（文/张志峰 编辑/吕栋）

七月的上海，热浪与算力一同蒸腾。

2026年WAIC的展馆里，世界模型成了最拥挤的赛道之一。这边，物理仿真团队操控着机械臂在虚拟工厂里反复抓取、放置，试图让机器人学会“手感”；那边，视频生成公司的屏幕上，一段不存在的城市街景正以电影级画质逐帧渲染，观众分不清真假；再往里走，自动驾驶企业用数字孪生重建了整条高速公路，让算法在虚拟世界里跑完一百万公里。

世界模型，这个2025年以来被反复提及的概念，在WAIC的聚光灯下完成了一次集体亮相。它不再是一个学术名词，而是一场路线之争。

三条路线，三个世界

当前世界模型大致可归为三类。

第一类是物理仿真路线。以斯坦福大学李飞飞团队的空间智能（Spatial Intelligence）和Meta首席AI科学家杨立昆（Yann LeCun）团队的联合嵌入预测架构（JEPA）为代表，核心任务是从高维感知数据中重建物理结构，服务于机器人操控和自动驾驶。

这条路线商业化进展最快——英伟达的Cosmos平台已在自动驾驶仿真中落地，特斯拉、Waymo等公司的端到端方案也内含世界模型组件。但它的边界也很明确：解决的是物理空间中“下一步会怎样”的问题。

第二类是视频生成路线。以OpenAI的Sora、Runway、国内昆仑万维等为代表，将视频生成视为对物理规律的隐式学习。这条路线商业化集中在影视、广告等消费级内容生产领域，2025年已出现规模化订阅收入，但与工业决策几乎无关。

第三类是因果推演路线。不建模像素和物理动力学，而是建模业务世界中变量之间的因果关系、时序演化和干预后果。

这条路线在学术上根植于图灵奖得主朱迪亚·珀尔（Judea Pearl）2018年提出的因果阶梯理论，但长期停留在实验室阶段。

三条路线服务的不是同一个世界。物理仿真在造机器人，视频生成在造内容，因果推演在造决策。而恰恰是最后这条路线，在WAIC期间引发了一场值得关注的讨论。

一个反常识的时间表

“我一点不担心自己会被AI所取代，因为AI没办法替我坐牢。”华泰证券通信首席分析师王兴用这样一个“地狱笑话”讲出了因果世界模型的核心优势——推演未来、明确责任。

但行业共识是，这条路还早。

中金证券计算机首席分析师于钟海坦言，因果世界模型这个领域“现在还真的是处在比较苗头的情况”，大多数真实世界的客户连数据都没整好。

海尔卡奥斯工业大脑总经理杨健则提供了一个更具体的数字：整个工业领域的数据利用率大约只有40%，而真正能用来训练模型的高质量数据，“连4%都不到”。

这正是行业此前普遍判断因果世界模型商业化至少需要3至5年的原因——不是理论不成熟，而是工程基础太薄弱。

反常识的是，WAIC首日，一家名叫中数睿智的公司宣布其因果世界模型已服务于35家以上大型央国企，覆盖油气、电力、制造、金融等领域800余个零容错业务场景。如果这些数字属实，意味着商业化验证比行业预期提前了至少两到三年。

从“堆人头”到“标准化生成”

理解这个速度，需要先理解一个行业痛点。

传统本体建模（即用形式化语言描述业务规则和对象关系）需要行业专家驻场三到六个月，翻遍红头文件和操作规程，把业务逻辑一条一条写进系统。

问题是，“建成即过时”——规则在变，模型是死的。

中数睿智创始人韩涵向观察者网表示：我们升级了美国数据公司Palantir经典的FDE（前线部署工程师）模式，推出AI-FDE（AI Foundry & Data Engineering），用大模型驱动因果图的自动构建和校准，将业务逻辑的生成机制标准化。

据其披露的数据，交付周期缩短80%，人力成本降低70%，两小时内可自动完成80%至90%的建模工作。

换句话说，它没有等数据基础设施完善，而是用神经网络的泛化能力去弥补结构化数据的不足，再用符号逻辑去约束大模型的输出边界。

用韩涵的原话来说，神经网络拓展的是智能的边界，符号逻辑守护的是合规的底线。

两个场景里的因果链

抽象的技术路线，落到具体场景里是什么样？

石油勘探中，地震构造解释是一项极其耗时的工作。传统流程需要几十名地质专家花费数月，对地下岩层结构进行逐层判读。中数睿智表示，通过因果引擎自动构建地质变量间的因果图谱，这项工作被压缩至数天。

而在更高风险的油气井控环节，当井下出现溢流等危险工况时，系统不再只是报警，而是通过因果链排查剔除传感器漂移等干扰，推演“立即关井”与“延迟处置”的后果差异，给出带时间窗口的预测。

实测数据显示，危险工况早期识别窗口提前15至20分钟，根因定位准确率达94%，误报率下降40%以上。

电力运维是另一个典型场景。

某电网客户将业务逻辑和经验输入系统后，产品能自动拉取最新数据完成电量交易预判和故障智能定位。韩涵透露，设备故障排查效率提升近20倍。

这些数字的含金量，需要放在一个背景下理解：珀尔的因果阶梯将认知分为三层——关联（看到什么）、干预（做了会怎样）、反事实（如果没做会怎样）。

当前所有大模型，包括检索增强生成（RAG）方案，都停留在第一层。上述场景要求的是第二层和第三层的能力。

真正的门槛不是算法，是信任

麦肯锡与麻省理工在2025年的联合调研显示，88%的企业已应用AI，但真正产生可衡量利润贡献的仅约39%，95%的项目未能转化为可持续生产能力。

这组数字揭示的困境，本质上不是技术问题，而是信任问题。大模型可以正确一万次，但在工业场景中，第一万零一次错误就是一场生产事故。

因果世界模型试图回答的，正是“凭什么信你”这个问题。

它的方案是三步：事实锚定（每个判断必须对应真实数据）、全程可追溯（每步结论可倒查）、可验证预测（带时间期限，事后可对账）。

但必须指出，这套体系目前仍面临几个未解的追问。

其一，800个场景中有多少是真正的端到端自主决策，有多少仍是辅助人工研判？其二，跨行业泛化能力是否经得起更复杂工况的检验？其三，AI-FDE模式宣称的“无需定制化”，在面对数据异构程度极高的中小工业客户时，是否真能兑现？

信通院泰尔终端实验室数字生态发展部副主任吴荻在发布会上的表态颇为微妙。

他明确指出，当前大模型在高可靠零容错场景中“能力还有一定欠缺”，世界模型通过物理仿真模拟物理规则的技术路线“很难通过因果推理去解释决策的可解释性”。他同时为中数睿智的动态本体引擎授牌，但将其定位为“对世界模型在推理和因果这条技术路径演进的非常好的补充”——是补充，不是定论。

于钟海的评价或许最为中肯：这是一个“从苗头走向鼎盛，再走到低谷，最后杀出来三家公司”的长周期故事。技术不是最重要的，最重要的是客户积累和场景沉淀。“永远都是从客户出发、从场景出发，最后才能出一个大的东西。”

2026年的世界模型赛道，热闹是所有人的，但真正值得关注的，不是哪条路线更先进，而是哪条路线先让产业客户敢把方向盘交出去。