融通资产对话智源研究院院长王仲远：人工智能正加速从数字世界走向物理世界

　　6月6日融通资产，智源研究院在“2025智源大会”上发布“悟界”系列大模型，宣告其从“悟道”时代迈入“具身智能”探索阶段。

　　智源研究院院长王仲远在接受《每日经济新闻》记者在内的媒体采访时表示，“AI（人工智能）正加速从数字世界走向物理世界”，这是推动其战略升级的根本逻辑。

　　这一判断背后，是AI技术与应用边界的重构。当前，主流大模型大多聚焦在C端文本生成、语言对话等“数字智能”场景，而智源试图将AI推向更具挑战性也更具想象空间的“现实世界”——包括机器人、操作系统与世界模型的构建。在王仲远看来：“这个世界不需要那么多‘博士’，更需要能执行任务、能落地的AI。”

　　“具身智能”正成为下一场AI竞赛的起点。王仲远判断，具身智能的“小组赛”还没结束，远没有到“淘汰赛”。但谁能在这一新赛道率先跑通技术路径、突破数据瓶颈，谁或将定义人工智能的下一个十年。

　　从“悟道”到“悟界”，AI正迈入现实物理世界

　　“人工智能正加速从数字世界走向物理世界，这是我们对整个大的技术发展趋势的判断。”在采访中，王仲远以这句话点明了智源研究院由“悟道”大模型升级至“悟界”大模型背后的核心逻辑。人工智能技术正经历从以语言理解和推理为核心的“数字智能”，迈入与现实环境互动的“具身智能”阶段。

　　从早期的“悟道”系列到如今的“悟界”系列，智源研究院的战略转向并非突如其来，而是“水到渠成”。王仲远坦言：“我们认为人工智能最终要造福人类社会，要帮助大家摆脱繁琐的、重复的、简单的劳动，使得大家能够更多地享受生活，享受这个世界。”他进一步指出，大模型技术不应止步于文本生成、语言对话等C端应用，而应继续向现实世界渗透，服务实际场景。

　　在技术路径上，王仲远强调，目前整个大模型的发展基本上都还处在数字世界融通资产，尤其是C端应用，比如聊天工具、对话模型。“但我们也坚定地认为，这个世界并不需要那么多‘博士’。”在他看来，AI不应仅用于提升智能“学术型”表现，更应拓展其实际执行力，服务现实世界需求。

　　此次“悟界”系列模型的发布，正是在此背景下的延伸尝试。据介绍，“悟界”不仅继续强化了模型的推理能力，也尝试将AI从虚拟认知延伸至真实物理世界的感知与交互中。这一进程的核心技术支点，就是“世界模型”（World Model）的探索。

　　然而，目前“世界模型”尚无标准定义。王仲远坦言：“在全世界范围内，大家都还没有非常明确的定义。有些叫空间智能，有些叫时空智能，也有其他不同叫法。”智源内部将其理解为一种原生多模态世界模型，本质上是通过单一模型捕捉世界规律的尝试。这些规律不仅包括物理规则，也涵盖人与世界交互的机制，例如类脑神经系统中的模块化处理方式。

　　王仲远特别强调，他并不试图为世界模型下一个绝对定义，而是“代表我们对于使用人工智能探索世界的一种实践路径”。

　　具身智能赛道“小组赛”尚未结束，远没有到“淘汰赛”

　　在人工智能走出数字世界的过程中，如何构建“具身智能”成为研究核心。所谓具身智能，意指AI系统具备与现实物理世界交互的能力，能够在复杂环境中感知、规划、执行任务。

　　围绕机器人形态的选择，当前学界与业界依旧存在众多分歧。例如，有观点认为当下对人形机器人的热衷或许走错了方向，四足构型可能更实用。对此，王仲远表示：“具身智能不代表一定是人形机器人。”他指出，智源开发的RoboOS操作系统已经能够适配多种构型，包括机械臂、轮式、双足、四足等。

　　不过，王仲远并不否认人形机器人的长远价值。他认为，人类社会的基础设施是围绕人类构型打造的，从长远看，人形机器人更容易融入现有社会系统。此外，人形构型在数据训练上也更具优势。“我们做具身大脑模型时发现，人形构型更有利于利用现有视频数据学习，而四足机器人所需的数据更稀缺，获取难度更大。”

　　除了机器人形态，另一个具身智能的发展关键点是“大小脑协同框架”，即如何在AI系统中实现决策层与执行层的高效配合。王仲远介绍，智源推出的RoboOS便是实现大小脑融合的一次尝试。

　　不过，他同时指出，目前的技术仍远未成熟。“我的一个坚定观点是，具身智能的‘小组赛’还没结束，远没有到‘淘汰赛’。”王仲远认为，从长期趋势看，大小脑融合的模型是有可能实现的，可能需要五到十年，但绝不是今天，原因很简单，就是数据受限。当前的感知数据尚无法支撑统一模型的训练和泛化，这也直接限制了人工智能在多任务场景中的能力扩展。

　　王仲远认为，具身智能的最大挑战，是如何从专用任务逐步过渡到具备一定泛化能力，再发展为真正能够解决各种问题的通用系统。他指出，这正是AI从1.0（专用）迈向2.0（通用）的过程。

　　此外，王仲远也谈到具身智能研究的另一大困境——“数据难题”。他表示：“做具身模型，现在数据非常稀缺，我们采集和补充回来的也比较少。”这一问题不仅影响训练，还限制了模型在感知层和决策层之间的协同能力。

　　“真实世界的数据肯定重要，但它是不是足以训练出一个有价值的模型，这在学术界是有争议的。”王仲远表示，具身智能的突破路径，或可借鉴当前大模型发展的技术演进逻辑，即在大规模已有数据的基础上进行能力预训练，随后结合少量真实世界数据，通过强化学习不断迭代模型能力。

　　他认为融通资产，这种“基础模型+强化学习”的技术路线，有望在物理世界中同样奏效。当前大模型的发展已经验证，基础能力达到一定水平后，借助强化学习可以进一步激发智能表现。“所以我们认为，具身智能或者物理世界的AI很可能也会有类似的技术路线。”

简配资提示：文章来自网络，不代表本站观点。