2026年智源大会上，智源研究院具身模型研究中心负责人王鹏伟正式发布了悟界·RoboBrain Orca世界模型。此时距他2024年8月加入智源、着手搭建具身模型研究中心，已接近两年。王鹏伟在微软亚洲研究院攻读博士期间研究方向为知识图谱与自然语言处理，2018年毕业后加入阿里达摩院负责预训练工作五年，其后加入快手大模型团队，从零到一搭建多模态大模型。2024年2月，他首次接触具身智能。
王鹏伟在演讲中指出，当前制约具身智能行业发展的核心问题依然是大脑不够泛化，行业尚未找到高效消费数据的范式。他将现有世界模型路线归纳为四类：以语言为中心、以像素为中心、以三维结构为中心、以视觉表征为中心。他认为，这四类模型的共同问题在于只聚焦单点、单个模态进行建模，即“只学到了片面的世界”。以语言为中心的世界模型缺失视觉、听觉、触觉等信息；以像素为中心的模型在生成时需还原每个像素，而人类执行动作时并不需要如此精细的像素级考量；以三维结构为中心的模型如3D重建和World Labs Marble，重建空间不等于理解物理状态；以视觉表征为中心的JEPA本质上仍是学习数据分布，无法说明表征背后的物理规律。
王鹏伟提出的第二个关键问题是，当前世界模型均为“被动任务驱动”。具身智能的数据采集和任务学习需要人工布置，模型被动执行、被动收集任务、被动生成数据，这不利于物理AGI的实现。
在技术路径上，王鹏伟将Orca的学习范式类比人类学习过程，分为“无意识学习”和“有意识学习”。无意识学习对应learning from video，模型在Latent层面学会状态转移，无显性语言指导和物理规律；有意识学习则在干预条件下学习状态转移，同时进行“由因推果”和“由果溯因”，关注事件级、语义化、稀疏的状态转移。他指出，目前有意识学习范式极度缺乏训练数据集，需要构建大量包含action及action引发状态转移的关键event数据集。
对于VLA路线，王鹏伟评价称，VLA的本质是用多模态大模型思路生成action，数据映射效率不高，在泛化能力上暂时没有看到明确的突破路径。他同时表示，VLA在限定场景任务成功率上数据利用率已是最优，世界模型在某些任务的数据利用效率和执行成功率上可能不及VLA，但世界模型探索的是解决泛化问题的新思路。他将VLA类比为专家模型，将世界模型类比为Bert和ChatGPT，认为世界模型更受益于长尾场景。关于终局，王鹏伟判断VLA与世界模型将并存一段时间，最终哪种范式留下尚不确定，但他更看好世界模型，因其解决的是更本质的问题。工业场景中非柔性分拣等不需要泛化的任务，VLA仍然适用。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
