同叫世界模型，却在学习不同的世界：15 条创业与研究线索的技术分野

01｜先拆概念：世界模型的分水岭不是画面，而是状态、干预与用途

一个最小世界模型可以写成状态转移：给定当前状态 s、动作 a 和环境条件 c，预测下一状态或未来轨迹。真正的分歧藏在三个变量里。状态可以是像素、3D 对象图、隐空间动力学、接触与力，也可以是可执行程序；动作可以是真实关节控制、潜动作、键鼠输入或自然语言规则；预测结果可以只用于生成，也可以进入搜索、策略训练、动作选择和失败恢复。

因此，视频模型是否算世界模型不是非黑即白的问题。动作条件视频能低成本吸收外观、运动和部分交互规律，是很强的观测生成器；但如果物体离开视野就失去身份，换一个动作而结果几乎不变，或者预测不能改善策略，它还没有形成可供智能体使用的世界状态。相反，可执行规则模型即使没有逼真画面，也可能因为可验证、可搜索而更接近决策系统所需要的模拟器。

这批线索可以按“主要学习对象”分成五类。第一类学习动作与未来之间的耦合，用 rollout 或未来视频辅助策略；第二类建立跨本体动作空间，解决不同机器人数据无法共同训练；第三类追求干预下稳定的因果或物理状态；第四类压缩视频生成，使世界能够低延迟连续展开；第五类保存持久状态、显式规则或可微物理，使环境能被搜索、编辑和复用。Real-to-Sim-to-Real 则是把这些模型放进数据生产系统的方法论。

分类不是给团队贴永久标签，而是明确每条路线最容易被误读的地方：动作模型不一定显式模拟世界；自回归中的“因果”不一定是因果发现；空间模型不一定拥有动力学；物理引擎不一定能覆盖开放世界；论文能力也不能自动等同于公司产品。只有把预测对象和决策接口说清，路线比较才有意义。

02｜动作中心路线：最有价值的想象，不是生成未来，而是改变当前决策

IPR-1 的核心不是训练一个更漂亮的视频生成器，而是把世界模型放在策略的外部评审席。VLM 先提出候选动作，世界模型展开可能的未来，rollout 的结果再用于评分和强化策略。PhysCode 进一步把不同游戏的语义意图和动力学动作压进共享编码，使模型能在 1,000 多个游戏中寻找跨界面、跨视觉风格的物理不变量。它验证的是“想象能否改善选择”，而不是“像素能否逼真复现”。

这条路线的优点是模块边界清楚：推理模型负责提出行动，世界模型负责预演，评价器负责回传信号。它也暴露出从游戏到机器人的巨大断层。键鼠或离散游戏动作的作用边界清晰，真实机器人动作却同时受控制频率、接触力、执行器误差、遮挡和安全约束影响。IPR-1 已是 CVPR 2026 学术成果，但未发现独立公司主体，也未找到其与蚂蚁灵波围绕 IPR-1 的公开合作材料；这只能说明公开证据不足，不能据此推断是否存在未披露合作。

极佳视界的 GigaWorld-Policy 把同一问题改造成行动中心的 World–Action Model：训练时同时预测动作与动作条件未来视频，让视觉动力学成为动作学习的稠密监督；推理时通过因果隔离阻止未来视频 token 反向泄漏给动作 token，因此可以省略显式视频解码。其价值在于保留世界建模的训练增益，却不必为每次控制支付生成整段视频的延迟。GigaWorld-Policy-0.5 又通过 Mixture-of-Transformers 把视觉动力学与动作生成分给不同专家，论文报告本地 RTX 4090 上约 85 ms 推理延迟。

这一设计也带来明确取舍：如果未来视频只在训练期出现，部署时获得的是被世界预测塑形过的策略，而不是可供在线搜索、解释和反事实比较的显式模拟器。它更像“用世界模型训练更好的 policy”，而不是“机器人运行时先做梦再行动”。投资或采购时应把两种能力分开验证：前者看动作成功率、延迟和跨场景泛化，后者还要看多候选 rollout 的校准度与规划收益。

03｜跨本体路线：统一动作空间解决的是数据复用，不自动等于世界模拟

刘松铭的 RDT2 与 LiberAI 代表另一种起点：世界不先被建模为可视未来，而是先把不同本体的动作翻译成可共享的表征。RDT2 使用增强版 UMI 收集超过 10,000 小时、与机器人本体相对解耦的人类示范，再以 7B VLM、残差向量量化、flow matching 和蒸馏连接离散语义与连续控制。其目标是新物体、新场景、新指令乃至新机器人上的零样本迁移。

这类模型最重要的状态不是像素世界，而是“人想完成什么动作结构，以及不同机器人如何实现它”。残差向量量化把高维连续行为压成组合式 code，能够减少每种机械臂都重新定义动作词表的成本；flow matching 则保留多模态连续轨迹。若新本体接入所需数据和微调显著下降，这本身就是基础模型价值，即使它没有在运行时输出未来视频。

LiberAI 已有公司主体和融资报道，但目前公开最扎实的技术证据仍来自创始团队的 RDT-1B / RDT2 研究。论文的跨本体结果不能直接等同于公司尚未公开的“物理世界模型”已完成相同验证。公司下一步真正需要证明的是：自研数据接口、动作表征和本体系统能否让第二种、第三种机器人接入越来越快，而不是只在一个高自由度 Demo 上展示复杂动作。

胡钰承参与的 UAM 则从 VLA 微调中的“具身税”切入：动作训练可能破坏预训练 VLM 的语义能力，因此以并行 Dorsal Expert 承担时序预测与控制相关计算，并通过梯度隔离保护语义通路。它与 WAM 的交叉点在于把未来状态或子任务表征作为动作学习的中间监督，但核心问题是语义能力与控制能力如何共存，并非构建独立世界模拟器。胡钰承有连续论文与公开报告记录，未发现以其为创始人的公司信息。

跨本体路线的护城河不能用参数量衡量，而要看“适配函数”是否真正缩短：同一技能迁移到不同自由度、相机布局、末端执行器和控制频率时，需要多少新数据、多少人工标定、多少控制器特例。没有这四项数字，跨本体仍可能只是数据集内的形式统一。

04｜因果路线：必须区分时间单向、动作可控、干预稳健与机制复用

“因果世界模型”最容易产生概念错位。第一层是时间单向：模型只能看过去生成未来，技术上常用 causal attention；第二层是动作可控：改变动作输入，预测结果应随之改变；第三层是干预稳健：改变背景、相机或无关物体时，动作效应保持；第四层才是机制复用：模型能表达可干预变量与结构，在未见环境中回答反事实并支持规划。四层逐级变强，不能因为名称中出现 causal 就自动跨级。

Aether AI 的 CD-LAM 瞄准第二到第三层。普通 Latent Action Model 用相邻帧重建学习潜动作，容易把背景、相机移动和未被操作的物体也编码进动作 latent，形成视觉混杂。CD-LAM 用前景加权重建、动作语义对比学习和 latent 校准，让“没有变化”的重复帧靠近零动作，并让潜空间更多按动作而不是场景聚类。这样做没有直接恢复完整结构因果图，却把一个关键干扰源从动作接口中剥离。

论文在 2B 与 14B action-conditioned world model 上报告动作跟随误差下降超过 30%，并显著减少机器人动作后训练更新；公司技术文章还披露 3,000 步达到基线约 50,000 步的参考水平。这里最有价值的不是单一百分比，而是评价口径发生改变：画面保真和动作遵循的相关性很弱，所以一个看起来真实的视频可能完全没有服从动作。所有具身世界模型都应增加零动作、动作交换、背景干预和目标动作迁移测试。

逆矩阵的 Physis 选择更宏观的“预测下一物理状态”：公开材料称其希望统一 RGB-D、点云、力触觉、视频和动作，服务工业、机器人、物理仿真与科学预测。它比纯视频路线更明确地把多模态物理状态作为目标，但截至核验日，公开技术细节、模型卡、可复现实验和公司与智源研究成果之间的知识产权边界仍有限。融资规模证明资源动员能力，不证明模型已经获得机制级因果泛化。

05｜视频路线：实时生成解决“世界能不能跑”，却没有回答“世界是否真的存在”

朱军团队与生数科技的 Causal Forcing 解决的是双向视频扩散教师与自回归学生之间的架构错位。双向教师在生成一段视频时能同时利用整段上下文，自回归学生只能利用过去；直接用前者初始化后者会违反论文所需的逐帧可逆条件，使学生学到条件期望而不是正确 flow map。Causal Forcing 先得到自回归教师，再做 ODE 初始化与分布匹配，Causal Forcing++ 又以 causal consistency distillation 将生成压到逐帧 1—2 步。

这套技术的真正产业意义是把高质量视频底座转成低延迟、可控制、持续展开的环境。minWM 进一步开放了从双向 T2V / TI2V 基座、相机控制微调、自回归训练、少步蒸馏到流式推理的全栈流程。对游戏与数字内容，它已经接近可用工具链；对机器人，它提供廉价的视觉 rollout 和动作条件数据，但仍需补上对象持久性、接触力、几何一致性和真实策略增益。

这里必须再次强调术语边界：Causal Forcing 的 causal 主要是生成方向与注意掩码的因果性，不等同于黄碧薇路线中的因果发现或去混杂。前者回答“如何只看过去、快速生成未来”，后者回答“动作是否真的造成预测结果”。两者可以组合，但不能相互替代。

邹应天创办的 Sreal AI 把视频路线推进到“多个行动者共享一个世界”。MultiWorld 不属于 Code World Models；它是动作条件视频世界模型。Multi-Agent Condition Module 用身份嵌入消除多个角色动作的归属歧义，并动态提高正在行动者的条件权重；Global State Encoder 则利用 VGGT 的三维特征，把不同摄像机观测压缩为共享状态。一个模块回答“谁做了什么”，另一个回答“不同视角看到的是不是同一个事件”。

MultiWorld 的价值在于把多人游戏和多机器人协作放进同一结构：智能体与相机数量都可变化，不同视角可以并行生成。官方项目页报告在《双人成行》数据上将 FVD 从对比方法的 207—245 降至 179，并实现约 1.5 倍多视角生成加速；机器人部分使用 RoboFactory 的 2—4 机器人离线轨迹。它证明了多主体、多视角可控生成，却还没有证明真实机器人会因为这些预测而提高协作成功率。Sreal 的首个商业入口因此更可能是游戏和数字内容生产，而不是直接销售机器人控制系统。

Video Rebirth 先以 BACH 进入专业视频生成，公开技术强调 Dual DiT、角色与叙事一致性以及 Physics-Native Attention；公司称计划在 2026 年末推出 Olympus，使环境能实时交互并表现重力、碰撞与声音。BACH 已形成产品和融资证据，Olympus 截至核验日仍是路线规划，未见完整模型卡、代码或机器人任务增益。其最大挑战是把电影级“物理感”升级为可测的状态守恒与动作因果，而不是继续优化视觉可信度。

视频路线最合理的阶段性指标也应改变：早期看首帧延迟、吞吐、动作跟随和长时一致性；中期看同一隐藏状态能否支持多视角和对象持久性；进入 Physical AI 后必须看生成数据或 rollout 是否提升真机策略、减少失败采集与人工干预。越靠后，VBench 一类视觉指标的解释力越弱。

06｜持久与可执行世界：像素、状态和代码是三种完全不同的模拟器

VAST 的 Project Eden 从“世界是否独立于摄像机存在”出发，把底层结构化状态与最终视觉渲染解耦。状态层保存粗几何、对象身份、语义、事件与动作后果，渲染只是观察该状态的一种方式。由此，多名用户或智能体可以从不同视角进入同一个持续运行的世界，物体离开镜头后仍被保存。相比逐帧视频，它把记忆从上下文窗口提升为系统原生状态。

这条路线与 VAST 已有的 Tripo 3D 资产生成形成自然数据闭环：创作者生成、编辑、拓扑、绑定和导出的过程，能够积累比纯视频更结构化的空间资产。商业上也更稳健，因为 3D 创作、API 和插件已经能收费，Project Eden 可以在既有用户和资产上迭代。但持久状态不自动带来精确接触动力学；一个能记住火是否熄灭的世界，仍可能无法正确预测夹爪摩擦和柔性物体形变。

Code World Models 走向另一极端：让 LLM 把自然语言游戏规则与轨迹编译成 Python 状态转移、合法动作和终止函数，再交给 MCTS 搜索。它没有追求视觉逼真，却拥有可执行、可枚举和可验证的规则接口。公开论文在十个游戏上评测，其中四个为新游戏；这证明“世界模型”可以是程序，而不仅是神经视频 latent。它最适合规则可形式化的数字环境，迁移到真实世界则会遭遇规则不完备、连续动力学和传感噪声。

Code World Models for General Game Playing 的公开作者名单中没有上海交大邹应天，这篇论文与其没有可核验归属关系。邹应天的创业方向另有明确证据：MultiWorld 官方项目页把他的作者单位写为 Sreal AI，云启资本 2026 年 7 月的活动记录进一步将其介绍为 Sreal AI 创始人。Sreal 的公开路线是生成式世界引擎与多智能体多视角视频世界模型，而非代码世界模型。北京大学梁一韬团队的 JARVIS-1 则在 Minecraft 开放世界研究基础模型驱动的长任务智能体，仍未发现其创办世界模型公司的公开证据。

持久世界与可执行世界最终可能汇合：前者提供跨视角的长期对象状态，后者提供明确的转移规则和搜索接口，再由生成模型负责视觉呈现与未知规则补全。真正困难的不是让三层同时存在，而是建立一致性约束：代码判定门已打开时，结构状态、画面和智能体观测必须同时更新。任何一层漂移，都会让规划建立在一个互相矛盾的世界上。

07｜从显式物理到公司资产：谁在建立可复用的能力闭环

厘清智能的技术路线不是孤立训练一个视频模型，而是把人类数据采集、物理 tokenization、可微物理引擎、强化学习与真机部署串成 Real-to-Sim-to-Real。真实数据用于识别几何、材质与动力学参数，仿真放大稀缺和危险状态，策略再回到真机暴露系统误差，失败数据继续修正仿真分布。这是一条“能力工厂”路线，价值取决于整条闭环是否让后续任务更便宜。

可微物理的优势是误差可以穿过模拟器反向优化参数或策略，适合摩擦、质量、刚度等可参数化问题；神经世界模型则更擅长吸收难以手写的视觉与复杂交互分布。二者结合的合理分工不是让神经网络替代所有方程，而是由显式引擎守住守恒、碰撞和约束，把未建模残差交给学习系统。厘清智能的公司、融资和团队信息已公开，但关键技术指标主要来自公司或媒体叙述，仍需模型卡、跨本体数据效率和真实客户工作流验证。

王可泽并非只有一条待观察的学术线索。他的个人主页明确写明 X-Era Lab 联合首席科学家，公开采访则将 X-Era Lab 与拓元智慧对应。公司官网把核心模型称为世界动作模型，强调空间建模与物理建模解耦，并以内生世界模型监督动作预测。“除法网络”更可能是对“有理函数网络”的误记：后者确实出现在团队公开技术描述中，指向用分式函数增强非线性与物理机制表达，而不是一家名为“除法网络”的项目。

X-Era 更值得注意的是数据起点。公司称其无人零售等系统每天实际服务接近 500 万次，从开门、抓取、挪动、放回到异常交互，能够形成真实而含噪的动作—状态—反馈序列；这一数字是商业系统服务量，不能等同于机器人自主动作量。团队将这类数据组织为 4D 时空状态加交互变量的“4D+X”，试图让模型先分离空间几何与物理演化，再联合输出未来过程和动作。它的决定性验证不是再做一段生成视频，而是证明这种内生监督让新本体所需数据下降，并在遮挡、接触和分布变化下提高闭环成功率。

“电磁世界模型”需要拆成两条公开事实。其一，华为确有 MindSpore Elec / MindElec AI 电磁仿真套件，官方文档披露在华为终端手机容差场景中，S 参数误差约 2%、端到端仿真速度提升 10 倍以上；这是 AI for Science / 工程仿真能力，不是名为“硅一智能”的创业公司。其二，中国移动与北邮联合体系明确使用“电磁世界模型”术语，用 WiWorld-RealData、ChannelLM 与 ChannelAgent 建模信道、波束和网络配置。两者都在学习物理场，但动作接口不是机器人关节，因此不纳入机器人公司竞争表。

nanobot 则处在范围之外：公开项目是轻量开源个人 AI agent，核心是多渠道聊天、工具调用、记忆、模型路由和自动化。它可以成为软件智能体基础设施，但没有物理状态、动作—后果学习或机器人闭环。关于项目发起者 Xubin Ren “考虑做世界模型创业”的说法没有公开材料支持，因此只能列为未证实线索，不能进入公司技术比较。

十家已确认公司的竞争关系并不是谁拥有更大的“世界模型”三个字，而是谁把能力嵌入了可积累的资产。VAST 拥有 3D 创作用户、资产和 API；生数拥有视频基础模型、开源蒸馏链路与数字内容入口；极佳视界把数据生成、行动模型和自研本体连成全栈；Aether 把因果去混杂做成可插入既有 ACWM 的训练模块；Sreal 选择多人游戏与多视角交互数据；X-Era 则从既有商业系统获取结构化真实交互。它们的护城河分别落在空间资产、工程工具链、本体闭环、方法接口和数据入口。

仍依赖未来证据的部分各不相同。LiberAI 需要把创始团队跨本体研究转化为公司级模型和接入效率；逆矩阵需要公开多模态物理状态的模型结构、评测与授权边界；Video Rebirth 需要让 Olympus 从视频产品路线图变成可运行、可交互、可验证的状态系统；厘清智能要证明昂贵的全栈 Real-to-Sim-to-Real 能降低第二客户和第二本体的边际成本；Sreal 要把视频一致性转成实时交互或策略增益；X-Era 则要把真实数据规模转成可复现的模型指标。

商业化次序也会反过来塑造模型。以内容与 3D 工具先收费，能获得高频用户反馈，却容易优先优化视觉与创作指标；以机器人本体切入，能获得真实动作和失败数据，却受制于硬件迭代与现场服务；以训练基础设施切入，容易进入多家客户，却必须证明数据与仿真对不同模型都有稳定增益；以纯基础模型切入，技术上最自由，却最容易缺少可观测的付费闭环。

因此，相似公司的正确比较单位不是“融资额或 Demo 观感”，而是新增能力的边际成本：每增加一个任务、一种本体、一个客户或一个环境，是否共享同一状态表征、训练系统和失败数据；还是重新采数据、写规则、调控制器、派工程师驻场。前者会形成基础模型复利，后者更接近高端系统集成。

08｜最终判断：世界模型只有进入闭环，才会从生成能力变成基础设施

判断一个项目是否值得进入 Physical AI 基础模型名单，可以连续通过五道门。第一道是状态：模型是否保存了任务真正需要的变量，而不是只保存外观。第二道是干预：改变动作时，未来是否按同一机制改变。第三道是决策：预测是否被搜索、策略或控制器实际使用，并带来可量化增益。第四道是迁移：新环境、新任务或新本体需要的新增数据是否下降。第五道是经济性：闭环部署产生的失败数据能否自动回流，并让后续交付更快。

五道门的顺序不能颠倒。没有动作干预就讨论因果，是把时间相关性当机制；没有决策增益就讨论机器人世界模型，是把视频生成当策略；没有迁移成本下降就讨论基础模型，是把多任务 Demo 当平台；没有交付复利就讨论商业护城河，是把融资和团队声望当产品证据。

对研究团队，最有说服力的下一步不是成立公司公告，而是补齐反事实评测：零动作、动作交换、背景干预、跨视角持久性、长时误差累积和闭环策略提升。对创业公司，最有说服力的不是再发布一个世界模型名称，而是公布同一任务在有无世界模型时的数据量、成功率、恢复率、推理延迟和人工介入变化。

这批团队真正可能形成互补而非零和竞争：Aether 的去混杂动作空间可以进入视频 ACWM；生数的少步蒸馏可以降低 rollout 延迟；Sreal 的多智能体条件和共享视角状态可以补上协作环境；VAST 的持久状态可以提供长期事实源；X-Era 与厘清分别从真实 4D 交互和可微物理约束世界转移；极佳与 LiberAI 的动作模型负责把表征压回可执行控制。最终赢家未必拥有单一最强模型，而可能最先定义这些模块之间可验证、可替换、可复用的接口。

截至 2026 年 8 月 9 日，十家公司可以进入持续跟踪名单；李永露、梁一韬、胡钰承应以学术团队或个人研究方向观察；“华为硅一智能”这一公司名称和 nanobot 创业意向仍未证实。邹应天已确认创办 Sreal AI，王可泽已确认担任 X-Era Lab 联合首席科学家。清晰区分论文归属、学术职务和公司角色，才能同时避免把传闻拼成不存在的公司，以及把已经公开创业的研究者继续当作纯学术线索。