在近期举办的世界人工智能大会（WAIC）上，“世界模型”成为科技界热议的焦点。与传统大模型擅长处理认知与语言类任务不同，世界模型的核心目标在于预测物理世界的动态变化——无论是机器人如何规划下一步动作、自动驾驶汽车如何调整方向盘，还是游戏场景如何自然过渡，都依赖这类模型对环境变化的精准模拟。尽管其潜力被广泛认可，但关于世界模型的定义、技术路径及实现方式，行业尚未形成统一认知。
昆仑万维董事长方汉在接受采访时提出，2026年或将成为“世界模型元年”。他判断的依据是，当某一模型通过“缩放定律”（Scaling Law）实现能力跃迁时，赛道将迎来突破性进展。昆仑万维近期发布的机器人模型Riemann-1.0正是这一理念的实践：通过引入低成本、高多样性的“自我中心数据”（Ego Data），模型在复杂任务中的表现显著提升，例如在叠衣服任务中，其成功率较传统方法提高8个百分点。方汉强调，“数据规模决定模型高度，而Ego数据让Scaling成为可能。”
世界模型的技术路线目前呈现多元化趋势，包括物理仿真、3D空间建模、视觉-语言-动作融合（VLA）及原生架构等。方汉认为，尽管路径分歧显著，但最终将收敛至统一框架，类似自动驾驶领域从多技术路线到端到端模型的演进。不过，这一过程需要海量数据支撑：他估算，模型收敛至少需要1000万小时训练数据，极端情况下可能达1亿小时。按传统数据采集成本计算，这一规模的数据投入将高达数百亿元，远超多数企业的承受能力。
Ego数据的出现为成本难题提供了解决方案。这类数据通过手机或胸挂摄像头拍摄操作过程，采集成本从每小时500元降至不足50元，未来甚至可能低至10元。方汉指出，Ego数据的价值不仅在于廉价，更在于其覆盖场景的复杂性与多样性，这对提升模型泛化能力至关重要。在Riemann-1.0的训练中，昆仑万维发现，尽管传统UMI数据（通过传感器手套采集）能精确记录手部姿态，但加入Ego数据后，模型在处理动态环境时的表现仍显著优化。
然而，Ego数据的低质量特性也带来挑战。由于缺乏传感器数据，平面视频无法直接解析手指的精细动作，导致数据“脏乱”。昆仑万维的解决方案是分两步清洗数据：首先利用深度学习模型从视频中推断深度信息，标记手部运动顺序；随后通过高斯重建技术生成3D手部模型，使数据维度接近传感器采集的效果。这一流程虽复杂，但为低成本数据的高效利用开辟了路径。
关于行业格局，方汉预测，今年底将有企业达到百万小时数据规模，明年底或出现千万小时级玩家，而亿小时级别需3至5年时间。他坦言，大厂在资金与资源上具有优势，但当前中国模型领域的领先者并非传统科技巨头，而是创业团队。“模型训练是结果导向的竞赛，钱多未必能赢。”他同时指出，中国在数据采集领域具有独特优势：作为全球最大的硬件生产国，中国能以最低成本制造采集设备；完备的工业体系与发达的服务业提供了丰富的训练场景，使中国成为世界模型的最大数据产能地。
昆仑万维选择此时切入物理世界模型领域，并非偶然。方汉解释，公司的技术积累为转型奠定了基础：其一，其在视频生成领域的训练能力处于行业前沿，而视频与世界模型均依赖动态预测技术；其二，团队曾开发游戏世界模型，其技术框架与物理世界模拟高度契合；其三，不同领域的生成模型在底层架构上具有共性，视频模型的数据清洗流程可直接迁移至世界模型训练中。“我们并非分散布局，而是围绕生成模型这一核心，向多个应用场景延伸。”方汉说。
