一幅梵高的《露天咖啡馆的夜晚》，变成了能走进去逛的 3D 街景，你可以从任意位置和角度感受梵高看到的世界。

只需几张办公室照片，就能生成一个可物理交互的 3D 场景。还可通过代码编辑桌面、转椅、抽屉的质量、摩擦力，推演生成真实运动过程。把时间按暂停，" 子弹时间 " 可以让你反复从不同角度观看动作发生的那一瞬间。

这些都是 10 月 30 日大晓机器人联合南洋理工大学 S-Lab 发布的可探索、可交互的世界模型 Mundo 的能力。

Mundo 回答了世界模型长期以来的卡点：一段逼真的场景重建影像，除了能看，能不能被使用，被交互？

对于具身智能产业，这意味着世界模型不只是能生成一段段漂亮的影像素材，而可以变成机器人能反复试错、迭代策略的仿真训练场。

世界模型从 " 生成环境 "，

最近几轮顶尖世界模型的发布，最吸引眼球的是互动性从无到有的跨越：自由视角探索、镜头能走得更远、画面更逼真、空间上下文更长等。

9 月，World Labs 发布 Atlas，能够根据少量参考图像生成不同视角，并展示了长达一分钟、1440p 分辨率的漫游视频。Atlas 也已进入机器人仿真：根据重建的空间生成机器人沿途看到的画面，并辅助构建包含物体运动与交互的操作场景。

10 月 27 日，Google DeepMind 发布 Genie 4，进一步推进实时交互。用户可以一边探索，一边用自然语言改变天气、加入人物或物体，让模拟过程随着新的指令继续发展。

但是放在真实场景应用的视角，这些模型的缺口很快暴露出来。

Atlas 在 Real-to-Sim 工作流中，为模拟机器人生成的传感器数据仅包含 RGB 图像和深度图，不输出碰撞检测信息、刚体动力学参数或接触力计算结果。物理演算需要对接外部物理引擎，比如 MuJoCo、PhysX 等。

Genie 4 长时间运行会出现细节漂移，音频、文字、空间一致性仍不稳定。更关键的是，智能体可能利用模型漏洞，比如 " 穿墙完成任务 "，仿真里表现好，真机里反而失效。

从这个角度看，世界模型接下来的竞争，不会停留在 " 谁生成的空间更大、更逼真 "，而是越来越多地发生在交互的深度里：

同一处空间能设置多少种任务，物体物理属性可以被改到什么粒度，每一次物理运动之后留下了多少可用于分析的信息。

这正是 Mundo 切入的卡点。

当然 Mundo 同样也具备场景重建、自由视角探索和时空模拟能力。仅需一张图片，就能生成一个环境重建，模型会对没有被拍到的区域进行推断补全。参考图片越多，空间保真度越高。

支持跨空间长路径生成，连续生成数十秒至分钟级的探索画面。

Mundo 更值得关注的价值在于，在场景重建中构建可计算、可复现、可编辑的物理交互，让世界模型跨过一个关键分水岭，从看起来逼真的环境重建，到让机器人能真实交互的仿真世界。

把场景重建、物理引擎与视觉生成结合

要让机器人在仿真场景里练习，只给它看视觉素材是不够的。

机器人得能推一下椅子，椅子按真实的阻力和惯性滑出去。拉开抽屉，铰链的力矩有数可查。把显示器撞翻，接触点和冲击力能被记录下来，而不是只渲染出一段 " 看起来摔了 " 的画面。

Mundo 的做法是把场景重建拆成三层：

第一层是三维代理与场景程序。

三维检测器先给房间里的物体定出位置和尺寸，视觉语言模型智能体在渲染引擎里反复比对原图，把漏检的、错位的、朝向不对的修回来。修完之后，每件东西，比如桌子、椅子、抽屉、垃圾桶等被写成一段 Python 代码，带着自己的尺寸、位姿、质量和摩擦系数。

这样场景不再只是一团被重建出来的几何影像，而是一份可以被计算的物体清单。

第二层是物理引擎。

MuJoCo 物理引擎通过脚本定义施加的力和动作，并在重力和接触约束下算出运动轨迹、接触位置和碰撞力。

第三层是视频生成模型。

视频生成模型结合环境参考图像，将物理变化渲染到对应场景中。

几何归几何，物理归物理，视觉归视觉。这个分工换来的是对具身训练极其重要的东西：每一次交互之后，都有一份可以追溯的物理账，而不是一段无法追问 " 为什么是这样 " 的视频。

而且 " 代码编辑 " 让同一处场景能够生成海量可计算的训练环境。

用户可以通过代码编辑场景中的物体、属性和动作，把同一个环境围绕不同任务拆成多个变体。

导航任务关心可通行区域和障碍物布局，操作任务关心接触面的摩擦和物体的质心分布，同一个三维代理可以在两种设定下分别生成训练数据，而不需要从头重建场景。

交互世界的产业价值

首先，Mundo 对具身智能的产业价值是把 " 练 " 的成本打下来。

具身智能眼下最实在的卡点，不是机器人本体造不出来，是练不起。

据 2026 年 10 月发布的《具身数据发展报告 2026》，部分真机遥操作设备单套超过 20 万元，一名遥操员每天仅能产出 2 至 3 小时有效数据，真机数据的市场报价约为每小时 500 至 1000 元。

更大的挑战是数据规模。2026 年 7 月，贵州省大数据局披露，国内合规的真实物理交互数据仅约 50 万小时，而机器人商业化落地预计需要数千万小时数据。

这意味着，只靠真机采集，不仅成本高昂，也很难满足通用具身智能对数据规模和场景多样性的要求。

Mundo 解答的正是降低训练成本、扩大有效数据供给的关键考题。

同一个重建场景，改一行摩擦系数，机器人面对的物理条件就变了。调一下物体质量，同一套抓取策略的成功率曲线随之移动。

传统方式下，要覆盖这些变化，意味着重新搭场景、重新采数据。在 Mundo 里，它是一次代码编辑。

目前大晓已经把 Mundo 应用在酒店场景中重建楼层与洗衣区域，为导航提供空间和语义信息，并模拟洗衣机开门等交互。

这意味着机器人在进入真实楼层之前，可以在一个物理上可计算的环境里先把 " 门怎么开、力用多大、碰到障碍怎么退回来 " 练习无数遍。

其次，打开影视、游戏等泛娱乐领域全新空间。

物理交互能力的溢出价值不止于机器人。谷歌在 Genie 4 的发布中已经把游戏开发和影视制作列为与机器人训练并列的主要方向，早期测试者认为电影才是最被看好的应用场景。

可交互的世界模型，不只是帮创作者 " 描述 " 一个世界，更是让创作者 " 写定 " 一个世界的物理规则，再让画面跟着规则走。

从生成逼真的画面，到构建能够交互、遵循物理规律的虚拟世界，世界模型正在向更实用的方向演进。

Mundo 让场景重建从 " 可观看 " 走向 " 可探索、可交互 "，让 AI 在虚拟世界中的训练成果真正转化为现实世界的行动能力。

本文为「智能进化论」原创作品。