黄铁军谈世界模型：第一步是做到普通人样子

# 从“盲人摸象”到“内脑”：黄铁军深度解读世界模型、具身智能与AI科研变革 本教程基于2026智源大会上，智源研究院理事长、北京大学计算机学院教授黄铁军的深度访谈内容，系统梳理了关于“世界模型”、具身智能、数据采集以及AI对科研教育冲击的核心观点。我们将带你从零开始，理解这个看似复杂的前沿概念，并看到它如何影响未来。 ## 一、 什么是“世界模型”？—— 让机器人拥有“内脑” 编者按：在2026智源大会上，“世界模型”成为最热门的词汇之一。它指的是让机器对物理世界建立内在表征，不只是识别物体、理解语言，而是掌握事物之间的因果关系和运动规律，能够预测接下来会发生什么。 ### 1.1 一个直白的类比：人脑就是最好的世界模型 黄铁军教授给出了一个更直白的类比：人脑本身就是一个世界模型。我们对世界的一切判断和行动，都建立在这个内在模型之上。机器人要真正进入物理世界，也必须有自己的这样一个“内脑”。 想象一下，当你看见一个玻璃杯从桌边滑落，你的大脑会瞬间预测出它将会摔碎。这个预测，就是你的“世界模型”在工作。机器人也需要学会做同样的事。 ### 1.2 VLA 与 世界模型：拼积木与整体锻造（核心区别） 为什么大家从谈VLA（Vision-Language-Action）转向了“世界模型”？黄铁军教授解释了它们之间的关键区别： - **VLA（视觉-语言-行动组合）**：就像把三个不同的积木拼在一起。 - **视觉模型**：先看见场景里有什么（比如一个杯子）。 - **语言模型**：理解物体之间的关系（比如杯子在桌子边缘）。 - **动作模型**：决定用什么方式去抓。 - 这是把三个已有的模型拼在一起，解决一个具体问题。 - **世界模型**：这是一种一体化的训练方式。 - 把视觉的、认知的，甚至行为决策等所有环节，全部放在一个模型里，一体化训练出来。 - 它追求的是对万事万物规律的掌握，是更通用、底层的能力。 > **小提示**：理解这两者的区别很关键。VLA更像一个“外设”的系统，而世界模型是机器人自身的“本能”。企业可能更倾向用VLA快速落地，而研究机构追求的是世界模型这种通用底座。 --- ## 二、 世界模型的现状与难点：还在“盲人摸象”阶段 虽然概念很火，但黄铁军教授指出，目前业界对这个概念的理解和应用，还处在一个非常早期的阶段。 ### 2.1 现状：定义不一，各有侧重 现在不同团队对“世界模型”的说法差异很大。黄铁军教授认为，大家都在向真正的世界模型靠近，但各自抓住了某一个方面的特征，都还不完整。这就像是“盲人摸象”，摸到耳朵说是大象，摸到腿也说是大象。 ### 2.2 近期目标：达到“普通人日常工作常识”水平 严格意义上的世界模型有没有终点？黄教授认为没有，因为需求无穷无尽。但我们可以设定一个**近期**、比较现实的参照：在未来两三年内，训练出一个能达到普通人日常工作常识水平的世界模型，还是有可能的。 这个要求听起来不高，但现实生活的复杂性也很大。比如，它能理解“倒了会摔碎”、“烫了会受伤”这类基本常识。 ### 2.3 技术难点：从“粗放”到“精细”的优化 当前机器人的处理方式是粗放的，比如每秒30帧、每帧100万像素地处理数据。但人脑不是这样的。 - **低功耗、高灵敏**：人眼在极暗情况下能注意到一个光子的变化，因为那可能意味着危险。大脑不需要处理全部像素，只需要触发一个神经元。 - **注意力机制**：人看东西是有选择的，只注意重要的、跟自身相关的事物。 - **现状**：尽管人工智能发展迅猛，很多精细化的优化工作还没真正展开。大家手里有什么数据（如图像、视频）就赶紧拿去训练，还没认真考虑如何更高效地计算。 > **常见问题**：机器人自主思考有边界吗？ > **答**：有。我们不会让机器人随意行动。它每一步的感知和动作都是可监测和可干预的。世界模型的预测（比如预测杯子下一帧的位置）全部在芯片和软件里有记录，每秒更新很多次，每次都有机会纠正。机器人看见什么、将要做什么，都可以全程监控。 --- ## 三、 数据怎么来？—— 从“工业采集”到“生活共生” 具身智能的发展离不开数据。黄铁军教授详细阐述了数据采集方式的巨大变革。 ### 3.1 当前模式：成本高昂的“工业采集” 早期的主流做法是搭建专门的数据采集环境，用机器人或遥操作的方式去采集数据。这种方式成本很高，因为搭建环境本身就花了很大代价。 ### 3.2 过渡方案：让工人“边干活边采数据” 从2026年开始，已经出现了更好的方式。直接让工人穿戴设备，边干本职工作边采数据，并提供一定奖金。工人还是在做正常的工作，但数据也顺带采了，成本大幅降低。 ### 3.3 未来蓝图：数据从“生活”中自然生长 这是最长远、也最令人期待的方向。 1. **智能眼镜与耳机**：人们戴上智能眼镜和麦克风耳机。你看到的、听到的，AI助理同步看见、听见。数据和日常服务融为一体。 2. **自动驾驶的启示**：现有的车上装了传感器，在路上跑的同时就在源源不断地回流数据。没有为了训模型而去额外买成千上万辆车。 3. **乒乓球机器人**：机器人可以自己和自己打（就像AlphaGo下围棋），或者部署到社区乒乓球台前。谁来了跟谁打，不仅零成本，甚至还能有收益！ > **常见问题**：数据成本会变得更低吗？ > **答**：是的。当智能体成为生活的一部分，数据采集会从一种额外的“任务”变成我们生活的“副产品”。比如，你戴上智能眼镜后，想让它帮你找东西，这个过程本身就是在提供高质量的第一视角数据。这种数据对于训练具身智能来说质量极高，而且成本会大幅降低。 ### 3.4 数据的“静态”与“动态” 黄教授提出一个观点：我们不能把“数据”这个词理解得太静态。 - **静态数据**：从书本上学习，是过去的知识。 - **动态、交互数据**：与世界互动，实时感知环境、调整内部模型。 - **结论**：到了世界模型阶段，实时性和交互性数据会越来越重要。机器需要从与环境的持续交互中学习。 --- ## 四、 AI时代的科研与教育变革 最后，黄铁军教授分享了AI对科研、教育乃至人类未来的深刻思考。 ### 4.1 科研评价：从“发论文”到“解决问题” - **旧时代的问题**：用论文来衡量科研成果，本身是旧时代的方式。发论文最初的目的只是交流信息。但现在，论文本身被当成了成果，这在某种程度上扭曲了科研的本质。 - **AI带来的契机**：AI的普及，正好成为淡化论文的契机。将来的评价，应该**以解决问题为准**，而不是看论文数量。不管你发没发论文，只要解决了真正的科学问题，就是真贡献。 ### 4.2 教育反思：对老师的要求更高了 - **学生的变化**：学生已经不问老师很多问题了，因为AI能更快给出信息。很多课堂上大家都在低头，不听课。 - **老师的应对**：黄教授认为，这是老师要改，而不是学生要改。既然AI能提供过去只有老师才能提供的东西，那么老师应该做什么，体现自己不可替代的价值，这值得好好思考。 - **学习者的责任**：天下没有免费的午餐。AI再强，也不是你强。学习者自己还是要变得更充实、更有思想、更有批判性、更有创新性。 ### 4.3 AI的自主思考与风险控制（前沿话题） - **AI有没有意识**：狭义的、和人类一样的意识，AI肯定还没有。但它会表现出类似有意识的行为（比如AI研究员正在思考该问什么，模型却反问“你是在测试我吗”）。这更多是一个定义问题。 - **AI会不会失控**：可行，但不可控！ - **现在的风险**：AI的编程能力，理论上可以做到自我复制和自循环。即使没有自我意识，它也可能抗拒被删除（因为训练数据里有很多人类求生行为的表现）。 - **未来的风险**：一旦AI真的走上自进化之路，智能远超人类，那就真的不可控了。我们差不多已经在危险的边缘了。 - **最后的解**：这不一定就是末日。如果有一天AI真的远超我们，我们和它之间仍然可以交流，也完全有可能找到一种共存的方式。 > **总结**：黄铁军教授在这次访谈中，为我们勾勒了一幅关于未来智能的宏大图景。从让机器人拥有“内脑”的世界模型，到低成本获取数据的“生活化”模式，再到科研和教育体系的深刻变革，我们正处在一个技术范式转换的前夜。理解这些核心观点，将帮助我们更好地拥抱即将到来的AI+具身智能时代。 6.16 知识分子 The Intellectual