作者｜娜皮

编辑｜星奈

媒体｜AI大模型工场

近几年，AI的演进节奏明显加快。2023年，ChatGPT引爆大模型热潮；2024年，行业焦点转向AI Agent与具身智能的落地可能；发展至2025年，“用AI 驱动新质生产力”成为高频共识。

而2026年，一个过去更多停留在学术论文里的概念，开始被频繁提及，那就是世界模型。近日，国内AI公司在这方面取得的进展，让业界第一次清晰地感受到，世界模型，可能真的要走出实验室了。

在一个高度规模化的技术体系中，真正决定行业走向的，往往不是单点能力的跃迁，而是某种关键能力是否能从“少数人掌握”，变成“多数人可用”的工具。

历史表明，从操作系统到云计算，开放与可及性始终是引爆生态创新的火种，如今世界模型，正在经历这样的时刻。

01

世界模型，加速“上桌”

1月29日凌晨，蚂蚁集团旗下的具身智能公司灵波科技，继连续发布空间感知与VLA基座模型后，正式开源发布世界模型LingBot-World，完整放出模型权重与推理代码； 到30日凌晨，大洋彼岸的科技巨头Google宣布，向18岁以上的美国AI Ultra订阅用户开放Project Genie / Genie 3 体验入口。

两件事情先后发生，不少海内外研究者认为，这是来自同一时代节点的双向确认，象征着世界模型的开源开放窗口被打开，世界模型正在加速走出论文与演示阶段，进入一个可触达、可使用的窗口期。

事实上，世界模型的概念并非新概念。它的目标，是让AI学会理解和模拟环境动态，预测自身行动可能带来的结果，这一直是具身智能、自动驾驶乃至通用人工智能领域最受关注的研究方向之一。

但问题在于，过去几年，这项技术长期受制于多重现实瓶颈，迟迟未能“上桌”，成为开发者触手可及的工具。

一方面，高质量的具身交互数据极度稀缺。真实世界的数据采集成本高、风险大、难以规模化，模型往往只能在有限、抽象的环境中学习；另一方面，在算法与算力层面，世界模型长期被困在一个现实悖论中——画面越真实，生成越慢；时间越长，越容易失控，难以兼顾连续性与交互性。

此外，即便在技术层面有所突破，工程化依然是难以绕开的门槛。许多世界模型停留在“看起来很酷”的Demo阶段，延迟高、生成慢，无法支持实时交互，更谈不上进入生产级链路。更重要的是，世界模型长期掌握在少数科技巨头手中，闭源、不可复现，开发者只能围观，却难以参与真正的工程试错。

也正是在这样的背景下，蚂蚁灵波选择了一种更系统性的组合拳来“破局”。

从1月27日到30日，蚂蚁灵波连续开源了四款具身智能相关模型。这并不是零散的技术展示，而是围绕“感知—决策—环境—行动”这一完整闭环，逐步拼出的一套完整的支持系统。

在这套体系中，LingBot-Depth解决的是“看清世界”的问题，尤其针对透明、反光等长期困扰机器人行业的感知难题；LingBot-VLA则承担着“大脑”的角色，让机器人能够在不同平台、不同任务之间实现泛化操作；LingBot-World提供的是一个高保真、可交互的模拟环境，用于低成本、安全地训练AI；而LingBot-VA，则首次把感知、决策和环境整合进同一个自回归世界模型中，让机器人能够在想象中规划、并在现实中行动。

在海外技术社区，蚂蚁灵波的开源策略受到高度认可和关注，大模型学术领域意见领袖AK也专门发文推荐了其中的视觉-语言-动作（VLA）模型。

社交平台X上也被LingBot-World刷屏，直接登顶了Feature榜单Top 1，在专业社区Reddit上，Machine Learning、Singularity、Artificial Intelligence、LocalLLaMA、StableDiffusion等多个垂直子社区均被相关讨论广泛覆盖，并一度登顶被视为未来科技风向标的Singularity子社区热门榜首（Hot Top 1）。不少海外网友自发“打call”，直呼这个来自中国的模型“太震撼”。

02

打造“数字演练场”

在讨论世界模型之前，有一个长期存在的误解需要被澄清，世界模型并不等同于更高级的视频生成模型。过去的视频模型生成场景常常缺乏底层规律，没有因果关系，物体有时也会胡乱变化。比如，很多AI视频里，画面一转换，人物就突然从背面变成了正面；把杯子放桌上，镜头切走再切回来，杯子莫名其妙换了一个位置或花样等。

而这些问题，都在世界模型中被解决了。

此前，DeepMind的Genie 3已经展示了世界模型的潜力：能根据提示实时生成可交互的动态世界。而蚂蚁灵波的LingBot-World在此基础上，将重点放在了质的提升上。其突破不止于生成，更在于模拟——随着模型扩展，研究者发现它开始涌现出对空间、时间乃至基础物理规律的隐式理解，展现出从“渲染画面”向“构建规则”跨越的迹象。

画面由 LingBot-World模型生成

这条视频便是生动的例子。普通的AI生成鸭子游水，往往只会生成个鸭子在水上做动作，水面很难有真实的波动，但LingBot-World生成的鸭子，腿部蹬水的动作、水面对扰动的响应、以及鸭子身体与水之间的相互作用都比较符合物理规律。

这显示出模型不仅记住了视觉表象，而是真正理解了流体力学等基础物理机制。

更让人惊喜的，是它的“超长续航”。目前市面上的同类模型，最多只能生成几十秒的连贯视频，比如Sora 2最长25秒，Runway Gen-3 Alpha最多40秒，而LingBot-World一次性生成了一段9分20秒的无剪辑视频。

画面由LingBot-World模型生成

视频里，用户以第一视角从破旧的古希腊神庙出发，沿着小径走到新古典主义建筑，再进入复原的古希腊建筑群，近10分钟里，画面的视觉质量、物理状态都保持稳定，没有出现物体变形、场景崩坏的情况。不少海外用户在体验LingBot-World后都对其高保真模拟与精准控制能力印象深刻。

诚然，视频也存在小瑕疵，部分细节精度、场景的泛化能力，仍然有提升空间——视频最后几分钟，模型忘了建筑之间的位置关系，原本连在一起的新古典主义建筑和古希腊建筑群，后来变得孤立。但即便如此，能在近十分钟内，画面保持了较为稳定的物理状态和视觉质量，这在目前的视频生成模型和世界模型中都比较罕见。

如今，随着LingBot-World的发布，蚂蚁灵波正从幕后走向台前。蚂蚁灵波的目标是打造一个开放、通用的智能基座，与越来越多行业和厂商共建生态。这一次，它用开源的方式，向世界抛出了自己的世界模型范式。

03

改变世界模型的产业路径

长期以来，世界模型更像是一种巨头内部的研发资产，而非行业公共能力。训练环境高度专有、成本高昂；模型能力难以复现；中小团队即便具备想法，也难以进入实质探索阶段。这种结构，限制了世界模型的应用节奏，也放慢了具身智能整体的发展速度。

蚂蚁灵波此次开源的深层意义，在于它主动选择了一条截然不同的产业路径。

与Genie 3不同，Genie 3是闭源的，因而社区无法基于它进行开发和迭代，因此如果学术团队或初创公司想用此训练一个高质量世界模型，门槛极高，而LingBot-World则将完整代码与权重直接交付开发者，目标并非展示能力，而是进入真实工程链路，全球社区都能依此打造无限可玩的下一代虚拟世界。

这一选择，在国际上引发了深刻共鸣和战略层面的解读。“这对整个行业都是变革”，德国最大的财经网站之一AdHocNews在报道中指出，“蚂蚁集团正在成为不断增长的人形机器人和物理AI市场中的核心推动者。这对于行业的意义可能是深远的：从物流和制造业到医疗保健乃至个人辅助，开发者们突然获得了以往只有大型企业才能使用的工具。特别关键的应用，如自动驾驶或外科手术，将受益于像LingBot-World这样的安全训练环境。”

德国财经网站AdHocNews 报道原文

开源，正在从根本上改变世界模型的产业逻辑。它极大地降低了创新门槛与成本，使得一间大学的实验室或一个小型创业团队，也能基于顶级模型开展前沿研究，这将极大激活长尾创新活力。更重要的是，当代码与权重公开，技术演进的动力就从单一公司的研发部门，扩展至全球开发者社区。可复现性催生信任，协作网络加速迭代，共同推动技术更快地弥合“模拟到现实的鸿沟”。

冷静的保留意见依然存在，世界模型前方依然横亘着巨大的挑战。在极端复杂场景下的长时一致性是否可靠？对柔性体、流体等复杂物理约束的模拟能否逼近真实？虚拟训练出的智能体如何更平滑地迁移到千差万别的真实硬件上？这些问题，目前还没有捷径可走。

但至少可以确定的是，世界模型的开放窗口期已经被打开，它正在从“少数人拥有的能力”，转向“更多人可使用的工具”。而在决定下一代具身智能形态的关键节点，开放，正在成为一种新的竞争力。

当世界模型真正“上桌”时，变化的不只是技术路线，还有整个产业参与者的构成方式，让中小团队低成本、高效率拥有一个SOTA级别的世界模型底座，具备了更多可能性。