2026年1月，北京智源人工智能研究院发布了《2026十大AI技术趋势》报告，其中最引人注目的观点是：行业共识正从语言模型转向能理解物理规律的多模态世界模型。这标志着AI正在经历一场从“预测下一个词”到“预测世界下一个状态”的根本性范式转移。

本文将深入解析这场变革的核心概念、技术脉络和产业影响。

一、从NLP到NSP：AI范式的又一次跃迁

1.1 传统大语言模型的局限性

过去几年，GPT、Gemini、Claude等大语言模型（LLM）取得了惊人进展。它们能够生成流畅的文本、编写代码、甚至进行多轮对话。但仔细审视会发现一个根本性的局限：这些模型本质上是在“预测下一个词”（Next-Token Prediction, NTP）。

NTP范式有一个天然的瓶颈：它擅长的是语言层面的统计关联，而非对真实世界的理解。一个LLM可以写出完美的物理考试答案，却不一定理解重力究竟是什么；它可以生成一段驾驶场景的描述，却无法真正“看到”一辆车转弯时的物理过程。

正如智源研究院院长王仲远所言：“预测下一个词的本质，是学习语言中的统计规律，而不是学习世界的运作方式。”

1.2 NSP：预测世界的下一个状态

NSP（Next-State Prediction，预测下一个状态） 范式代表着AI从“语言理解”向“世界理解”的跨越。

与NTP不同，NSP要求AI不仅理解当前状态，还要能够预测环境在下一个时刻的变化。这种预测涉及：

  • 空间推理：理解物体在三维空间中的位置和运动
  • 因果关系：明白“因为A所以B”而非仅仅“A和B经常一起出现”
  • 物理规律：掌握重力、摩擦力、碰撞等物理定律
  • 时间连续性：理解事物发展的连续过程

举个例子：当一个人看到一杯水被推下桌子的瞬间，NTP模型会继续这个叙事，但世界模型会真正“看到”水杯下落、破碎、水洒一地的完整物理过程。

1.3 世界模型的技术基础

世界模型（World Model）并非新概念，最早由 Jürgen Schmidhuber 在1990年代提出。但2025-2026年间，它终于从理论走向实际应用。

当代世界模型的技术基础主要包括：

多模态融合：将视觉、语言、触觉、听觉等多种感知融合为统一的环境表示

扩散模型：用于生成未来状态的预测图像或视频

神经辐射场（NeRF）：用于三维场景重建和视角合成

时序建模：用Transformer或Mamba等架构处理长程时间依赖

物理先验：将物理引擎的规则嵌入神经网络

OpenAI的Sora、DeepMind的Genie、腾讯的混元等模型都在探索世界模型的方向。2026年，这些探索正在加速走向成熟。

二、物理AI：AI走出屏幕，进入现实

2.1 什么是物理AI？

如果说世界模型是AI的“大脑”，那么物理AI（Physical AI） 就是AI的“身体”。它指的是能够感知真实物理世界并在其中自主行动的AI系统——不再是屏幕上的聊天机器人，而是真正能干活的人形机器人、自动驾驶汽车、智能机械臂。

NVIDIA CEO黄仁勋在CES 2026的主题演讲中直言：“物理AI是当前企业界最重要的发展趋势之一，未来可能创造数兆美元的产业，将彻底改变人们的工作方式。”

2.2 具身智能的产业化浪潮

具身智能（Embodied AI） 是物理AI的核心载体，它强调AI通过“身体”与环境交互来学习和推理。2026年，具身智能正从实验室走向产业应用：

特斯拉Optimus：2026年将进入规模化生产阶段，在工厂从事简单重复性工作

波士顿动力Atlas：已具备自主决策能力，能在复杂地形中行走

Figure AI：获得微软、英伟达等巨头投资，目标是在2026年实现商业化

国产机器人：宇树科技、智元机器人等中国企业在四足机器人和人形机器人领域快速跟进

根据行业预测，2026年人形机器人将不再是CES展台上的“花哨演示”，而是真正进入工业检测、物流搬运、服务引导等场景。

2.3 具身智能的技术挑战

具身智能的落地并非一帆风顺，以下挑战需要克服：

sim-to-real迁移：在仿真环境中训练的技能，如何有效迁移到真实物理环境？这涉及Sim2Real Gap的难题。

实时感知与决策：在复杂动态环境中，机器人需要在毫秒级完成感知-决策-执行的全流程。

精细操作：抓取不规则物体、系鞋带、倒水等对人类简单、对机器人极难的任务。

能源效率：移动端的算力和续航限制着机器人的工作时长。

安全交互：如何在与人近距离协作时确保安全？

解决这些问题需要世界模型+强化学习+硬件创新的协同突破。智源报告指出，2026年具备“闭环进化能力”的企业将在商业化竞争中胜出——即能够从真实场景中持续学习和迭代的机器人系统。

三、世界模型如何改变AI产业格局

3.1 自动驾驶的新范式

自动驾驶是 世界模型最快落地的领域之一。传统的自动驾驶系统依赖规则+感知的组合，而世界模型提供了新的可能：

端到端理解：车辆不再只是“识别”红绿灯和行人，而是真正“理解”整个交通场景的演变

长尾场景处理：世界模型可以通过想象（生成）从未见过的场景来学习应对

仿真训练：用世界模型生成海量训练数据，大幅降低路测成本

Waymo、特斯拉、小马智行等公司都在探索基于世界模型的自动驾驶方案。2026年，端到端自动驾驶的竞争将更加激烈。

3.2 机器人训练的革命

传统机器人训练需要大量人工编程或示教，成本高昂。世界模型正在改变这一现状：

想象式学习：让机器人在虚拟环境中“想象”各种操作，然后迁移到真实场景

zero-shot泛化：学会基本物理规律后，面对从未见过的物体也能做出合理反应

技能组合：像搭积木一样组合不同的技能模块，快速适应新任务

英伟达推出的GR00T项目就是一个典型——一个通用的机器人基础模型，配合世界模型理解物理规律，可以泛化到各种机器人硬件和任务。

3.3 科研与工业仿真

世界模型在科学研究中也展现出巨大潜力：

新材料发现：预测分子结构与性能的关系，加速材料研发

药物分子设计：模拟蛋白质折叠和药物-受体相互作用

流体/气象预测：用神经网络模拟复杂的物理过程

数字孪生：构建整个工厂、城市的实时仿真系统

智源报告特别指出，AI科学家正在成为"AI for Science"（AI4S）的北极星。科学基础模型与自动化实验室的结合，将极大加速从新材料到新药物的研发周期。

四、2026年为何是关键分水岭

4.1 技术成熟度的临界点

2026年之所以成为关键节点，是因为多项技术同时达到可用状态：

  • 模型能力：大语言模型的能力边界已经足够支撑复杂推理
  • 多模态感知：视觉-语言-动作的统一表示日趋成熟
  • 算力供给：GPU/TPU性能持续提升，推理成本下降
  • 机器人硬件：传感器、电机、芯片的供应链完善
  • 数据基础：合成数据技术突破，缓解了真实数据枯竭问题

4.2 产业需求的倒逼

另一方面，市场的需求也在推动变革：

  • 大模型竞争同质化：各厂商的参数规模战已近尾声，需要新的差异化方向
  • 企业级AI落地困难：单纯的内容生成难以创造真正的商业价值
  • 数字化转型进入深水区：企业需要AI能解决物理世界的问题，而非仅在屏幕上生成内容
  • 劳动力成本上升：机器人换人的经济性越来越可行

4.3 投资与政策的共振

全球范围内，AI向物理世界延伸已成为共识：

  • 美国：NASA、DoD加大对机器人AI的投入
  • 中国：“十四五”规划明确支持具身智能
  • 欧盟：AI法案开始关注物理世界的安全规范
  • 企业：英伟达、AMD、Intel等芯片巨头全面转向机器人计算平台

五、从业者应该如何应对

5.1 技术人员的路径

如果你是一名AI从业者，建议关注以下方向：

多模态与3D：从2D图像理解转向3D空间理解

物理仿真：学习MuJoCo、Isaac Sim等物理仿真工具

强化学习：掌握从仿真到真实的迁移技术（Sim2Real）

机器人基础：了解运动学、动力学、传感器融合等机器人学知识

领域知识：深入某个物理世界场景（自动驾驶、工业机器人、医疗机器人等）

5.2 企业决策者的考量

对于企业领导者，需要思考：

  • 应用场景是否真的需要物理AI：并非所有场景都需要机器人，数字化工具可能更经济
  • 数据准备度：世界模型需要大量高质量的多模态数据
  • 安全与合规：物理AI的安全性远高于软件AI，合规要求更严格
  • 长期投入：物理AI的成熟周期比软件更长，需要战略耐心

5.3 投资人的机会

VC和PE应关注：

  • 具身智能硬件：机器人本体的机会窗口
  • 核心零部件：传感器、减速器、末端执行器
  • 仿真训练平台：数字孪生、合成数据
  • 垂直应用：物流、医疗、制造的机器人解决方案

结语：AI的下一个十年

从1956年达特茅斯会议至今，AI经历了三次浪潮。每次浪潮的退潮都伴随着“AI已死”的质疑，但每次复苏都带来更深刻的价值。

2026年，我们正在见证第四次浪潮的转折点——AI不再满足于在数字空间中“模拟”智能，而是要真正“具身”到物理世界中“体现”智能。

世界模型是AI理解物理规律的第一步，物理AI是AI走进现实世界的第一步。当这两者结合，AI将从根本上改变人类生产和生活的方式。

正如黄仁勋所言：“这不是如果的问题，而是何时的问题。”

AI的下一个十年，将是物理AI的十年。

本文为 ai-tech-wiki 系列文章，撰写于2026年3月。