“物理AI要走向真实世界，缺的不是更复杂的Agent(智能体)，而是能真正理解环境如何变化的世界模型。”近日，清华大学自动化系副教授封硕表示，世界模型不是突然出现的技术热词，而是物理AI发展过程中被产业需求推到台前的核心命题。它向产业界传递出一个值得关注的信号：物理AI的能力提升，或许正在遵循一条可验证的scaling(规模)路径，而世界模型可能成为最关键的能力底座。
当AI进入真实环境，如何理解变化成为关键问题
近年来，封硕和他的团队持续探索真实世界建模、高价值测试环境构建以及智能体验证等方向。
当人工智能从规则明确的虚拟环境走向真实世界，如何应对复杂且持续变化的环境。封硕认为，在一个结构化、有限的环境里，智能体可以做到非常强。但再往下走，真正要带来生产力的发展，AI就要走向真实环境。世界模型研究关注的正是如何让人工智能系统理解真实环境、预测环境变化，并为物理AI的训练和验证提供基础支撑。在此背景下，他带领团队开始构建更真实、更具挑战性的环境，用于物理AI系统的训练和测试。
持续研究世界模型，成果登上《自然》杂志正刊封面
“我们一直关注环境本身，让它更真实、更高效，更具对抗性，也更智能，推动物理AI走向规模化安全部署。”封硕说。
在长期研究中，封硕团队逐渐形成了对真实环境建模的底层判断：世界模型并不只是简单生成看起来真实的环境，而是找到可规模化、包含环境动态的数据，用更本质的方式表征世界，并将环境建模与下游任务解耦。“这个世界是不受观察者影响的。”封硕介绍，同一个物体在不同光照、角度和相机参数下，可能呈现不同的图像表现，但物体本身并没有发生变化。世界模型需要学习的是这些变化背后的规律。
2023年，封硕团队围绕世界模型、高价值测试环境构建与智能体验证的研究发表于《自然》杂志(Nature)正刊封面，相关研究讨论了世界模型规模变化与物理AI任务表现之间的关系，为探索世界模型能力提升路径提供了研究参考。
团队相关研究成果在《自然》杂志(Nature)正刊发表
探索密集学习方法，应对真实世界复杂数据挑战
物理AI在实际应用过程中，需要面对大量复杂情况，其中包括低频但重要的数据样本，对此封硕团队提出“稀疏度灾难”概念，并围绕相关问题开展研究。
“过去，AI主要关注‘维度灾难’，学界和业界用‘大’来解决——大模型、大算力、大数据。但真实世界数据存在长尾分布，如何让模型学习长尾中的知识，解决稀疏度灾难，才是模型真正落地的分水岭。”封硕说。传统做法依赖人工经验为模型薄弱环节拼凑数据，在大模型时代效率低且不稳定，甚至出现模型整体表现回退的“跷跷板效应”。针对这一问题，封硕团队提出密集学习方法，希望通过分析模型内部学习过程，提高模型发现有效数据和学习复杂规律的效率。
“我们过去十年一直在探索这个方向。现在，产业需求已经出现，我们希望把这些积累转化出来，加速世界模型走向应用的过程。”封硕说。
从实验室走向产业现场，推动世界模型应用探索
“高校有充足的人才资源，场景、数据、算力则需要突破校园的边界，互相协同。”封硕认为，世界模型的发展不仅需要算法研究，也需要真实场景中的数据、任务和反馈。
相比传统横向课题，世界模型需要更紧密、更长期的产学研协同。这也是北京幂级智能科技有限公司(以下简称：Dense AI)成立的核心逻辑。
Dense AI团队成员石梦凯认为，“科研范式在变化，产业范式也在变化。”在物理AI时代，产学研的边界正在被压缩。在这一过程中，数据和反馈进入模型训练，工程团队完成应用验证，科研团队进一步推动技术优化，形成从研究到应用的循环。未来，Dense AI希望把长期科研路径带入产业现场，让世界模型成为物理AI走向真实世界的一块基础底座。
