五度妙笔
企业透视镜
API商城
数据库WRC 2026观察：世界模型最成功的一点，是名字太好听
加入高工机器人专业行业群，加微信：13692257554，出示名片，仅限机器人及智能制造产业链相关企业。
2023年走进WRC，占据展馆中心位置的还是机械臂、焊接机器人与自动化产线。ABB、发那科等工业机器人巨头，是当时最醒目的名字。到了2026年，这些曾经的明星企业已经从展馆的主叙事中淡出，取而代之的是密集的人形机器人、灵巧手与具身大模型。
展商更替之外，机器人能力的跃迁同样令人目不暇接。
2023年，机器人能够站立、行走，已经足以引来人群围观。三年后，WRC上的机器人已经开始拳击、打乒乓球、演奏乐器，在更复杂的环境中完成抓取操作。
超维动力的KAI Bot在现场与人类打乒乓球
这些演示距离真正的生产力还有很长一段路，但机器人的进步已经可以被肉眼捕捉。它们的动作仍会迟疑，操作仍会失败，长时间工作依然困难，可每隔一年回到WRC，人们都会发现，上一年还需要反复解释的能力，今年已经成为展馆里随处可见的基础动作。
伴随能力变化的，还有行业焦点的快速迁移。
最初，人们关心机器人能不能站起来；随后开始比较动态能力、灵巧手和价格；到了2026年，讨论已经毫无争议地聚焦在机器人的“大脑”：它从哪里获得数据，什么架构能够显著提升机器人的能力，又如何在真实场景稳定完成工作。
商业化也因此成为本届WRC的另一条主线。
几乎所有企业都在展台上搭建了家居、物流、咖啡馆和便利店场景，迫不及待地强调别人还停留在表演，自己的机器人已经开始“真干活”。展台上的机器人制作饮品、分拣包裹，企业试图用这些场景证明，具身智能已经走到了价值兑现的临界点。
但根据我们的观察与采访，商业化的真实进度依然低于展台营造出的紧迫感。整个行业的热身阶段才刚刚开始。此刻任何斩钉截铁地宣称机器人已经算得过ROI、具备规模复制条件的说法，都更接近宣传，离产业现实仍有距离。
于是，世界模型、数据与商业化，构成了WRC2026的三个关键词。这三条主线共同指向了具身智能行业最鲜明的矛盾：未来拥有巨大的想象空间，眼前仍堆满了未经验证的问题。
行业的热度，恰恰生长在这道落差之中。未来越令人期待，现实路径越不确定，越多技术、资本和产业力量希望提前进入，寻找自己的位置和答案。
WRC逐年增长的人潮，正是这种情绪最直观的注脚。
工程师、创业者、投资人、产业客户和普通观众挤在同一座展馆里。有人寻找订单，有人观察技术路线，有人担心泡沫，也有人试图抓住下一轮产业机会。人潮当然无法替商业进展作证，却足以说明，越来越多的人愿意为一个尚未完全兑现的未来，投入资金、时间乃至自己的职业选择。
热情与怀疑也在这里同时涌动，甚至彼此推动。越多人追问机器人何时能够真正工作，越多企业试图用新的模型、数据和产品给出答案；越多演示暴露出能力边界，资源也越快涌向这些尚未解决的问题。
具身智能当然存在泡沫，也注定会经历漫长而曲折的探索，但泡沫与长期价值并不冲突，技术会在更长的周期里积累力量。正如比尔盖茨被人不断引用的那句话“我们总是高估未来两年的变化，却低估未来十年的变革。”
这或许就是WRC2026留给行业最真实的情绪：
机器人的动作仍显笨拙，展馆里却已经响起越来越密集的脚步声。怀疑尚未消散，热情仍在涌入，中国具身智能就在这两种力量的交缠中，一路向前。
围绕“世界模型、数据与商业化”三个关键词，我们将以三篇文章记录WRC2026折射出的行业变化。
这一篇先从最热、也最模糊的世界模型说起；随后再分别讨论数据与数采设备的热潮，以及具身智能距离真正的商业化还有多远。
世界模型爆火，行业还没有共同语言
在WRC2026的三个关键词中，世界模型站在技术热潮的中心，也拥有最模糊的概念边界。
今年上半年，越来越多企业开始将世界模型写入自己的技术路线；到了WRC，这股热潮在展馆中集中爆发。
星源智发布最新世界模型成果JEPA-WAM，大晓机器人展示开悟世界模型3.1，初创企业莫刻机器人首次带来线下世界模型Demo，长期聚焦服务机器人的擎朗智能也发布了融入潜空间世界模型的KOM 3.0……
擎朗智能的机器人们正完成洗衣服的demo展示
世界模型在此时走红并非偶然。
一方面，视频生成与多模态模型的进步，使模型逐渐具备根据机器人动作推演环境变化的能力；
另一方面，VLA在过去一年仍未兑现行业对泛化能力的期待，具身智能的能力增长开始遭遇瓶颈。寻找新的训练方法与能力增长路径，随之成为行业更迫切的问题。
从具身模型企业、本体厂商到服务机器人巨头，世界模型迅速成为行业的一种共同语言。星动纪元创始人陈建宇甚至判断：“世界模型可能成为下一代具身智能的核心范式。”
然而，名词的趋同并未带来技术路线的收敛。相同的“世界模型”标签下，企业所做的事情可能完全不同。
一位具身模型企业负责人曾半开玩笑地告诉我们：“世界模型这个名字太好听了，这可能是它最成功的一点。正因为这个名字足够有想象力，许多概念都喜欢往里面套，最后世界模型反而变得越来越模糊。”
这句话点出了世界模型热潮中颇为吊诡的一面：行业越来越确信它很重要，却很难就它究竟是什么达成共识。
机器科学称首款轮式机器人REX G1展示零售场景作业
从最宽泛的定义看，世界模型希望让机器人理解世界如何变化：给定当前环境和一个动作，模型尝试预测接下来会发生什么。例如，机器人伸手推倒一个杯子，模型需要预测杯子将向什么方向倾斜。
这种预测能力，被视为机器人走向通用智能的重要基础，它承载着一种诱人的想象：如果机器人可以在内部提前“想象”不同动作的结果，就有机会从机械执行指令，走向预测、规划与自主决策。
然而，这个期待太过模糊不清，以至于“预测未来”意味着什么，全行业都在争论不休。
别纠结世界模型了
一种相对务实的行业看法，是暂时放下架构标签，回到机器人最终能从模型中，获得什么能力。
墨奇智能联合创始人兼CTO黄青虬向我们表示：“VLA、世界模型和我们说的原生具身模型，很多时候是在不同层面描述一个模型。大家说VLA、世界模型，更多是在描述模型架构长什么样。模型架构这个东西会一直往前迭代，而且它比较抽象。”
在他看来，不同架构之间很难直接比较，“模型到底具备什么能力，这件事比模型结构长什么样更重要”。
这一观点为观察世界模型提供了一个更具体的坐标：相比讨论企业有没有使用世界模型，更值得追问的是它被用在什么环节，又给机器人带来了什么能力。
黄青虬提到了两类差异较大的用法。
一类是将世界模型作为训练工具。模型在训练过程中预测下一帧视频、未来状态或隐空间特征，从而帮助机器人学习动作与环境变化之间的关系。
“这类方法我们会用。”黄青虬表示，“我们没有过分强调它，是因为在我们看来，它只是训练的工具和手段。大家都可以用，它本身也没有那么大的差异。”
墨奇智能的轮式机器人MORPHI KINO演示叠衣服
在这个层级上，世界模型可以嵌入VLA或其他模型架构，作为整套训练系统中的一个环节。视频预测、隐空间预测等技术可以被采用，具体使用哪一种方式，仍要看它能否改善机器人的实际能力。
这也是当前距离模型训练和产业应用较近的一种思路。
另一类世界模型承载着更加宏大的期待：训练一套高度逼真的通用物理模拟器，让机器人在其中预测未来、尝试动作，并通过大规模试错获得新的能力。
黄青虬将其称为“上帝引擎”。在他看来，如果这样的系统能够实现，“可能是比具身智能本身还伟大的技术”。
多位大模型技术负责人都认可这一方向的长期价值，同时对其实现难度保持谨慎。真实世界包含复杂的几何关系、物体属性、接触变化和动力学规律，要让模型完整复现这些内容，本身就是一项极为庞大的工程。
正如黄青虬所言：“这个事情可能比具身智能更难。为了先解决具身问题，再去解决一个更难的问题，我觉得逻辑上不太顺。”
两类用法对应着世界模型的不同时间尺度：在当前阶段，它更多作为训练工具进入具身模型；放到更长周期，它可能成为机器人理解、模拟和探索物理世界的基础设施。
这也意味着，判断世界模型的价值，需要跳出技术标签，进一步观察它究竟预测了什么、最终提高了机器人的哪项能力，否则，就只是“好听的名字”而已。
世界模型的含义可以不断扩张，机器人的能力却无法仅靠名称得到证明。
它到底能干啥？
值得一提的是，在众多世界模型的用法中，将其作为模拟器，正在成为行业最明确的探索方向之一。
李飞飞与World Labs团队将模拟器视为连接三类世界模型的关键支点。渲染器负责生成视觉观察，规划器负责输出动作，模拟器则连接两者：它既要推演动作发生后世界如何变化，也要为机器人判断动作后果提供基础。
李飞飞对世界模型的分类
这一判断正在具身智能行业获得越来越多呼应，地瓜机器人是其中的参与者之一。其即将发布的世界模型Uranus，可以根据当前图像、历史信息和机器人动作，以未来视频流的形式呈现动作结果。它所代表的技术路线，是让模型直接从数据中学习环境变化规律。
这条路线受到关注，与传统机器人仿真的局限密切相关。
传统仿真需要搭建3D资产，预设物体材质、质量和摩擦系数，再通过物理引擎复现现实环境。场景越复杂，建模与调试成本越高。数据驱动的世界模型则试图减少人工定义物理参数的工作，并随着数据和算力扩大虚拟环境的覆盖范围。
因此，世界模型的走红也反映出行业对传统仿真能力边界的不满。企业希望获得生产成本更低、场景覆盖更广，同时可以快速扩展的机器人训练环境。
地瓜机器人大模型负责人秦文康将这类世界模型的用途概括为三项：评测机器人策略、合成训练数据，以及为强化学习提供能够反复试错的环境。三者共同指向一个目标：扩大机器人获得经验的速度与规模。
这也引出了一个容易理解的类比：世界模型能否为机器人提供一块类似AlphaGo的“虚拟棋盘”？
AlphaGo能够快速进化，一个重要原因是围棋拥有近乎零成本的虚拟环境。大量棋局可以并行运行，模型在自我博弈中积累远超人类棋手的成功与失败经验。机器人如果也能在世界模型中高速试错，便有机会摆脱设备数量、场地和物理时间的限制，这正是行业对世界模型与强化学习结合的期待。
然而，围棋拥有封闭的规则、确定的状态和明确的胜负标准，机器人面对的物理世界却没有这些条件。
许多技术负责人指出，具身智能目前仍缺少两个基础：“第一，具身本身还没有一个足够逼真的通用物理仿真器。大家说的世界模型，现在还没有一个很ready的东西出来。”
第二个问题是如何评价动作结果。“任务结果到底是好是坏，也没有那么简单。”他们以叠衣服为例解释，机器人即使完成了动作，系统也很难自动判断衣服叠得是否足够好。
搭载了G0.5模型的星海图R1 Lite在叠衣服
这对应着机器人强化学习面临的两道门槛：世界模型需要可靠地预测动作会带来什么结果，奖励机制还要判断这个结果是否值得追求。前者决定虚拟环境是否可信，后者决定机器人能否从试错中形成正确的能力。
其中，仅仅构建可信的虚拟环境，就已经十分困难。摩擦力、材质、重量和物体形变都会影响动作结果，一段看起来合理的视频，也可能违背真实的物理规律。作为模拟器的世界模型，依然绕不开Sim-to-Real Gap。
对此，一种更具工程可行性的思路，是降低对单次预测精度的要求，转而考察大量预测结果能否在统计分布上接近真实环境。
秦文康以推方块为例解释：“我们不在意单个Case里，方块滑动得跟真实情况完全一样。我们在意的是，在仿真环境里推1000次，拿到的分布跟真机大致相当。”
这意味着，世界模型无需还原唯一、确定的现实，而要覆盖现实中可能出现的多种结果。只要机器人在这些虚拟环境中学到的策略能够迁移到真机，模拟器便具有训练价值。
从当前进度看，评测、数据合成与强化学习也不会同时成熟。近期更可能兑现的用途是模型评测。今天的机器人模型仍高度依赖真机测试，每次更新策略，都需要重新部署并逐项执行任务。
如果世界模型能够先在虚拟环境中并行评测多个策略，企业便可以筛选出表现更好的版本，再进入真机验证。数据合成进一步要求虚拟数据能够真正提升模型能力；大规模强化学习则还需要可信的物理环境和可靠的奖励机制，实现难度更高。
从这个角度看，模拟器路线反映了行业对机器人经验生产瓶颈的焦虑。
短期内，它更可能用于降低评测成本、辅助数据生产；长期目标则是支撑大规模强化学习，让机器人在虚拟环境中自主试错。虚拟经验能否迁移到现实，以及训练结果能否被可靠评价，将决定世界模型距离真正的机器人训练场还有多远。
世界模型，仍在等待证明
从WRC来看，行业已经看见世界模型的潜力，却还没有等到真正的能力“涌现”。
有世界模型负责人坦言：“目前我们也没有看到涌现的那一刻。训练集里见过的物体会表现得比较好，但如果让它做一个没见过的任务，它还是做不出来。”
这意味着，当前的世界模型更擅长在训练数据覆盖的范围内推演未来。面对熟悉的物体和任务，它可以预测动作结果；一旦物体属性、环境条件或任务组合超出已有经验，模型的可靠性便可能迅速下降。
自变量展示分拣包裹，分拣速度达到了1911件/小时
行业期待世界模型从有限数据中抽象出通用的物理规律，再将其迁移到陌生环境和任务中。然而，这种泛化能力目前尚未出现。
它可能只是迟到，也可能也永远不会到来。
深诣机器人联合创始人黄康尧将世界模型归入“先训练、后执行”范式。在他看来，这类模型能在部分任务上取得较好效果，但“未来能走多远，仍需要打一个问号”。
当“涌现”仍然停留在预期之中，企业更现实的护城河便落在模型架构之外。
黄青虬表示：“模型架构的知识，整个行业最终会共享。但底层的基建、训出模型的数据配方、怎么去生产这些数据，以及一群能够去驯服这些模型的人的经验，这些东西才是企业的真正壁垒。”
这一判断也为观察世界模型热潮提供了最终的落点。随着论文、人员和开源模型快速流动，企业之间的差距将更多体现在数据生产能力、模型训练以及评测体系等基础设施的建设能力。
WRC2026让世界模型成为具身智能行业的共同语言，却没有带来共同答案。
或许，我们应该先把聚光灯打向……数据？
—END—
不是人形机器人，WRC最大赢家悄悄出现了
海康机器人WRC首秀：开拓工业物流、商业场景具身智能落地新边界
