6 月 6 日，智源研究院在 "2025 智源大会 " 上发布 " 悟界 " 系列大模型，宣告其从 " 悟道 " 时代迈入 " 具身智能 " 探索阶段。

智源研究院院长王仲远在接受《每日经济新闻》记者在内的媒体采访时表示，"AI（人工智能）正加速从数字世界走向物理世界 "，这是推动其战略升级的根本逻辑。

王仲远 图片来源：主办方供图

这一判断背后，是 AI 技术与应用边界的重构。当前，主流大模型大多聚焦在 C 端文本生成、语言对话等 " 数字智能 " 场景，而智源试图将 AI 推向更具挑战性也更具想象空间的 " 现实世界 " ——包括机器人、操作系统与世界模型的构建。在王仲远看来：" 这个世界不需要那么多‘博士’，更需要能执行任务、能落地的 AI。"

" 具身智能 " 正成为下一场 AI 竞赛的起点。王仲远判断，具身智能的 " 小组赛 " 还没结束，远没有到 " 淘汰赛 "。但谁能在这一新赛道率先跑通技术路径、突破数据瓶颈，谁或将定义人工智能的下一个十年。

从 " 悟道 " 到 " 悟界 "，AI 正迈入现实物理世界

" 人工智能正加速从数字世界走向物理世界，这是我们对整个大的技术发展趋势的判断。" 在采访中，王仲远以这句话点明了智源研究院由 " 悟道 " 大模型升级至 " 悟界 " 大模型背后的核心逻辑。人工智能技术正经历从以语言理解和推理为核心的 " 数字智能 "，迈入与现实环境互动的 " 具身智能 " 阶段。

从早期的 " 悟道 " 系列到如今的 " 悟界 " 系列，智源研究院的战略转向并非突如其来，而是 " 水到渠成 "。王仲远坦言：" 我们认为人工智能最终要造福人类社会，要帮助大家摆脱繁琐的、重复的、简单的劳动，使得大家能够更多地享受生活，享受这个世界。" 他进一步指出，大模型技术不应止步于文本生成、语言对话等 C 端应用，而应继续向现实世界渗透，服务实际场景。

在技术路径上，王仲远强调，目前整个大模型的发展基本上都还处在数字世界，尤其是 C 端应用，比如聊天工具、对话模型。" 但我们也坚定地认为，这个世界并不需要那么多‘博士’。" 在他看来，AI 不应仅用于提升智能 " 学术型 " 表现，更应拓展其实际执行力，服务现实世界需求。

此次 " 悟界 " 系列模型的发布，正是在此背景下的延伸尝试。据介绍，" 悟界 " 不仅继续强化了模型的推理能力，也尝试将 AI 从虚拟认知延伸至真实物理世界的感知与交互中。这一进程的核心技术支点，就是 " 世界模型 "（World Model）的探索。

然而，目前 " 世界模型 " 尚无标准定义。王仲远坦言：" 在全世界范围内，大家都还没有非常明确的定义。有些叫空间智能，有些叫时空智能，也有其他不同叫法。" 智源内部将其理解为一种原生多模态世界模型，本质上是通过单一模型捕捉世界规律的尝试。这些规律不仅包括物理规则，也涵盖人与世界交互的机制，例如类脑神经系统中的模块化处理方式。

王仲远特别强调，他并不试图为世界模型下一个绝对定义，而是 " 代表我们对于使用人工智能探索世界的一种实践路径 "。

具身智能赛道 " 小组赛 " 尚未结束，远没有到 " 淘汰赛 "

在人工智能走出数字世界的过程中，如何构建 " 具身智能 " 成为研究核心。所谓具身智能，意指 AI 系统具备与现实物理世界交互的能力，能够在复杂环境中感知、规划、执行任务。

围绕机器人形态的选择，当前学界与业界依旧存在众多分歧。例如，有观点认为当下对人形机器人的热衷或许走错了方向，四足构型可能更实用。对此，王仲远表示：" 具身智能不代表一定是人形机器人。" 他指出，智源开发的 RoboOS 操作系统已经能够适配多种构型，包括机械臂、轮式、双足、四足等。

不过，王仲远并不否认人形机器人的长远价值。他认为，人类社会的基础设施是围绕人类构型打造的，从长远看，人形机器人更容易融入现有社会系统。此外，人形构型在数据训练上也更具优势。" 我们做具身大脑模型时发现，人形构型更有利于利用现有视频数据学习，而四足机器人所需的数据更稀缺，获取难度更大。"

除了机器人形态，另一个具身智能的发展关键点是 " 大小脑协同框架 "，即如何在 AI 系统中实现决策层与执行层的高效配合。王仲远介绍，智源推出的 RoboOS 便是实现大小脑融合的一次尝试。

不过，他同时指出，目前的技术仍远未成熟。" 我的一个坚定观点是，具身智能的‘小组赛’还没结束，远没有到‘淘汰赛’。" 王仲远认为，从长期趋势看，大小脑融合的模型是有可能实现的，可能需要五到十年，但绝不是今天，原因很简单，就是数据受限。当前的感知数据尚无法支撑统一模型的训练和泛化，这也直接限制了人工智能在多任务场景中的能力扩展。

王仲远认为，具身智能的最大挑战，是如何从专用任务逐步过渡到具备一定泛化能力，再发展为真正能够解决各种问题的通用系统。他指出，这正是 AI 从 1.0（专用）迈向 2.0（通用）的过程。

此外，王仲远也谈到具身智能研究的另一大困境—— " 数据难题 "。他表示：" 做具身模型，现在数据非常稀缺，我们采集和补充回来的也比较少。" 这一问题不仅影响训练，还限制了模型在感知层和决策层之间的协同能力。

" 真实世界的数据肯定重要，但它是不是足以训练出一个有价值的模型，这在学术界是有争议的。" 王仲远表示，具身智能的突破路径，或可借鉴当前大模型发展的技术演进逻辑，即在大规模已有数据的基础上进行能力预训练，随后结合少量真实世界数据，通过强化学习不断迭代模型能力。

他认为，这种 " 基础模型 + 强化学习 " 的技术路线，有望在物理世界中同样奏效。当前大模型的发展已经验证，基础能力达到一定水平后，借助强化学习可以进一步激发智能表现。" 所以我们认为，具身智能或者物理世界的 AI 很可能也会有类似的技术路线。"

每日经济新闻