「世界模型」正成为 2026 年最被滥用的技术标签之一。
视频生成模型说自己是世界模型。VLA（视觉-语言-行为）模型说自己是世界模型。JEPA 也说自己是世界模型。它们各自都在「世界模型」的宽大帽檐下找到了舒适的位置。
但一个真正需要回答的问题是：如果什么都是世界模型，那什么不是？
清华人工智能学院助理教授、97 年出生的博士生导师李一鸣在近期的一次深度访谈中，给出了三句非常尖锐的判断：
- VLA 不是原生世界模型——因为它的表征是离散的语言空间，不是真实世界。语言是被高度压缩后的世界规则抽象，本质上是为了交流，不是为了让机器理解物理。
- 视频生成模型不是原生世界模型——因为推理过程不是原生的。它生成的像素只能拟合世界的表象，很难保证复杂任务策略学习需要的几何与物理一致性。Sora 能生成漂亮的划艇视频，但无法用来训练机器人划船。
- JEPA 也不是原生世界模型——因为它只能预测状态，无法输出动作。只有感知没有行动，就不构成与物理世界的完整闭环。
这三句话，是对 2026 年世界模型赛道最大泡沫的一次精准剥离。
而李一鸣的团队创办的「厘清智能」，在成立两个月内完成了数亿元种子轮融资，投资方包括顺为资本、红杉中国、高瓴创投、峰瑞资本，以及智元机器人、灵心巧手等产业资本，是对这套判断的数亿元级背书。
一、世界模型的定义问题，本质是系统问题
李一鸣的说服力来自一个关键的认知前提：世界模型不是某个模型，而是一套系统。
他讲了一个《长安的荔枝》的故事做类比。
为了把鲜荔枝从岭南运到长安，小吏李善德必须解决保鲜、驿站、路线、补给等一系列环环相扣的难题。没有这套完整系统，单靠一匹快马是运不到的。世界模型也一样——它是那匹「运送荔枝的马」，只是一条技术路线，离开数据采集、硬件部署、物理引擎等环节的配合，将毫无价值。
这个类比击中了当前行业最大的盲区。大多数公司把「训出一个能生成视频或3D的模型」当作目标，但李一鸣认为，正确的目标是构建「数据和物理双轮驱动的 Physical AI Infra」——一套涵盖感知、推理、决策、动作输出的端到端系统。模型只是其中的一个组件。
他说了一句很有意思的话：「我们不想被贴上‘世界模型’的标签。我们在做的，是解决 Physical AI 的问题。」
二、VLA 为什么不够「世界」？表象背后的三个维度的解释
李一鸣对 VLA 路线的质疑，值得每一个关注具身智能的人认真思考。
第一：语言不是模态，是交流界面
VLA 的核心问题在于，它把语言当作了中心表征。但语言本质上是对世界的二次压缩——它不仅丢失了物理细节（一个苹果的重心分布、柔软度、摩擦系数），而且不同语言本身带有人类的认知偏见。
李一鸣的判断是：语言模型负责的是机器和人的交互，世界模型负责的是机器和世界的交互。两者功能不同，不能互相替代。
第二：Tokenization 的瓶颈
对于世界模型来说，最核心的挑战不是参数量、不是算力，而是如何将物理世界高效地 tokenize（表征化）。
视觉、触觉、力觉——这些多模态观测如何被压缩成模型可以理解、可以推理的 Token 序列，直接决定了模型能力的上限。李一鸣的团队已经在视觉 tokenizer 上超越了 Meta 的 DINOv3，但这仅仅是开始。
这里有一条重要的原则：'''语言 Token 是离散的、约定俗成的；物理 Token 必须是连续的、物理一致的。''' 这是世界模型和语言模型之间的结构性差异。
第三：数据效率的飞跃
李一鸣的团队设计了一套「1% 真机数据原则」：用别人 1% 的真机数据量训练策略模型，达到相同的成功率。
方法很简单但很聪明：先用真机采集少量数据，将真机数据的 state transition 和物理世界模型的 state transition 对齐，把 loss 回传优化世界模型。之后，机器人的大部分练习可以在物理世界模型中完成。
举个例子：以前机器人学习切苹果，需要真切坏成百上千个；现在只需要真切十次，剩下的练习都在虚拟世界中完成。这不只是成本节约，而是 Physical AI 从 demo 走向规模化落地的关键前提。
三、「荔枝系统」——三件套式的 Physical AI 框架
厘清智能的技术路线可以用三个组件来描述，李一鸣将其命名为「荔枝系统」：
组件一：数据管线
自研全掌触觉手套等数采设备，将单套成本从美元量级压到人民币量级。数据量从行业常见的几十万小时提升到百万到千万小时。一个反常识的点：李一鸣认为人类数据比真机数据更容易规模化——中国有数亿人在一线工作、在家庭中生活，真人带着设备采集数据的效率远高于操纵机器人采集数据。
组件二：原生世界模型
不是 VLA，不是视频生成，不是 JEPA——而是一个感知-推理-决策-动作全栈打通的原生模型。预训练阶段，以预测下一状态和行动为目标进行自监督学习；后训练阶段，模型被封装为可交互的仿真环境。
组件三：可微物理引擎
这是最被低估的核心能力。物理引擎需要高效建模柔性物体、流体的状态变化，让机器人可以在其中做强化学习。更关键的是，物理引擎是可微的——这意味着 loss 可以回传，世界模型可以持续优化。
这三个组件形成了一个完整闭环：数据管线产出训练数据→世界模型学习物理规律→物理引擎提供后训练环境→更好的模型产出更好的机器⼈表现→更好的表现又产生更高质量的数据。
这套框架的命名也很有意思。「荔枝」来自《长安的荔枝》——要把鲜荔枝从岭南运到长安，需要的是系统，不是一匹快马。李一鸣的终极目标，是把这套系统封装为通用 Physical AI Infra——像 iOS 之于移动应用一样，让各种物理操作任务可以规模化开发和部署。
四、推演：2028 年的里程碑，和被淘汰的公司
李一鸣预判 2028 年是 Physical AI 规模化落地的里程碑。这个判断依据两个因素：
一是数据采集规模将在两年内跃升。中国数亿产业工人的手持数据采集，将在未来 24 个月内产生百万小时级别的训练数据。二是电机密度和硬件成本正在快速改善。
但更重要的是，这个框架可以帮助我们判断哪些公司会在这个过程中被淘汰：
- 只做模型的公司：没有数据管道，没有物理引擎，只有一个被训练成世界模型的模型——它就像没有驿站系统配合的那匹快马，运不到目的地。
- 只做硬件的公司：解决了本体的机械和控制问题，但没有模型和物理引擎，机器人在真实环境中只能执行预设程序，没有「理解」能力。
- 只做数据采集的公司：采集了大量数据但没有能力将其转化为模型训练和物理仿真——数据停留在原始状态，没有变成智能。
唯一能跑通的公司形态，李一鸣给出的答案是：「World Model as Service」。不是本体公司，不是模型公司，而是一家向客户交付软硬一体系统的公司——根据场景和预算自动匹配最优硬件方案，开箱即用。
五、落到行动
如果你在关注 Physical AI / 具身智能赛道，以下几件事现在就可以做：
- 如果你是投资人——问被投公司三个问题：你们的 tokenizer 是自己训的还是调的？物理引擎是可微的吗？真机数据占比和合成数据占比是多少？回答不上来的，大概率是披着世界模型外衣的 demo 公司。
- 如果你是创业者——不要只关注模型的参数和 benchmark。建立数据采集管道和物理引擎的能力，可能比训一个更大的模型更重要。全栈能力才是壁垒。
- 如果你是技术决策者——思考你所在场景的「物理 Tokenization」问题。你需要的不是调用一个世界模型的 API，而是理解物理世界如何被表征、被推理。这两种思维的天壤之别，决定了你的产品能否在 2028 年之前跑通闭环。
厘清智能的数亿元种子轮，不只是对一家清华系初创的押注，更是对「什么是真正的世界模型」这个问题的价值判断。
参考来源：36氪《智能涌现》独家报道