近年來，「世界模型」（World Model）成為人工智慧與機器人領域的關鍵詞。相較於現有的視覺語言動作模型（VLA），世界模型旨在讓AI真正理解物理世界的因果關係，如重力、摩擦力與物體互動的結果。北京智源人工智能研究院院長王仲遠指出，目前全球探索主要分為四條技術路線：以語言、像素、三維結構與視覺表徵為中心，但這些都尚未完整掌握物理現實。智源正嘗試第五條路——將語言與視覺融合於統一的「潛空間表徵」，使模型能根據同一份壓縮資訊，同時輸出語言、動作與視覺預測。

王仲遠強調，真正的世界模型必須具備四項能力：物理正確性、動作因果可溯、長時間序列一致性，以及跨場景泛化能力。這類模型不只用於生成逼真影片，更要能預測「下一個物理狀態」，如同人類能預判未蓋蓋子的水瓶掉落會灑出。此能力對具身智能至關重要，可讓機器人在家庭或工廠中自主決策，而非僅執行單一指令。

目前世界模型仍處於早期階段，類似深度學習在2012年的狀態。最大挑戰在於真實物理數據的匱乏，儘管影片資料豐富，但如何提取其中的物理規律仍是難題。短期內，具身智能將先於特定場景落地，如工廠分揀與酒店服務，同時累積可用於訓練世界模型的真實互動數據。王仲遠認為，世界模型不會短期爆發，但三到五年內可能隨數據累積而加速發展。