世界模型正在成为具身智能最热的几个词之一。做视频预测、仿真、机器人动作生成的都在谈世界模型。另一边，GPT-6直接接上机器人做真机测试，大家开始讨论：既然语言模型已经拥有很强的推理、记忆和规划能力，它能不能直接接管机器人的大脑。虎嗅AI100闭门会邀请章鱼动力世界模型合伙人陈文科、华映资本海外合伙人邱谆、域变换联合创始人吴昊、墨奇智能世界模型负责人吴桐，从模型研发、资本、自进化和学术前沿四个视角展开讨论。

先把世界模型四个字遮住

邱谆提出一个判断项目含金量的方法：把世界模型四个字遮住，然后具体看它到底在做什么。能不能看懂物理世界、预测一个动作的结果？能不能做决策，并在真机上跑通？第一次失败以后，下一次能不能做得更好？吴昊把这件事提炼成三个问题：能不能预测未来，预测结果能不能帮助决策，决策最后能不能在真机上闭环。如果只能生成一段漂亮的视频，却不能帮助机器人做下一步决定，那它距离真正的大脑还有很长距离。

GPT-6很强，但机器人大脑不能只靠语言长出来

陈文科用三个字母拆机器人大脑：L是语言，V是视觉，T是触觉。GPT-6最重要的意义之一，是再次说明当模型Scale到一定程度，确实可能自然涌现出新的能力。但这并不等于Language Scaling可以直接换成Action能力。他举例说，一个人伸手拿起水杯，不需要先在脑子里用语言描述一遍。很多物理动作本身不以语言作为最直接的中介。L更适合理解、规划和长程任务拆解，真正直接连接物理世界和机器人动作的是V和T。吴桐团队对GPT-6的真机测试提供了另一侧观察。GPT-6表现出更强的指令泛化、In Context Learning以及长程任务中的理解和交互，但局限同样明显。第一是实时性，云端大模型可以慢慢推理，机器人在现实中需要快速反应。第二是视觉反馈不可替代，当摄像头被部分遮挡，任务表现会明显下降。她认为，一个现实方向可能是大语言模型承担更高层、更低频的System 2，VLA或者World Action Model承担更快、更贴近动作执行的System 1。

从Demo到部署，大脑要自进化

吴桐给出的技术标准很直接：如果是World Action Model，就要看生成的策略能否在真实环境里稳定、安全、高成功率地运行；如果是世界仿真器，就看它有没有真正让后续的策略训练变得更好。吴昊提出，真实世界非常长尾和开放，大脑若想真的走向真实环境中的部署，需要在物理交互中持续进化。他打了个比方：如果一个模型今天只有40分，不一定要把它关在实验室里等到90分再部署。更理想的状态是让它进入环境，通过真实交互，从成功和失败中不断学习。陈文科补充说，Scaling能够成立的前提是数据和Infra先做对。

越接近真实世界，越没有一颗悬空的大脑

陈文科的答案很直接：纯做大脑肯定是不行的。同一种机器人，不同批次的硬件会有差异；执行器存在误差；视觉有噪声；接触瞬间需要高频反馈。这些问题不会因为上层模型更加聪明就自动消失。吴桐的判断是，一个通用大脑可以相对独立，但一个真正好用的机器人仍然需要软硬耦合。她举了自己团队的测试，拿到GPT接口之后，他们先在商业机械臂上尝试，随后把模型部署到自己的本体上，模型没有见过这款本体自己的训练数据，也能完成导航、握手、举起玩偶等动作。这说明一些能力完全可以跨越本体。但如果目标不是勉强能做，而是要让操作足够自然、流畅，真正进入商业场景，那么大脑和硬件之间肯定需要进一步适配。

具身智能的AI Coding还没出现

邱谆用OpenAI这类基础模型公司的价值逻辑去理解机器人大脑的长期可能性，但问题是现在还不知道谁会做到，甚至不知道最先在哪个场景做到。他在现场强调一个投资原则：高认知，低判断。具身智能最重要的商业问题之一也没有答案：具身智能的AI Coding场景到底是什么？大语言模型已经逐渐找到Coding这样一个高价值、高频、能够持续吸收模型能力的场景。但具身智能呢？工厂、物流、家庭、康养？邱谆的判断是现在就回答太早。吴昊强调真实环境里的闭环进化，陈文科强调模型能力本身。一个更接近Deployment first，另一个更接近Scaling first。真正的分水岭，也许既不是谁先把模型做得最大，也不是谁先把机器人送进最多场景，而是谁最早把这两条线真正接起来：一边让大脑持续变聪明，一边让真实世界持续给它反馈。