智源公布世界模型新进展：AI在“脑海”中推演世界变化

记者7月9日从智源研究院获悉，智源研究院近日公开了具身大脑悟界·RoboBrain Orca的技术报告。根据报告，这一全新的“多模态表征世界模型”突破了大模型仅预测文本、画面或动作的传统路径，率先实现了对整体“世界状态”的前后演化推演，标志着AI正从预测“下一个词”迈向预测“下一个世界状态”。

科研人员解释道，大语言模型学会了预测“下一个词”，于是有了会写代码、会做题、会对话的ChatGPT、DeepSeek、Qwen；视频生成模型学会了预测“下一帧”，于是有了越来越逼真的图像和视频生成模型，例如Seedance、Sora；具身模型学会了预测“下一个动作”，于是机器人开始能完成越来越复杂的任务。而悟界·RoboBrain Orca的目标是做一件更底层的事：让AI在“脑海中”形成一个表征，该表征是对当前世界状态的高度“浓缩”，基于该表征，AI能够建模向前和向后世界状态的演变。

据介绍，悟界·RoboBrain Orca在看到一段视频、一张图、一个指令、一段事件描述后，会先在内部形成一个统一的世界潜在表征空间。这个世界潜在表征空间就像AI“脑海中的世界”，它把视觉、语言、事件、任务意图等多模态的信号组织起来，学习物体如何运动、场景如何变化、动作会带来什么后果、事件之间有什么因果关系，当前状态如何走向未来状态，甚至研究在某些条件下世界会不会朝另一个方向演化。

悟界·RoboBrain Orca把世界学习拆成了两条互补路径：无意识学习和有意识学习。婴儿会看到东西掉落，会看到人走动，会看到门被推开，会看到球滚到桌子下面。科研人员介绍，这些经验不是通过标签学习的，而是通过连续观察自然世界获得的。悟界·RoboBrain Orca的无意识学习也是如此，它客观地看世界，通过海量真实世界的视频，让它先学会“世界自己怎么动”。而有意识学习，则是主观地与世界交互，就是用语言描述的事件、任务指令和视觉问答，帮助模型学习有具体意义的状态转移。

智源研究院表示，悟界·RoboBrain Orca所代表的世界学习范式有可能从具身智能进一步走向科学发现、复杂系统建模乃至更广阔的认知边界。尽管它目前仍是多模态表征世界模型的早期版本，但下一步有可能成为通用世界基础模型的一块重要基石。

记者：孙奇茹