從生成視覺到生成世界：中國AI的下一場硬仗

陳慶春/文

大語言模型預測的是下一個Token，世界模型預測的是下一秒世界。

過去幾年，人工智能最熱鬧的戰場，是大語言模型。人們討論上下文長度、推理能力、智能體、代碼能力，也討論 AI 會不會取代搜索、辦公軟件和知識工作者。但從今年開始，一個更底層的問題被重新推到前臺：AI能不能真正理解世界？

美國對世界模型的押注在明顯加速。李飛飛的World Labs 獲得10億美元融資，用于推進空間智能，也就是讓AI理解、生成并交互3D世界；Runway在今年2月宣布3.15億美元E輪融資，并直接把使命表述為推動世界模型；楊立昆（Yann LeCun）創辦的 AMI Labs 也獲得 10.3億美元融資，方向就是構建從現實中學習的世界模型。

中國這邊也在發生類似變化。阿里巴巴發布Happy Oyster，可實時構建和交互3D空間；字節 Seed3D從單張圖生成仿真級3D模型，并可導入Isaac Sim等仿真引擎；騰訊發布并開源 HY-World 2.0，強調從文字、圖像、視頻等輸入生成和模擬 3D 世界。創業公司同樣在加速前進，極佳視界42天融資25億元；智象未來也完成了新一輪超 5 億元融資，融資用途明確指向下一代“原生全模態世界模型”。

今天，世界模型已經不再只是前沿論文里的概念，而正在變成中美 AI 公司共同爭奪的下一代底層能力。而2026年，就將是世界模型“分水嶺”。

世界模型的中國位置： 不是全面領先，但已進入第一梯隊

4月26日，合肥。智象未來在第四屆中國（安徽）科技創新成果轉化交易會上，發布了新一代原生全模態世界模型架構HiDream-O1及圖像大模型HiDream-O1-Image。

加拿大工程院外籍院士、智象未來創始人兼CEO梅濤博士稱，下一代大模型競爭的關鍵，不在于單一模態能力的疊加，而是應該從多模態走向全模態，以原生統一架構對真實物理世界進行原生、全模態的統一建模，圍繞真實世界的表達、理解與生成，才是新一代大模型技術的關鍵。

而在一個月前，遠在巴黎的AMI Labs公司CEO Alexandre LeBrun 也曾有過一個判斷：“世界模型將成為下一個AI 流行語”， “六個月內，每家公司都會稱自己為世界模型公司來融資。”

在AI的新階段，中國與世界同頻。

摩根士丹利在重磅研報中指出，下一場AI軍備競賽的戰場就是“世界模型”——讓機器真正理解三維空間、物理規律與時間演化 。

資本已開始大規模遷徙，我國僅2026年1-3月，就發生了25起世界模型相關融資事件，融資總額超22億元。具身智能領域融資額度更是大到嚇人，截至4月下旬，中國具身智能領域融資金額已達?525.34億元?，超過2025年全年總額（444億元），投融資事件達191起。

要理解這場競賽為何突然白熱化，需要先回答一個更根本的問題：大語言模型出了什么問題？

2026年初的一項研究指出，幻覺不是數據問題，不是訓練問題，而是LLM架構的內在缺陷。你問一個LLM“把杯子從桌子邊緣推下去會怎樣”，它能回答“杯子會掉到地上”，卻并不能真正理解重力、加速度、碰撞，它只是從訓練數據中記住了類似的句子。這個缺陷在純文本任務中或許可以忍受，但當AI要進入真實世界，比如操控機器人、駕駛汽車、在工廠里作業，它就變成了無法繞過的坎。

在這種情況下，世界模型被推到聚光燈下，成為AI下一程的主要角逐領域：AI 不只要能說，還要能看見、預判、行動、反饋。

新的賽程，似乎不再只有幾個主角，而是開始呈現“條條大道通羅馬”的跡象。總結下來，目前世界模型大致有 6 條路徑：

第一條是視頻世界模型。視頻天然包含時間、空間、動作和因果，是現實世界的一種壓縮記錄。Sora、Runway、Luma、Veo，以及中國的可靈、即夢、海螺、智象未來 HiDream，都屬于這條路線的早期入口。

第二條是 3D /空間智能。視頻是結果，3D 才是結構。World Labs 強調空間智能，騰訊 HY-World、字節 Seed3D、阿里 Happy Oyster 等，則試圖生成可進入、可編輯、可導出、可復用的 3D 世界。

第三條是交互式世界。DeepMind Genie、World Labs、阿里 Happy Oyster 都在探索讓用戶或智能體進入一個生成世界，并通過指令、視角、動作實時改變它。

第四條是自動駕駛世界模型。Tesla、Wayve、Waymo，以及中國的小鵬、理想、Momenta、百度Apollo等，都在道路世界里做感知、預測、規劃和行動閉環。

第五條是具身智能世界模型。NVIDIA Cosmos / GR00T、Physical Intelligence、Figure，以及中國的極佳視界、宇樹、智元、銀河通用、自變量機器人等，都在嘗試讓機器人在現實中行動、失敗、反饋、再學習。

第六條是原生全模態世界模型。它試圖用一個統一架構表達、理解、生成真實世界，不再把文本、圖像、視頻、3D、動作和具身輸入割裂開來。智象未來正在押注的，就是這一條路。

世界模型的6條路徑

總結來看，美國在世界模型的探索上，普遍傾向于底層邏輯研發。中國企業并未陷入 “對標美國” 的陷阱，而是從一開始就走上了技術與商業雙輪驅動的差異化道路。阿里Happy Oyster、騰訊 HY-World 2.0 同步發布模型并綁定影視、游戲場景，極佳視界聚焦具身智能落地，智象未來則以全模態架構打通內容生成與物理世界。

中國擁有極高密度的應用場景：自動駕駛、機器人、工業制造、短視頻、游戲、文旅、營銷、電商、影視、城市數字化。這些場景不僅是市場，也是數據來源，是世界模型最需要的現實反饋系統。

與大語言模型階段相比，在世界模型階段，中國不只在追趕，而是在應用擴散、產業承接、產品速度和場景閉環上，已經進入世界模型第一梯隊。比如，在SeeDance2.0火遍全球的時候，Sora 卻被迫關停。最近，智象未來發布的HiDream-O1-Image，在六個業界標準Benchmark 達到SOTA（最佳模型），超過了Google 的Nano Banana 2、GPT Image 1。中國的具身智能、自動駕駛，同樣處于全球領先水平。

同時，我國也在爭奪世界模型的底層定義權，比如百度Apollo自動駕駛集成了多項底層技術的突破，智象未來開發的原生全模態架構，都屬于底層技術創新。

中國不僅要回答“世界模型到底怎么變成產業”，還要定義“世界模型應該是什么”。

中國創業公司： 從單點模型到底層架構創新

創業公司的活躍度尤其是高科技創業的繁榮，是國家創新活力的關鍵風向標。

我國在世界模型上的進展呈現出“大廠生態驅動”與“創業公司架構突圍”并行的特點。大廠路線更偏場景入口，畢竟大廠優勢就是生態、算力和流量入口。但世界模型的產業鏈很長，數據、架構、生成、仿真、具身反饋，每一個環節都可能長出新的創業公司。

中國創業公司的機會，不是復制大廠，而是卡住關鍵鏈條。

梅濤，是一位創業者，同時他也是加拿大工程院外籍院士，前微軟亞洲研究院資深研究員，全球首個文生視頻技術開創者，在計算機視覺與多模態領域深耕二十余年。2023 年，他創立智象未來，沒多久Sora 出街驚艷全球，但他當時的判斷是：“這是文生視頻的重要方向，但我們堅信，單純的視頻生成不是終點，走向全模態世界模型才是未來。”團隊沒有陷入 “模仿 Sora” 的內卷，而是堅持架構創新。

智象未來是中國這波世界模型創業中非常值得觀察的樣本。他們是國內最早做文生圖、文生視頻的多模態開創者。“我們2017年就發布了全球第一篇文生視頻論文，并獲得當年ACM Multimedia 2017 Brave New Idea Paper榮譽。”（注：ACM Multimedia 是多媒體領域的旗艦國際會議）梅濤說，“那時候我還在微軟。很有意思的是，當年那篇論文的作者，現在都在我們公司，都是核心基模研發人員。”

這種技術積累的厚度，讓智象未來在三年內始終保持大模型發布節奏，并持續進行底層架構創新。2023年，他們基于Unet架構；2024年轉向DiT（ Diffusion Transformer，推出基于 DiT 架構的產品 vivago.ai。2024年，在全球首次提出“擴散自回歸”（Diffusion + AR）模型架構，以平衡生成質量、時序一致性、可控性和效率。其開源圖像生成模型HiDream-I1 曾在 Artificial Analysis 榜單上線后 24 小時登頂，圖像編輯模型 HiDream-E1.1 也進入圖像編輯智能體第一梯隊。2026年推出UiT（Unified Transformer）架構的原生全模態模型，這是更徹底的架構創新。

與傳統 DiT 架構不同，UiT 架構放棄了各模態獨立編碼的模式，將文本、圖像、視頻、3D、動作等所有信息，以原始信號形式統一輸入模型，實現無損編碼與原生交互。智象未來CTO姚霆的進一步解釋是：“過去文字、圖片、視頻各有編碼，信息損失嚴重，還會產生幻覺。我們的架構沒有中間編碼環節，直接處理原始信號，可控性與精度實現質的飛躍。”

基于 UiT 架構的智象未來HiDream-O1全模態世界模型，用統一的Transformer，從原始信號端到端做全模態對齊。目前已經構建了三大核心能力：全模態統一表達，同時理解生成文本、圖像、視頻、3D、動作；因果推演，基于物理規律預測事件發展；物理世界構建，生成符合真實物理規則的場景與交互。

從 DiT 到擴散自回歸，再到 UiT原生全模態，智象未來的每一步發展都是在技術迭代中完成。但要是因此而將其定義為純技術研發公司，卻又完全不對。與楊立昆將世界模型作為基礎科學、不期待短期商業化的態度完全不同，梅濤從創辦公司第一天起想的就是商業化閉環。

梅濤一直強調，創業公司不能只靠技術聲量活著，要先找到PMF（Product Market Fit，產品市場契合度）。他曾說：“我們在商業化方面走得比較早，也比較快。雖然我們融的錢并不是最多的，但是花的每分錢、招的每個人，我們都是想明白的。”這句話其實解釋了智象未來的基本路線：不是一擲千金地堆大模型，而是在模型能力、推理成本、產品場景和商業收入之間找到可持續的閉環。這大概也是中國創業公司的典型特征。

智象未來不是為了展示一個大而炫的模型，而是要讓模型進入真實生產流程。

截至 2026 年第一季度，智象未來產品已覆蓋全球超 3000 萬專業用戶和 4 萬余家企業客戶，并形成“1+1+3”的商業化全景：一個 HiDream 系列大模型底座，一個 Token Hub 平臺，以及商業營銷、影視創作、社媒內容創作三大智能體應用。公司資料顯示，今年第一季度營收已經超過去年全年。

這不是普通意義上的“商業化成績”，而是通向世界模型的數據熔爐。世界模型不是只靠算法，還靠數據。

智象未來不是從空白數據開始訓練，而是在版權視頻、IP、影視、文旅、營銷、社媒創作、電商短視頻等場景里持續積累多模態數據、用戶反饋、行業流程和商業結果。它的“HiBurst”產品服務跨境電商和短視頻營銷，“HiDreamFans”產品打通線上內容生成與線下門店運營，“幀贊”產品切入專業級 AI 劇集創作，“vivago.ai” 面向專業社媒創作者。這些產品表面上是 AIGC 工具，本質上卻在形成“模型—平臺—場景—反饋”的閉環。

類似的場景，目前已經延伸到世界模型相關領域：具身智能和生命科學。

以具身智能為例，這個行業現在最缺的，就是高質量、可規模化、物理一致的訓練數據。現在大多依賴互聯網視頻數據或計算機仿真數據，顯然無法解決物理世界無盡的長尾問題。但傳統動捕數據可以記錄真實動作，卻也帶來了另一個問題：穿戴式設備、光學系統、慣性采集、觸覺裝置會改變人體形態、遮擋關系和視覺分布，形成所謂的視覺鴻溝（Vision Gap）。

智象未來與諾亦騰的合作，正是解決這兩者的矛盾。簡單來說就是，諾亦騰通過動作捕捉到真實物理數據，智象未來則依托這些數據生成海量的多樣化視頻數據，達成AI想要的Scaling Up（規模生成）。這就是“真實數據 + 生成式視頻數據”的新范式。

姚霆舉了個例子：“諾亦騰用動捕設備采了一套抓水瓶的視頻——就這一個視頻，場景、背景、機械臂種類完全固定。我們用帶action驅動的視頻生成能力，可以把它變成幾百幾千個視頻。”

他把這件事稱為“數據煉金術”。他說：“普通的通用視頻生成模型通常是為了好看，容易產生幻覺或物理不一致。為了讓生成的視頻數據能夠達到具身智能產業需求的物理一致性，我們基于智象自研的多模態大模型，對傳感動捕設備采集的數據進行了高可控性的生成式優化，使之更加符合具身智能企業進行高精度訓練的要求。”他認為，這種方式打破了傳統動捕數據局限，為具身智能進化提供高質量“燃料”。

智象未來與百圖生科的合作，聚焦“?虛擬細胞?”等微觀世界模型構建。利用智象未來在?全模態生成技術?與?圖像數據處理?方面的優勢，結合百圖生科的xTrimo大模型，共同突破了傳統生物實驗數據獲取瓶頸，構建高效虛擬實驗平臺，顯著縮短藥物研發周期、降低成本。今年3 月份，百圖生科已向香港交易所提交上市申請。

從圖片生成，到視頻生成，到具身訓練數據生成，智象未來已經演進到“生成世界”。這就像一個進化的過程，圖片和視頻生成都是為了走向最終的世界模型。就像智象未來認為的那樣：“圖片是世界模型的入口”，“視頻是記錄現實世界的重要載體，天然包含時間、空間、動作與因果關系”，“如果沒有一個底座特別強的視頻模型，很難在上面產生一個world action model。”但是只有視覺模型也是不行的，它也無法最終通往世界模型——世界模型還應該支持更多的模態輸入與輸出，所以必須從底層架構開始進行原生全模態的構建。

在全球格局中，智象未來不是 NVIDIA Cosmos，也不是 World Labs，也不是 Runway 的簡單中國版。它更像是三條路線的交匯點，不是美國路線的復制品，也不是單純的中國 AI 視頻公司。它更像是中國世界模型路徑中的一個創業樣本：用商業化場景積累數據，用底層架構創新提升模型能力，用生態合作補齊具身與微觀世界，用全模態底座連接內容生產、智能體和物理 AI。這對于一家創業公司來說，挑戰無疑也是最大的。

在中國格局中，類似智象未來這樣的創業公司，還有很多，就像本文前面所列舉的6 條路徑一樣。

與美國集中在底層技術創新不同，中國路徑的最大特點，不是單點巨頭，而是多點突破。正在用多家公司、多場景、多路線，拼出一套中國式世界模型生態：大廠負責入口和場景，創業公司卡關鍵鏈條，自動駕駛和機器人提供真實物理反饋，內容、營銷、影視、游戲提供商業數據熔爐。

2026年，世界模型“分水嶺”

英偉達機器人主管Jim Fan今年曾發文稱，2026年將成為大世界模型真正為機器人以及更廣義的多模態AI奠定基礎的第一年。

如果說 2025 年是世界模型的“概念元年”，那么 2026 年則正式成為世界模型的 “分水嶺” 。這里包括兩層含義：

其一，行業對世界模型的定義將徹底告別模糊與炒作，從 “各家自說自話” 走向統一技術共識，視覺 - 語言 - 動作（VLA）深度融合成為必然趨勢，所有路線最終都指向 “理解物理世界、預測時空變化、支撐真實交互” 的核心內核；

其二，中美雙方站到了同一個起點，在今后的一年即將看到此起彼伏的世界模型“大秀”，如同今日的每月一更的“大語言模型能力”。全球世界模型的底層架構、交互能力、產業落地的比拼將進入白熱化。

站在分水嶺之上，全球世界模型的發展已清晰顯現出五大不可逆趨勢，既勾勒出技術演進的方向，也暗合了中國企業的破局路徑：

第一，世界模型會從視頻生成轉向可交互世界。未來比拼的不是生成 10 秒、60 秒視頻，而是能不能進入、編輯、控制、復用、導出和訓練智能體。

第二，3D 資產會成為世界模型的中間層。視頻是結果，3D 是結構；沒有結構，世界模型很難真正進入游戲、仿真、工業和機器人訓練。

第三，具身數據會成為新石油。互聯網視頻只能告訴模型世界看起來怎樣，動作數據、軌跡數據、力反饋、失敗案例，才能告訴模型行動之后世界如何變化。

第四，世界模型會分化為宏觀和微觀兩條路線。宏觀世界模型服務機器人、自動駕駛、工業、城市和游戲；微觀世界模型服務生命科學、藥物研發、材料科學和虛擬實驗。

第五，中國會從“應用工廠”向“世界模型底座”補課。中國強在應用閉環，但下一步會完善——統一世界表征、仿真基礎設施、物理一致性評測、開源生態和開發者平臺。

分水嶺之年，也是機遇與挑戰并存的破局之年。

對于智象未來這樣的創新公司而言，這場分水嶺之戰的核心，是跳出 AIGC 工具的同質化內卷，將原生全模態底座、高精度動作數據、交互式世界生成、全場景產業應用徹底打通，從 “多模態生成工具商” 升級為 “原生全模態模型的創新者”。

結語

世界模型不是 AI 發展的終點，而是 AI 真正進入人類文明基礎設施的起點。梅濤與智象未來的實踐證明，中國創業者不僅能在應用層創造價值，更能在底層架構的“路線戰爭”中，憑借對 PMF 的敏銳嗅覺與技術的原創堅持，重構物理世界的數字底座。這場關于“主權”與“因果”的硬仗，才剛剛開始。（本文結束）