创业公司而言，融资能够支撑研发，却不能无限期替代收入。找到能够产生商业价值的场景，既是投资人关心的问题，也是企业自身必须回答的问题。

大模型的发展已经提供了一个参照。Anthropic较早将编程能力作为重要的产品切入口，通过面向开发者的工具建立付费场景，商业化能力逐渐成为其竞争优势之一。

但世界模型面临的情况更加复杂。大模型出现三年后才诞生明确的产品，甚至ChatGPT、豆包、DeepSeek等产品坐拥高渗透率，却至今难以回答商业化问题。而对于技术链条更长，更多不确定性的世界模型，概念刚兴起不到一年，就开始着手商业化探索，的确需要面临不小的挑战。不仅需要解决技术问题，如何找到高价值高适配度的场景，在真实场景中落地，打磨可持续的交付能力，都是需要思考的问题。

另一方面，从技术实现的逻辑来看，追求大一统、全场景通用的世界模型，需要覆盖海量物体、环境与物理规则，数据量、算力开销、因果建模的难度都呈指数级上升，短期很难收敛出稳定可用的能力。而聚焦单一垂直领域的世界模型，约束条件更清晰，只需要学习该场景下有限的物体、交互范式与物理规则，数据采集、模型训练、因果验证的难度都会显著降低，在技术层面具备更强的可实现性。

世界模型一直以来的目标就是对真实世界的模拟，但当它真正开始进入产业场景，场景和知识是无穷无尽的，我们很难要求一个模型拥有在所有场景中落地的能力，因此世界模型也开始在细分场景中寻找自己的站位。就像大语言模型在诞生之初，也都是以法律、金融、医疗等专用模型的形态出现的。

逆矩阵创始人陈博远就曾表示，自动驾驶、机器人和工业仿真未来将是适合世界模型的应用方向，因为这类场景对严谨性和物理正确性有较高要求。世界模型的价值还在于，能进入一些人类难以进入的场景工作，如井下、高温这类危险、困难的环境。世界模型可以搭载于机器人或软件系统上，运用它理解世界的能力完成实际操作，拓展人类能力边界。

考拉悠然的世界模型目前已在探索车间巡检、森林防火等场景中应用，并搭载机器狗服务于某大型央企巡检现场。逆矩阵也已在数据中心、芯片制造等高附加值场景中开展落地验证。格物通智则正在探索世界模型在太空机器人上的应用。日冕开物把 Gravity 4D 世界模型搬上了服务器制造的产线，在远图的 ICT 测试工位完成了 POC 验证，成功率超过 99.5%，换型时不需要改造工位，15 分钟就能完成新物料的学习与作业切换 ，成为行业首个基于世界模型的工业具身解决方案 POC。

从业务方向来看，当前世界模型公司已经开始出现分化。

少部分有技术理想和研发优势的公司依然坚持构建通用世界模型。这一方向的前景更为广阔，但它同时意味着更高的研发成本、更复杂的数据需求，以及与大型科技公司竞争的可能。这类公司目前也开始探索在真实场景中的落地。

一些初创公司开始选择从垂直场景切入。从场景上看，工业是比较多的选择，因为工业发达，场景丰富，有较高的自动化替代需求。除此之外还有物流分拣、特种等场景的应用。

还有一些以2D、3D生成为主的世界模型，目前依靠影视、游戏等领域拥有稳定的收入来源，同时小幅探索具身智能等领域的应用。这些企业也在越来越重视模型的可交互性，使模型能够根据提示词的变化随时更改生成的画面，这需要模型能够更加理解真实世界的物理规律。

选择细分赛道的优势在于，能够及时在某一领域抢占先机，以应用驱动模型迭代飞轮，积累行业know how，抢占生态位。但这一路线依然存在隐忧，那就是通用大模型的下场。

改变一项技术命运的，有时是另一个与之看起来关系不大的事物。今年9月，GPT Astra横空出世，很快被人们应用在机器人领域，在空间理解、任务规划上表现出突出的能力，碾压一众具身模型。尽管它在精细操作和运行速度方面仍有不足，但并不妨碍大家对其寄予机器人大脑的期望。

同时，GPT Astra的出现也让国内大模型厂商看到了语言模型应用于具身智能的可行性，开始纷纷在这一方向布局，世界模型也是各家大厂一早押注的方向。大厂的世界模型更可能是一个大而全的通用产品，辐射更大的使用场景和用户群体。凭借大厂的高人才密度和丰富的算力资源，通用能力的追赶或许只是时间问题。

生数科技世界模型负责人王泽远也曾在社交媒体上表示，垂类模型虽然有其优势，但只要能完成复杂任务的大模型成本够低、效果够好，定会吞并垂类模型。在大模型时代，就已经经历了一轮通用模型对垂类通用模型的吞并，通用世界模型或将遵循同样的路径。但就算成真，其实现也必定相当遥远。世界模型公司便可以趁这段时间不断在细分领域积累护城河，也可以用大厂不愿做的“模型+服务”模式赢得自己的生存空间，抵御未来通用模型的冲击。

当世界模型开始走向产业，落地的趋势开始反过来影响技术演进的方向。

在真实场景中，一些问题开始变得重要：机器人能不能在新任务中快速学习？一次失败能否转化为下一次成功的经验？ICL等技术方向的升温，正与这些现实需求有关。

ICL，即上下文学习，原本是大模型领域的技术概念。它的核心思路，是让模型利用当前上下文中的示例和反馈完成新任务，而不必每次都重新训练模型。国内创业公司也很快跟进布局。珂珂矩阵、流形空间、本溯智能等企业，都明确将 ICL 列为攻克的主要目标。

在真实场景部署中，这项技术的价值愈发凸显。传统范式下，一条新经验需要经过数据整理、重新训练、模型发布，才能落地到新版本模型中。而依托 ICL，机器人在受到人工纠正后，可以直接理解刚刚发生的交互过程，并把这段新经验作为上下文，应用在后续任务里，这为机器人快速适应新环境，并投入使用，提供了关键的基础能力。

这样在频繁更换产品的生产线上，每一次更换都需要一定的调试时间，模型虽然能理解物体，但某个零件的装配习惯、特殊要求仍需要具体操作上的指导，ICL便能够发挥作用。

这一技术的出现使得世界模型在真实世界中的快速部署成为了可能。

结语

世界模型一直是一个具有争议性的概念，有人将它视作具身智能走向通用化的关键路径，有人则认为，世界模型距离真实物理世界仍然遥远，融资热度远远跑在技术验证之前。争议的焦点之一就是世界模型迟迟没有在真实世界兑现其价值。

但重现一个世界，又谈何容易。从虚拟走到现实的最后一公里，需要漫长的跋涉。视觉上的真实只是起点，真正困难的是让模型理解物体之间的关系，预测动作带来的后果，并在不断变化的环境中保持判断的准确性。

到了今天，世界模型已经不再被视为包治百病的灵药，而是将身份逐渐被修正为一个工具。大模型入局具身智能，又让世界模型的边界进一步清晰，把它与真实世界更加紧密地绑定在一起。这并不意味着世界模型的想象空间正在收窄，当它不再试图包揽机器人的全部智能，而是开始专注于物理世界中的预测、交互与操作，其技术价值反而有了更清晰的落点。

过去，人们习惯于追问世界模型能否模拟一个完整的世界，能否理解足够复杂的物理规律。但对于产业而言，一个模型是否足够有价值，最终要看它能否处理那些预设程序无法穷举的变化，能否在一次次失败中修正动作，又能否把在一个场景中获得的经验迁移到下一个场景。

世界模型距离那个宏大的愿景依然遥远，但它已经开始找到一条更实际的路：先在真实世界中学会做好一件事，从中不断积累理解世界的能力。通往通用智能的道路，或许并不始于模拟整个世界，而始于机器终于能够在这个世界里，把一件件具体的事情做好。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)