来源：环球网

【环球网科技报道 记者 郑湘琪】“回顾人工智能的发展，每一次重大突破都源于新的技术范式，而不仅仅依赖模型规模的增长。大语言模型如此，具身智能也将如此。”WAIC 2026期间，亮源新创创始人兼CEO姜旭告诉记者。

据悉，作为主打消费级通用机器人的具身智能基础模型公司，亮源新创因其创始人的背景备受关注——姜旭曾在OpenAI参与InstructGPT、ChatGPT及GPT-4等基础模型研发，是少数完整经历ChatGPT关键技术演进周期的华人创业者之一。

此次大会上，他提出具身智能发展的三大关键技术范式：“智能才是真正的产品，机器人只是智能进入物理世界的重要载体。我们相信，未来具身智能的发展将沿着规模化预训练、规模化对齐和规模化部署三大技术范式持续演进。真正重要的，不是让机器人变得更智能，而是让基础模型能够持续进入物理世界，在真实环境中学习、进化，并在规模化部署过程中持续获取真实世界数据，形成基础模型持续学习的数据飞轮，推动智能能力不断演进。”

基于这一判断，姜旭将世界模型的能力拆解为两项核心任务。“第一，预测世界的下一个状态，对于视频生成模型来说，就是预测下一帧。第二，也是更重要的，预测下一个动作。如果必须在两者之间做取舍，我认为预测动作比预测状态更加重要。”

他的逻辑在于，训练世界模型的最终目的是控制机器人，而非生成视频——人在物理世界中完成动作时，并不会不断预测世界的下一个状态，而是在观察环境后自然而然地做出动作。“状态应该被感知，动作应该被预测。世界模型真正需要突破的是建立大规模的‘状态—动作’映射。”

但姜旭同时强调，仅有世界模型还不足以实现通用具身智能。过去几年，大语言模型、代码模型、智能驾驶真正实现突破都经历了可规模化的预训练、对齐以及部署三个共同的阶段。“世界模型不会是例外，具身智能本质上仍然是一个新的大模型问题。”

聚焦在技术实现层面，姜旭则将时下世界模型的技术短板指向了理解与生成两种能力难以统一的核心难题。“理解本质上是一种感知能力，而生成本质上是一种重建能力。”他表示，“行业已逐渐形成共识：两者很难通过同一种表征统一完成，许多世界模型往往采用统一方式处理状态预测和动作预测，最终要么更偏向生成，要么更偏向理解。而这也是亮源新创重点攻克的方向，团队正通过架构创新和数据创新，寻求统一状态理解和动作预测两项能力。”

从技术路径延伸到落地前景，姜旭将当前AI时代的核心红利归结为“智能供给的红利”——互联网数十年积累的海量数据结合算法突破，被转化为智能。“具身智能最先发生能力跃迁的领域，一定是互联网已经积累了大量数据的领域。互联网规模最大的数据是视频数据，主要来自日常生活场景，这意味着日常生活有望成为能力跃迁的首发地带。”

不过，姜旭也提醒，真正能率先规模化的场景还必须满足“高容错率”这一条件。回顾过去几年，AI做PPT存在幻觉但定位是助手，代码模型提供建议由程序员最终确认，视频生成更多是创意工具，这些成功应用几乎都率先落地于高容错场景。“具身智能也很可能遵循类似规律，首先在高容错场景实现商业突破。”

谈及商业化的具体路径，姜旭进一步表示，保持开放心态比过早锁定方向更重要。他以OpenAI在ChatGPT成功前的大量产品探索为例解释称，找到适合模型能力的产品形态和商业场景，并不比训练模型本身更容易。

“一个更现实、成功率更高的策略，是保持开放心态，持续探索丰富的应用场景，而不是过早假设唯一正确的商业化方向。”姜旭说，亮源新创也期待借助WAIC这一开放交流的平台，与全球研究者和产业伙伴共同探索具身智能基础模型的发展方向，推动基础模型从理解数字世界迈向真正参与物理世界。