经济观察报 记者 周悦

2025 年，" 世界模型 "（World Model）成为 AI 领域最受关注的词汇之一。它指的是让 AI 理解世界运作规律，不再停留在识别或生成层面，而是能想象并预测世界的变化。

随着大模型红利逐渐减弱，各家公司都在寻找新的增长点。DeepMind 推出可生成交互式 3D 世界的 Genie 3，OpenAI 继续强化 Sora 的物理一致性；英伟达、华为、百度等也正从机器人与自动驾驶场景切入，让 AI 从看懂迈向参与。

10 月 30 日，智源研究院发布悟界 · Emu3.5 多模态世界大模型。智源研究院院长王仲远在接受经济观察报等媒体采访时表示，随着互联网文本数据被充分利用，大语言模型的增长进入相对缓慢阶段，行业正在寻找新的突破口，而多模态与世界模型正是被寄予厚望的方向。

王仲远认为，Emu3.5 很可能开启第三个规模定律范式（Scaling）。在语言预训练和推理优化之后，Emu3.5 进一步证明，多模态模型同样具备可规模化成长的潜力。" 它的最大贡献，是用自回归架构统一了图像、文本与视频的生成和理解。它能够预测下一个状态（Next-State），这一点非常接近人类大脑对世界进行理解的方式 "。

与主流的 Diffusion Transformer（DiT）架构不同，智源从 " 第一性原理 " 出发，构建原生多模态大模型。在 Emu 架构下，模型能在同一系统中完成感知、理解、推理与生成，形成一个可持续进化的世界模型。

智源研究院多模态大模型负责人王鑫龙介绍，Emu3.5 基于超过 10 万亿 token 的多模态数据训练，其中视频数据累计时长达 790 年，参数规模为 340 亿。智源团队提出的 " 离散扩散自适应（DiDA）" 推理方法，使图像生成速度提升近 20 倍，同时保持高质量输出。模型在三个维度上实现突破：一是从意图到规划，能够理解更高层级人类意图，例如，如何制作一艘宇宙飞船，并生成连贯的多步骤行动路径；二是动态世界模拟，能在统一框架内预测物理动态、时空演化与因果关系；三是泛化交互能力，为 AI 与人类及物理环境之间的协作提供认知基础。

针对外界将世界模型等同于视频生成的看法，王仲远不认同。他认为，世界模型的核心并非视频生成，而是对因果与物理规律的理解。比如机器人要抓起一杯靠近桌边的咖啡，它必须预测哪种动作会让杯子掉下去，哪种才安全——这才是真正的理解。

他认为，人类学习世界时不会区分语言或动作，Emu3.5 也不限定用途。它既可支撑具身智能，也能生成多模态训练数据。在他看来，这不仅是一次架构创新，也展示了中国科研团队的原创路线，在世界模型这一尚未收敛的领域中，尝试提出自己的答案。

2024 年 10 月，智源研究院发布了全球首个原生多模态世界模型悟界 · Emu3。该模型仅基于 " 下一个 token 预测 " 机制。Emu3.5 则在此基础上进一步完善，使 AI 具备更强的物理直觉与跨场景规划能力。

王仲远认为，未来的 AI，不只是理解指令，而要理解世界本身，并在其中行动。