智源研究院王仲遠(yuǎn)：訓(xùn)練仍有巨大的Scaling空間 | MEET2026

編輯部 整理自 MEET2026
量子位 | 公眾號 QbitAI

全球互聯(lián)網(wǎng)的文本數(shù)據(jù)已基本挖掘完畢，但視頻數(shù)據(jù)還未被充分利用。

智源研究院的多模態(tài)世界模型悟界·Emu3.5，就是一個從視頻中學(xué)習(xí)，而非僅依賴文本的大模型。

在量子位MEET2026智能未來大會上，北京智源人工智能研究院院長王仲遠(yuǎn)提到：

• 當(dāng)前人工智能正處于第三次浪潮的關(guān)鍵拐點：大模型不僅推動AI從弱智能向通用智能跨越，更有望讓機器人從1.0專用時代邁入2.0通用時代。

為此，智源研究院發(fā)布“悟界”系列大模型，錨定AI從數(shù)字世界進入物理世界的核心方向。

智源的Emu3.5與具身大腦全棧技術(shù)體系，就成為支撐這一技術(shù)演進趨勢的兩大基石。

MEET2026智能未來大會上，王仲遠(yuǎn)還說，要實現(xiàn)AI與物理世界的深度交互，需突破多模態(tài)理解與具身執(zhí)行的核心技術(shù)瓶頸。

目前，悟界系列已在多模態(tài)學(xué)習(xí)范式、跨機器人本體適配等領(lǐng)域取得關(guān)鍵進展，且多項成果已開源開放，助力產(chǎn)業(yè)協(xié)同創(chuàng)新。

為了完整體現(xiàn)王仲遠(yuǎn)的思考，在不改變原意的基礎(chǔ)上，量子位對演講內(nèi)容進行了編輯整理，希望能給你帶來更多啟發(fā)。

MEET2026智能未來大會是由量子位主辦的行業(yè)峰會，近30位產(chǎn)業(yè)代表與會討論。線下參會觀眾近1500人，線上直播觀眾350萬+，獲得了主流媒體的廣泛關(guān)注與報道。

核心觀點梳理

• 當(dāng)下人工智能處于第三次浪潮的重要拐點，大模型推動其從弱人工智能邁向通用人工智能，推動機器人從1.0專用機器人時代進入2.0通用具身智能時代。
• 視頻是能夠大規(guī)模獲得的模擬真實世界的高效載體，同時包含時間、空間、物理、因果關(guān)系以及意圖等各種要素。
• 2025年往后，第三代Scaling范式的關(guān)鍵在多模態(tài)。智源研究院的悟界·Emu3.5，通過統(tǒng)一的自回歸架構(gòu)，將大語言模型的Next-Token Prediction升級為在多模態(tài)數(shù)據(jù)上進行Next-State Prediction，預(yù)示著AI從語言學(xué)習(xí)邁入多模態(tài)世界學(xué)習(xí)的新階段。
• 目前的具身大模型依然是不好用、不通用、不易用。不好用，指的是具身大模型還沒有達到ChatGPT時刻；不通用，指的是很多模型只能適用一個本體或者同一個品牌的本體；不易用，指的是大腦、小腦以及本體之間的適配度還是不夠高。
• 智源研究院從成立起堅持開源開放，過去兩年多開源200多個模型，涵蓋語言模型、多模態(tài)模型、具身模型等，全球下載量突破6.9億次；開源100多個數(shù)據(jù)集，涵蓋語言、語音、圖像、視頻和具身智能等，全球下載量超過400萬次，僅在11月底開源的一個具身數(shù)據(jù)集下載量已超百萬次。

以下為演講全文。

從數(shù)字世界到物理世界：AI迎來第三次浪潮關(guān)鍵拐點

今天想和大家分享的是智源研究院在“推動人工智能從數(shù)字世界邁向物理世界”上的一些最新科研進展。

我們知道當(dāng)下人工智能正處于第三次浪潮中的重要的拐點。

過去幾年，大模型的爆發(fā)讓AI從原來的弱人工智能時代邁向通用人工智能時代，也有望推動機器人從1.0時代進入到2.0時代，也就是從專用的機器人到通用的具身智能。

基于對這一趨勢的預(yù)判，在今年的智源大會上，智源研究院也發(fā)布了“悟界”系列大模型

如果說四年前所發(fā)布的“悟道”系列大模型開啟了中國大模型時代——“悟道”的“道”代表我們對大語言模型方法和路徑的探索，那么“悟界”系列大模型代表了我們對于人工智能從數(shù)字世界進入到物理世界這一趨勢的判斷——“悟界”的“界”代表智源對于虛實世界邊界的不斷突破。

今天我想重點跟大家分享兩方面的進展：

一個是在我們在多模態(tài)世界模型上的突破，另外是具身大腦的全棧技術(shù)體系的成型

Emu3.5：從長視頻中學(xué)習(xí)物理世界動態(tài)

在今年的10月30日，智源研究院發(fā)布了悟界·Emu3.5，這是一個多模態(tài)的世界模型的基座。

Emu3.5用一個單一的Transformer基座能完成多樣化的能力，它跟其他一些大模型最重要的區(qū)別是，它是從長視頻中進行學(xué)習(xí)

我們知道文字和語言是人類智慧的結(jié)晶，是人類知識的總結(jié)。大語言模型的成功得益于從文字中學(xué)到了智能，學(xué)到了邏輯推理的能力，但全世界只有一個互聯(lián)網(wǎng)，文本的數(shù)據(jù)已經(jīng)被基本使用殆盡，這也是為什么這一兩年可以看到像大語言模型的預(yù)訓(xùn)練已經(jīng)開始進入到比較緩慢的階段。

另外一方面，如果人工智能要從數(shù)字世界進入到物理世界，不僅僅需要理解文字，還要理解整個世界運行的規(guī)律，需要能夠處理圖像、聲音等各種各樣模態(tài)的信息。

視頻是目前能夠大規(guī)模獲得的，同時包含時間、空間、物理、因果關(guān)系、意圖等各種要素的、能夠高效模擬真實世界的載體。

我們知道大語言模型最重要的能力是對下一個詞元（Next-Token）進行預(yù)測，Emu3.5一個非常重要的能力，就是從長視頻中來進行學(xué)習(xí)，也正是由于這樣的訓(xùn)練范式，使得我們能夠從Next-Token Prediction升級到Next-State Prediction，能夠?qū)ο乱粋€時空狀態(tài)進行預(yù)測。

我們相信人工智能在未來這幾年會從“語言學(xué)習(xí)”進入到“多模態(tài)世界學(xué)習(xí)”的新階段。

為了實現(xiàn)這一目標(biāo)，對比上一個版本，Emu3.5在各方面都有了大幅提升，比如訓(xùn)練數(shù)據(jù)集中視頻的總量，從原來的15年上升到了790年，參數(shù)量從原來的8B提升到了34B。

Emu3.5所采用的是全自回歸的架構(gòu)，自回歸架構(gòu)與Diffusion和Diffusion Transformer的架構(gòu)相比，其實在圖像、視頻等多模態(tài)的生成速度上，是有比較明顯劣勢的，但在Emu3.5中，通過我們自研的DiDA技術(shù)，每一張圖片的生成速度能夠提升約20倍，使得自回歸模型文生圖速度與世界頂級模型模型媲美。

基于以上突破，我們相信Emu3.5開啟了第三個的Scaling范式。

剛才前面兩位演講嘉賓也提到，現(xiàn)在整個Scaling確實進入到緩慢的階段。前幾年是大語言模型的預(yù)訓(xùn)練的Scaling，過去這兩年是后訓(xùn)練的Scaling，在多模態(tài)這塊，由于我們知道海量的多模態(tài)數(shù)據(jù)還沒有被有效地使用，因此依然有非常大的Scaling的空間。

更為關(guān)鍵的是，像Emu3.5采用的是自回歸的架構(gòu)，因此能夠復(fù)用現(xiàn)有所有針對大語言模型的基礎(chǔ)設(shè)施，并且Emu3.5現(xiàn)在才只是34B的模型，對比大語言模型依然有千億、萬億的廣闊空間。

目前，Emu3.5科研體驗版已經(jīng)向公眾開放，歡迎大家體驗。

這里我也簡單介紹一下，請看大屏幕中展示的Emu3.5生成的例子。文生圖方面，模型可以生成非常精美的圖片，各種細(xì)節(jié)非常豐富。在圖像編輯任務(wù)中，Emu 3.5展現(xiàn)了非常強的多模態(tài)理解能力。

比如說在左上角的例子，我們給了一個指令，“把問號的區(qū)域換成合適的顏色”，模型能夠通過語義推理填充符合邏輯的顏色；再比如中間的例子，指令是“將批改的卷子還原，把手寫的部分去除”，這要求模型首先要識別出哪些屬于手寫的部分。右下角的例子里，我們給了一張圖片，要求“換成一個俯瞰的視角”，模型非常好地展示出俯瞰視角的形象。可以看到，Emu3.5具備了很好的多模態(tài)推理和視覺理解能力。

近期，像Gemini 3 pro和Nano Banana pro相繼發(fā)布，在業(yè)界引發(fā)關(guān)注，其實之前我們把Emu3.5跟Nano Banana第一代做了對比，能力旗鼓相當(dāng)。針對最新發(fā)布的Pro版本，我們正在進行各項能力的評估與測試，這邊展示其中部分結(jié)果。

在一些虛擬轉(zhuǎn)現(xiàn)實、尤其涉及到時間空間下一個狀態(tài)預(yù)測的任務(wù)上面，Emu3.5的表現(xiàn)可圈可點。

比如說在這個例子里，將摩托車的模型草稿圖轉(zhuǎn)成現(xiàn)實，我們可以看到Nano Banana還是做了很多偏離原圖的“自由發(fā)揮”，觀察細(xì)節(jié)可以看到與原圖的差異還是比較明顯的。Emu3.5則更好地保持了一致性。

再比如說左右視角轉(zhuǎn)換，因為Emu3.5是從視頻中學(xué)習(xí)，它對物理世界，對于時間、空間、物理的知識有了更加充分地理解，所以能夠達到更好的理解和生成的效果。對于預(yù)測下一個狀態(tài)的任務(wù)，從下面這個例子可以非常明顯地看出來，Emu3.5預(yù)測狀態(tài)的正確性和邏輯性具有顯著優(yōu)勢。

除了圖像生成和圖像編輯以外，Emu3.5還具備長時空序列的視覺故事生成，視覺指導(dǎo)（圖文說明書）生成的能力，所有這些都是“世界模型”的核心要素。大家可以通過Demo了解更多。

更為關(guān)鍵的是，Emu3.5是全開源的模型。

具身大腦全棧技術(shù)：破解機器人“不通用、不易用”難題

Emu3.5解決的是世界基座模型的能力，人工智能要進入到物理世界，很重要的是跟硬件結(jié)合，像具身智能。

在具身智能上，智源研究院主要通過在數(shù)據(jù)和模型上進行破局，我們知道現(xiàn)在整個具身大模型依然不好用、不通用、不易用。

“不好用”是指具身大模型上沒有迎來“ChatGPT的時刻”，“不通用”是指很多模型只適用于一個本體或者同一個品牌的本體，“不易用”指的是大腦、小腦以及本體之間的適配難度還是比較高的。

今年我們智源研究院構(gòu)建了以具身大腦Robo Brain為核心，自底向上的全棧的技術(shù)體系。

比如說，我們能夠?qū)崿F(xiàn)跨各種機器人異構(gòu)本體的數(shù)據(jù)采集以及數(shù)據(jù)標(biāo)準(zhǔn)化。在此基礎(chǔ)上，構(gòu)建了具身大腦模型、具身小腦VLA基座模型，以及具身智能評測、端云協(xié)同部署框架等，所有這一切都能夠為整個產(chǎn)業(yè)加速發(fā)展，起到實質(zhì)性的助力作用。

在今年智源大會上，我們還發(fā)布了RoboBrain2.0的版本，展示了模型能夠?qū)⑷祟悘?fù)雜指令進行拆解，根據(jù)現(xiàn)場空間環(huán)境分解指令，并且分配給不同類型的機器人進行執(zhí)行的具身大腦的能力。

同樣，這種交互與理解能力，其實不僅僅用在執(zhí)行上，在導(dǎo)覽導(dǎo)購一些場景也有非常多的可以落地的應(yīng)用。

在9月份的時候，我們也發(fā)布了具身小腦的基座模型，RoboBrain-X0，這是一個能夠在零樣本泛化、少量樣本微調(diào)條件下，驅(qū)動多種不同真實機器人完成復(fù)雜任務(wù)的跨本體基座大模型。11月20日的智源具身開放日上，我們發(fā)布了升級版X0-Pro，能夠執(zhí)行更加復(fù)雜的指令。

在人形機器人領(lǐng)域，全身控制也是非常重要的能力。前兩個月大家可能有在網(wǎng)上看到一條非常火的視頻，我們用一個35千克的G1機器人拉動1.4噸的汽車。背后驅(qū)動這臺機器人的，就是全身控制框架BAAI Thor，它也驅(qū)動機器人實現(xiàn)了連續(xù)28個空翻的高難度全身控制。

開源開放

在11月20日的智源具身開放日上，我們也開源了一個高質(zhì)量的雙臂操作數(shù)據(jù)集，短短20天內(nèi)全球下載量突破了130萬次，我想，這就是智源研究院對于整個行業(yè)實實在在的貢獻。

當(dāng)然不僅僅在具身智能，實際上智源研究院從成立的第一天開始，就堅持開源開放。

我們在過去兩年多開源了200多款模型，涵蓋大語言模型、多模態(tài)模型、具身模型等，全球下載總量已經(jīng)突破了6.9億次。數(shù)據(jù)集也開放了近百個，涵蓋語言、語音、圖像、視頻和具身智能等，全球下載量超過了400萬次。

除了開源，我們也積極跟產(chǎn)業(yè)里的各方進行合作，比如在具身智能上，智源現(xiàn)在已經(jīng)跟國內(nèi)頭部30余家機器人企業(yè)和機構(gòu)開展合作，我們也希望能夠與更多的大公司和創(chuàng)業(yè)公司開展合作，共同推動具身智能世界模型的發(fā)展。

以上就是我的分享，謝謝大家。

— 完 —