逆矩阵陈博远：AI竞争正从“预测Token”走向“预测世界”

发布时间：2026-07-18 03:06:01 来源：安智兰德资讯网 作者：知识

北京智源人工智能研究院行为世界模型创新中心负责人、逆矩逆矩阵创始人兼首席研发官陈博远。阵陈正从n走

从ChatGPT掀起大语言模型浪潮，博远到具身智能、竞争界机器人快速发展，预测人工智能正在迎来新的向预技术拐点。

随着人工智能加速从数字世界走向实体经济，测世“世界模型（World Model）”正成为全球人工智能竞争的逆矩新焦点。

7月8日，阵陈正从n走北京智源人工智能研究院行为世界模型创新中心负责人、博远逆矩阵创始人兼首席研发官陈博远在2026新京报贝壳财经年会上表示，竞争界如果说过去的预测大语言模型解决的是虚拟世界中的信息理解与生成，那么未来人工智能需要解决的向预，是测世如何理解真实物理世界，并在复杂环境中完成预测、逆矩决策和行动。

陈博远认为，人工智能正在进入物理智能时代，世界模型（World Model）将成为连接人工智能与实体经济的重要基础设施，也将成为下一阶段全球人工智能竞争的重要方向。可行动、可验证、可部署的世界模型基座，是AI迈向真实世界、赋能实体经济的关键基础设施。

AI竞争从“预测Token”走向“预测世界”

陈博远表示，自2022年ChatGPT发布以来，大语言模型开启了AI发展的新阶段，语言模型、多模态模型和智能体已经能够完成金融、法律、代码、写作等大量虚拟世界中的任务。但随着人工智能不断走向工业制造、抢险救灾、家庭服务等真实场景，AI发展的核心问题已经发生变化。

“语言模型学习的是虚拟世界里的语言，世界模型要解决的是真实物理条件下的物理直觉。”陈博远表示，当AI进入真实物理世界后，模型需要面对的不再只是文本指令，而是包含空间、动作、受力、材料等在内的全模态物理状态，因此世界模型将成为下一阶段人工智能发展的重要方向。

陈博远表示，如果总结人工智能的发展路径，可以发现过去和未来均在经历一次范式转换。过去，大语言模型的核心任务是预测下一个Token（词元），通过海量语言数据学习世界知识，并在虚拟空间完成各种任务。

未来，随着AI进入物理世界，模型预测的对象将发生根本变化。“未来模型预测的不再只是下一个词，而是下一刻真实世界会发生什么，即预测下一个物理状态。”他表示，当机器人搬运货物、机械臂完成装配、无人系统执行救援任务时，AI需要理解的不只是语言，而是动作带来的物理结果，需要判断不同动作将如何改变环境状态，并据此完成决策。

AI理解世界，需要不断与世界交互

为何世界模型如此复杂？陈博远认为，其挑战在于真实世界具有天然的不确定性和连续变化的可能性。在虚拟世界中，大模型可以通过上下文补全几乎所有信息，因此环境基本处于可观测状态。但真实世界完全不同。机器人看到一个箱子，并不知道它究竟有多重；看到一块金属，也无法判断其材质是否坚硬；面对复杂环境，很多影响决策的重要信息都隐藏在视觉之外。

“我们看到的世界，并不是真实物理状态的全部。”陈博远表示，人类理解世界，并不是依赖视觉本身，而是在不断与环境交互中建立认知。例如，人无法通过观察判断一个物体重量，只有真正推动它，才能理解受力情况；人无法仅凭画面判断材料属性，而是在交互过程中形成对世界的理解。

因此，未来AI需要建立“感知—动作—预测”的完整闭环，实现从理解环境到作出决策的能力跃升。

相比国际上一些更加关注Demo展示的技术路线，中国在发展物理AI方面具有独特优势。中国拥有全球最完整的制造业体系、丰富的真实应用场景以及完整的产业链，这意味着更有条件推动世界模型从实验室真正走向产业、引领整个物理AI时代研发。

“未来AI竞争，比拼的不只是模型能力，更是谁能够形成完整的产业闭环。”陈博远认为，机器人、工业制造、物流、能源、科学实验等丰富场景和完整产业链，将成为发展世界模型的重要独特优势，也将推动AI真正进入实体经济。

谈及世界模型的发展现状，陈博远表示，目前全球不少研究路线更加关注视频生成，但视频生成模型与真正的世界模型存在本质区别。“视频模型追求的是画面流畅、视觉真实，而世界模型关注的是物理正确性。”他说，当前不少视频生成模型仍会出现动作崩溃、物体丢失等问题，而工业制造、机器人控制、科学仿真等场景更需要模型真正理解物理规律。

针对世界模型的发展方向，陈博远提出，可以借鉴自动驾驶L0至L5的能力分级体系，为世界模型建立类似“W0-W5”的技术分级，衡量模型对真实物理世界交互规律的理解能力。随着模型能力不断提升，其应用也将从视频生成、游戏交互逐步拓展至具身智能控制、工业仿真以及科学研究等领域。

会上，陈博远还介绍了北京智源人工智能研究院推出的通用世界模型“悟界·Physis-v0.1”。他表示，该模型基于隐空间中的物理状态建模，通过“预测下一个物理状态范式”，构建起“压缩-原生动作因果-强化学习验证-通用场景应用”的技术闭环，目前已在具身智能、工业仿真和AI for Science等领域开展探索。

陈博远表示，在工业仿真领域，可提升对火焰传播、流体扩散、光线折射等复杂物理过程的模拟能力；在具身智能领域，世界模型能够帮助机器人在复杂环境中实现从感知到决策的闭环；在科研领域，则有望辅助材料筛选和实验方案设计。

他透露，目前相关模型已能够输出位置、速度、位移等物理量预测结果，在部分仿真场景中实现毫米级控制精度，并探索替代专业仿真引擎中的部分特定场景。

“世界模型不应该只是一个看起来像物理的视频模型，而是真正能够理解物理规律、控制物理量的通用基座模型。”陈博远表示，未来将继续推动通用世界基座模型研发，为机器人、工业制造、科学研究等领域提供底层能力支撑，加快推动人工智能从数字世界迈向真实物理世界。

新京报贝壳财经记者 朱玥怡 罗亦丹

编辑 杨娟娟

校对 穆祥桐

相关文章