精华速览

据量子位报道，国内最年轻的AI教授已投身创业，方向聚焦世界模型，核心主张是让世界模型从当前以视觉和语言为主，走向“全身全模态”。其切入点是给Ego（第一人称视角）数据补上缺失的交互信息，使模型不仅能看和说，还能理解身体动作与环境的互动。这一思路针对现有世界模型在物理交互、动作反馈上的短板，试图通过补充Ego视角下的交互数据，提升模型对真实世界的建模能力。创业主体为个人，具体公司名称、融资与团队信息尚待确认。

要点透视

  • 国内最年轻的AI教授已启动创业，方向为世界模型。
  • 其核心主张是让世界模型走向“全身全模态”，而非局限于视觉与语言。
  • 切入点是给Ego（第一人称视角）数据补上缺失的交互信息。
  • 目标在于让模型理解身体动作与环境的互动，提升物理世界建模能力。
  • 该方向针对现有世界模型在动作反馈和物理交互上的不足。
  • 创业公司名称、融资规模及团队构成等具体信息尚待确认。

文章拆解

世界模型近两年成为AI领域的热门方向，主流路线多依赖视频、图像和文本数据，让模型学习预测环境变化。但这类模型普遍存在一个结构性缺陷：它们擅长“看”和“说”，却难以理解“做”——即身体动作如何改变环境、环境又如何反馈给身体。这位最年轻AI教授选择从Ego视角切入，正是瞄准了这一缺口。Ego数据以第一人称记录人与环境的交互，天然包含手部动作、视线转移和物体状态变化，但现有采集往往丢失了触觉、力反馈、本体感觉等交互信息，导致模型学到的世界是“旁观者”的世界，而非“参与者”的世界。

从逻辑上看，补上这些缺失的交互信息，意味着世界模型需要融合视觉、语言、动作、触觉等多模态信号，并建立从意图到动作再到环境变化的因果链条。这不仅能提升机器人在非结构化环境中的操作能力，也可能为具身智能提供更接近人类学习方式的数据基础。对行业而言，若该路线验证成功，可能推动世界模型从内容生成工具转向具身智能的底层引擎，改变当前以视频生成为主的竞争格局。

值得关注的变量包括：Ego交互数据的采集成本与规模能否支撑训练；多模态融合的技术难度是否可控；以及创业公司能否在巨头林立的赛道中建立数据壁垒。潜在风险在于，全身全模态的数据标准和硬件方案尚未统一，早期投入可能面临方向调整；同时，从学术主张到可规模化产品之间仍有较长路径。该创业项目的具体进展和验证结果尚待确认。

查看原文