市场动态
7月20日，WAIC 2026期间，生数科技与万兴科技联合举办“世界模型驱动下的AI影视生产力新范式”专题论坛。论坛上，生数科技创始人、清华大学人工智能研究院副院长朱军发表题为《通用世界模型：连接数字世界与物理世界的新基础设施》的主题演讲，系统分享了通用世界模型的技术演进、核心能力及产业应用路径。
朱军表示，人工智能正在从理解和生成数字内容，进一步走向对世界规律的建模、推理、预测与行动。通用世界模型将成为连接数字世界与物理世界的重要基础设施，推动AI从“生成世界”迈向“理解世界、预测世界、行动于世界”。
从原理上来看，什么是世界模型？我们先来看人的世界模型。大家都有过骑自行车或者开车的经历，在做出动作之前，我们会在大脑中形成一个小模型，帮助我们理解环境、想象不同动作可能产生的结果、规划行动，最终指导动作输出。这就是人的世界模型，它能够帮助我们适应复杂环境，并作出安全、可靠的行动。
今天，全世界都在关注如何构建机器的世界模型。机器世界模型相关的研究很多，前沿进展也非常快。但从本质上来看，机器的世界模型主要需要具备三项能力：第一，对环境进行精准理解；第二，能够基于当前状态和即将采取的动作进行预测和想象；第三，能够在预测过程中学习并采取行动。总体而言，机器世界模型至少要实现理解、想象和行动的一体化。
世界模型与普通模型的区别在于，它不仅要回答“是什么”，实现对世界的理解，还要回答“为什么”，以及“这样做会产生什么后果”。这个领域目前最大的变革，是从专用模型走向通用模型，并形成Scaling Law。
要做通用模型，首先需要回答一个问题：我们应该使用什么样的数据？根据理解和建模世界的目标，我们梳理了相关数据，形成了六层数据金字塔。从底层向上，分别包括通用互联网视频、第一视角的人类动作视频，以及机器人相关的操作数据等。
在机器人轨迹采集过程中，大量数据也是以视频形式承载的。总体来看，视频是这套数据体系中最主要的格式。我们的目标是打造通用基模，因此在数据使用上有几个原则：第一，数据规模要足够大；第二，数据类型要尽可能全面；第三，要尽可能使用真实数据。
今天，我们想和大家分享的是，如何通过生成式方法和底层技术原理，让海量视频数据转化为高质量、有价值的训练数据。
我们的目标是打造通用模型，而通用模型需要通用架构。我们较早开始探索这一方向，并提出了全球首个MoT统一架构，将理解专家、生成专家和行动专家统一在同一个模型中，通过统一目标进行训练。
因为它是一个一体化模型，所以在使用过程中可以自由切换不同的输出形态。对于机器人，它可以直接输出动作；对于创作者，它可以直接输出高质量的像素级视频。生数科技正在做的就是“通用世界模型”。
在数字内容方向，对应的是Vidu Q3等模型。通过海量视频数据的大规模训练和Scaling Law，模型可以实现更加精准的理解，以及高动态、高一致性的生成创新。如今，在视频大模型中，我们已经率先实现了理解和想象。
近期，我们还发布了实时生成模型。视频模型不再只是简单地生成素材，也可以成为实时交互模型。以数字人场景为例，传统方式通常需要预设有限的动作模板。现在，我们采用的是完全流式的生成方式，角色的表现可以更加自然、灵活，也更加拟人化。
它不仅可以实时交互，还能够支持无限时长的连续对话。在需要流式、实时交互的场景中，可以直接使用视频大模型提供相关解决方案。目前，模型可以实现540P的视频输出，最高帧率达到42FPS。
但我们的最终目标，并不只是停留在数字内容生成上。无论是Vidu视频生成，还是Vidu S1的流式生成，都是在为进一步走向实时的物理交互做准备。这些核心技术也可以支撑模型在物理世界中的行动。
今年4月份发布的最新模型Motubrain，可以基于同一个模型底座，同时驱动多种异构机器人本体，完成复杂的长程任务。
我们取得的一个重要进展是，基于较强的通用基模，可以用更加高效的方式，让不同机器人本体快速学习复杂技能。用户可能只需要给出一条文字指令，模型可以理解语言描述，将任务分解为一系列步骤，并精准生成完成任务所需的动作指令。
这也是新一代基座模型与传统VLA方法最本质的区别之一。传统VLA更多是在拟合轨迹，而通过生成式预训练机制，机器人可以基于对未来的想象来规划动作，输出的动作也更加可靠、稳定、安全和高效。同时，通用基模可以支持跨场景、跨任务的泛化。
今天讨论的通用世界模型，不再只是视频模型的升级，也不是语言模型的简单延伸，而是推动AI从生成内容，迈向理解世界、推演世界，并与世界实时交互的新范式。
生数科技从成立之初就定位于基础模型，并以视频建模作为出发点。过去短短两年时间，视频基模已经从最初展示技术可能性，发展到今天真正进入产业、支撑生产力场景。
我们的第一个体会是，视频数据是语言之外一种非常丰富、规模庞大且十分宝贵的信息载体。第二，基于视频的大规模预训练，模型可以实现精准理解、高质量和高一致性的想象与预测，并进一步形成可泛化、跨任务、跨本体的行动能力。我们已经看到，在持续提升预训练能力的基础上，再配合高效的后训练，可以推动整个行业实现快速迭代和落地。
希望能够与更多行业同仁开展合作，共同探索通用世界模型的智能上限与产业落地的更多可能。
