作者：冯斯基
首发于公众号：常垒创投
注：本文信息和判断截至 2026 年 9 月 , 依据公开技术资料、产品信息和阶段性研究整理；文中的分类是分析框架 , 不构成对任何公司的最终定性或投资建议。
题记
"The next wave of AI is Physical AI. We are no longer just building models that process information; we are building models that perceive, reason, and act in the physical world."
—— Jensen Huang ( 黄仁勋 ) ,GTC 2025
这两年，AI 视频生成，了。
Sora 一出，全网惊叹；可灵、Seedance 轮番上阵，生成的视频光影逼真、运镜丝滑，很多人看完第一反应：电影工业要完蛋了。实际上两年过去，横店演员不少都失业了。
说实话，这事办得不地道。如果是 AI 生成的，那至少标识一下。不少人不喜欢看动画片，比如我。
2D 这么，一个听上去顺理成章的联想开始了 :
既然 AI 连以假乱真的视频都能生成，那让它顺手生成一个三维世界，2D 到 3D，应该也就是 " 差 1D" 的事吧 ?
过去几个月，我们围绕 " 世界模型 " 这条线做了调研、项目做了一些访谈。把国内外大厂的研发路径也翻了一下。今天这篇，我们就来分享一下常垒的小研究、小成果。
先说最反常识的那一句 :
纯 2D 视频输出不等于 3D 空间；现有 2D 视频模型也不能仅靠继续扩大参数规模，直接变成具备显式几何、空间记忆和可编辑资产能力的三维世界模型。
一
视频再逼真
也只是 " 录像 "，不是 " 房子 "
先打个比方。
你对着一套房子拍了一段 360 度的看房视频 , 画面精美、光影真实。但请问 : 你能拿着这段视频去施工队那里，把房子原样盖出来吗 ?
不能。因为施工队要的是建筑图纸和建材清单，不是录像。所以，广联达同志出现了。
黑神话悟空的电影和游戏就是这个差别。开篇电影里面可能看起来和游戏差不多，但是电影只能 " 看 " 不能 " 逛 "；但是游戏可以，猴子可以在外面逛，360 度看周围的环境。李飞飞老师的最新产品，就是这个效果。很精美的视频，但其实不是纯视频，里面是可以逛的。
2D 视频模型和 3D 原生空间智能之间的本质差别 :
2D 视频模型 ( Seedance、可灵、MiniMax、Sora ) 的数学本质，是潜空间里的像素概率去噪。 它交付的是一段 MP4 像素流（人话就是视频）——本身不是结构化、可编辑、可复用的三维资产。
从 2D 像素反推三维几何 , 在数学上属于 " 病态逆问题 " ( Ill-posed Inverse Problem ) ：一张照片背后有无数种可能的三维场景 , 靠堆参数、堆算力 , 堆不出绝对的几何一致性。
在大范围回环、360 度环视或长时域交互中 , 如果没有显式的三维表示和空间记忆 , 画面里的物体就容易出现身份变化、结构漂移、遮挡区域重构和拓扑错误。（回到高中物理的几何，就明白，平面几何和立体，不是一个东西）
3D 原生空间要交付的，是 " 图纸和建材 "：解耦的拓扑网格 ( Mesh ) 、UV/PBR 材质通道、碰撞边界。 这些东西能直接导入渲染管线和物理引擎，是可以二次使用，编辑，改造的，不是视觉视频表演。
创业公司更不能只跟创业公司比，不可低估大厂的实际行动。商业化的时候没人管是大厂还是创业公司。只有投资人关注在创业公司中比。因为大厂没有机会投资了。
大厂身体很诚实 :
腾讯没有把混元视频 " 升级 " 成 3D，而是另起炉灶，独立做了 Hunyuan3D-2.0；
字节没有把 Seedance 改造成 3D，而是由独立团队另辟了 Seed3D 1.0/2.0；
阿里是模型工厂，种类最多，在 3D 上也没有闲着，搞出来 Qwen-3D；
快手可灵和 MiniMax 目前公开信息只有 2D 像素路线 , 没看到在 3D 模型上面发力；
所以，"2D 视频模型不能仅靠扩大参数规模直接升级为 3D 原生空间系统；如果要进入这一方向，通常需要增加独立的三维表示、空间记忆、几何重建与交互能力 " ——一般是另起炉灶，一个新团队做新事。
这样其实也给创业公司提供了机会，如果 2D+1D=3D，那大厂的 2D 视频模型的壁垒，就是创业公司无法逾越的山。
3D／空间生成模型与 2D 视频厂商横向对比 :
（表格可点击放大查看）
二
世界模型
更适合看作 "2+1" 的三类产业角色
理清了 2D 和 3D 的边界，真正的世界模型版图才浮出水面。
经过这轮梳理，我们不能随便把什么企业都简单称为：世界模型公司。更适合产业分析的方式 , 是将它们归为 " 两类核心模型 + 一套训练工具链 " 的 2+1 分类。
不是说有模型的就是比没模型的高级；就算有模型的里面还是分 " 夯 " 还是 " 拉 "。
这三类角色不是高低配关系 , 而是三种不同的能力、交付物、客户和生意 :
第一类 : 世界生成模型——建空间和物体。（World Generation Model）
WGM 是我个人比较喜欢的称呼，中国人清晰易懂
李飞飞团队 World Labs 常用的术语体系：Spatial Intelligence / Spatial World Model：侧重三维空间、几何与物理先验的世界模型。
DeepMind Genie 系列：Interactive World Simulator：侧重动作条件输入、物理推演与可交互沙盒性质的表达。
看的是能否建立可持续、可编辑、具备稳定空间约束的显式三维空间，并在多视角、自由相机移动和场景编辑中保持较强的一致性。
需要强调的是 , 显式三维表示可以让空间一致性变得可约束、可优化、可验证 , 但不意味着实际系统天然没有漂移。实际上就是这个模型有没有幻觉。
全球标杆是李飞飞的 World Labs ( Atlas/Marble ) ，最近刚刚发了一段产品，极致的精美。
中国阵营里：影眸 Hyper3D CAST、腾讯 Hunyuan3D-2.0、字节 Seed3D 2.0、阿里 Qwen-3D、都在这一类别卡位。（VAST 应该在内部做一个 Project Eden，还没正式官宣）
就好像大家都要登上珠穆朗玛峰，登山者都在喜马拉雅山下的不同坡开始往上爬。过程中，半山腰和山顶可能就要打起来。最终 8848 登顶就是：" 骇客帝国 "，一个完全由模型生成的世界，里面有完整的物理、材料、摩擦力、重力等等物理世界约束。
当年 Neo 其实是在世界模型里面 "Vibe Coding"，Hacking 了这个模型生成的系统。然后变成了游戏里的神。
骇客帝国这个电影，可以考虑回炉再看一百年；现在有语言生成模型和世界生成模型，就能看懂了。
不是导演太蒙太奇，而是电影太超前。
第二类 : 世界行动／具身策略模型——做行动（World-Action Model）
看的是能否结合视觉、语言、本体感觉和历史状态，预测动作后果并生成可执行的行动策略，在真实环境中根据反馈持续纠偏。行动模型可以部署在机器人端侧、边缘设备、云端或机器人厂商的控制系统中，" 嵌入机器人脑中 " 是部署形态，不是定义本身。
行动模型看的是能否把视觉、触觉、本体感觉和历史状态转化为可执行的动作策略，并且在显式或隐式的预测机制中预演动作后果，失败后能够根据反馈自主纠偏。它不一定直接输出每一个高频关节力矩，低层力矩、阻抗和平衡控制可以由配套控制栈完成。
全球可关注：
Physical Intelligence ( π 0 ) 、Figure ( Helix ) 等行动模型和具身系统；
中国阵营里：
阿里达摩院的 WorldVLA/Qwen-RobotManip、银河通用、极佳视界、它石智航、智元机器人、生数科技可作为重点研究对象。
（本文的判断标准是是否有公开证据支持动作后果预测、行动—模拟协同和真实反馈闭环，而不是只看企业是否使用 " 世界模型 " 这一名称。）
一句话记住这个 2+1 分类：
纯 2D 视频输出不等于 3D 空间；现有 2D 视频模型也不能仅靠继续扩大参数规模 , 直接变成具备显式几何、空间记忆和可编辑资产能力的三维世界模型。两类模型负责 " 建空间 " 和 " 做行动 "，一套工具链负责 " 让模型可训练、可测试、可部署 "。
+1 类：非模型，仿真、合成数据、训练、评测与部署工具链——供模型使用（World Model Toolchain )
工具链的任务是构建可用于训练、测试和验证的仿真环境 , 生成合成数据，评估模型在长时域、分布外和安全边界场景中的表现，并帮助模型从虚拟环境迁移到真实环境。这里既包含物理引擎、数字孪生和仿真平台，也可能包含动作条件化的学习型世界模拟模型；前者不是模型本身 , 后者仍属于模型。
作为工具链和学习型模拟能力的代表 , 全球可以关注 NVIDIA 的 Cosmos、Omniverse 和 Isaac Sim;
中国市场则可关注松应科技的 ORCA 物理 AI 操作系统、飞捷科思的 Fysiverse/Fysics、极佳视界的 GigaWorld 等。
世界模型产业 2+1 全局矩阵：
三
+1 工具链
国产力量正在悄悄 " 换地基 "
工具链可能是当下产业价值最实在、也最容易被忽视的一类基础设施。它不一定是模型企业，但决定了模型能否低成本训练、反复测试并可靠地从虚拟环境迁移到现实环境。
具身智能行业有个公开的苦衷 : 真机数据太贵、太少、太危险。让机器人在真实世界里摔一万次杯子去学会抓杯子，没有哪家公司摔得起。于是，高保真的物理仿真沙盘，成了整个行业的真实训练 " 替代品 "。
这类工具链中有两个值得重点关注的国产：
一是松应科技的 ORCA。 创始人聂凯旋曾任华为云鲲鹏解决方案副总指挥，团队聚合了华为、英特尔等大厂的底层系统和并行计算专家。他们不走像素生成路线，自研了国内首个实时多物理场耦合仿真系统 ORCA SIM ——刚体碰撞、柔性体形变 ( 线缆、布料、软体材料 ) 、流体动力学统一求解，专治传统仿真的 " 穿模 " 和动力学失真，大幅压缩 Sim-to-Real 的鸿沟。
原生支持 OpenUSD，率先接入 MCP 协议 ( 通用 Agent 可以直接调度仿真沙盘 ) ，并且异构适配摩尔线程、沐曦、天数智芯等国产芯片。
另外要提一句我们的被投项目飞捷科思：创始人张立华教授是英伟达 PhysX 物理引擎的主要奠基人，他们自研的可微分物理引擎 Fysics，和传统引擎的思路根本不同——传统引擎是 " 给定输入，算出下一个状态 "；可微分引擎能反过来告诉 AI" 你刚才的输入让你离目标更近了还是更远了 "。这个能力打通了 " 仿真—训练—优化 " 的全链路，在全球范围内都屈指可数。
这类工具链的商业形态已经很清晰：仿真一体机、平台授权、合成数据按有效时长计费。客户是具身智能公司、自动驾驶主机厂和工业数字孪生客户——是真金白银在付费的 B 端生意。
两家侧重有些差别，单商业化的时候又会都来到一个公平的场景，谁为下游真正解决问题，谁能拿到真正的单子和回款。
仿真、世界模拟与训练基础设施对比 :
四
第二类核心模型
如何识别真正的世界行动模型
行动模型是概念最容易泛化的地方。现在很多机器人项目都会使用 " 世界模型 "" 具身大脑 " 或 " 动作思维链 " 等表述，但名称本身不能替代技术证据。
为避免把传统 VLA、行为克隆、低层运控和完整的行动模型混为一谈，本文采用三项判断标准：
1. 因果动力学推演 : 模型要在潜在空间真正掌握物理状态转移规律，而不是对着画面拟合关节轨迹 ; 2. 行动 - 模拟思维沙盘 : 动作执行前能在 " 脑内 " 预演碰撞风险和操作后果，长程任务失败时能自主纠偏 ; 3. 真实反馈下的物理闭环 : 视觉、触觉、本体感觉等反馈能够持续影响动作策略和控制输出；高频力矩与阻抗控制可以由配套控制器完成，不必要求基础模型直接承担全部低层控制。
用这三条标准去看公开项目 , 重点不是给企业贴标签，而是判断公开证据是否足以支持其进入本文的行动模型类别。
可以重点研究的行动模型对象 :
阿里达摩院的 WorldVLA 它尝试打通 " 世界模型管物理因果、动作模型管行为输出 " 之间的割裂 : 输出动作的同时，脑内预演这个动作会引发什么后果——抓取滑脱时。传统 VLA 会机械地卡死，WorldVLA 能自己调整动作直至抓取成功。配上 Qwen-RobotManip ( 80 维跨本体动作空间 + 流匹配动作头 ) ，为中国阵营提供了较具代表性的世界行动模型。
银河通用、极佳视界、它石智航、智元机器人、生数科技按公开信息也初步符合三项判断标准，路径各有侧重 ( 扩散统一模型、触觉 - 世界模型耦合、动作思维链等 ) 。
补充一句 :
本文不把机器人整机、低层运控栈、系统集成和行动模型简单等同。整机企业可以是行动模型的部署方或验证方，控制栈可以是行动模型的配套执行层，而是否属于核心行动模型对象 , 仍应回到动作后果预测、行动—模拟协同和真实反馈闭环这三项标准。
划清这条线不是为了贴标签 , 而是因为估值逻辑完全不同：运控小脑值硬件的钱 , 纯 VLA 值数据的钱，而真正的 WAM，值的是通用具身智能入口的钱。
行动模型对象与边界说明 :
五
2+1 不是孤立的
而是一个产业飞轮
最后把两类核心模型和一套工具链放在一起看。
3D 空间资产可以进入仿真工具链 , 工具链批量生产合成数据、做场景测试和因果预演，再服务于行动模型的训练与验证；行动模型驱动真机上岗作业 , 遇到的长尾异常案例 ( Corner Case ) 再反哺回仿真系统和空间模型，持续优化。
空间资产 → 仿真与数据工具链 → 行动模型 → 真实异常反哺——这是世界模型产业可以形成的 2+1 飞轮。
2+1 体系商业化交付与真实 ROI 核算 :
站在投资视角，这个 2+1 结构，我就武断而残暴的总结 :
· 第一类模型看：输出的审美 · +1 类工具链看：没有人真买单 · 第二类模型看：动作灵不灵
每一类都会跑出大机会，但前提是，先看清它到底卖的是什么、服务谁，以及它在模型与工具链中的位置。
以上是我们近期研究的一点阶段性结论，抛砖引玉，欢迎一线创业者和同行交流指正。如有不同意见，那一定是你对。
* 作者：常垒资本 冯斯基，首发于公众号常垒创投（ID：conswall_cap），转载请后台回复转载 ID 即可。
