基于《晚点聊LateTalk》播客「世界模型这半年：路线争议、数据来源与商业落地」的完整转写整理。本期为 WAIC（世界人工智能大会）期间录制，嘉宾为 XLR Labs（拓元智慧）首席科学家王广润、研发总监蒲涛、总裁钟若。XLR Labs 是一家聚焦"世界动作模型"的具身智能公司，2022 年成立之初即瞄准世界模型赛道，目前已完成数亿元 Pre-A 和 A 轮融资。
背景速览：世界模型为什么突然火了？
过去半年，具身智能领域逐渐形成了一个新共识：机器人的瓶颈不在于身体，而在于大脑。机器人不仅要动起来，更需要理解并预测它所处的物理世界——这就是"世界模型"。
作为连接数字智能与物理世界的关键底座，世界模型的投融资进展火热。在欧美，李飞飞创办的 World Labs 和杨立昆联合创办的 AI Labs 今年上半年分别完成了约十亿美元左右的融资。在国内，世界模型同样成为具身智能赛道中最热的技术概念。
然而热潮背后，业内对世界模型的定义依然众说纷纭——基于视频的、基于隐空间生成的、基于几何的、基于物理状态的，各家路线各异。XLR Labs 是其中一家从 2022 年起就坚持"原生世界动作模型"路线的公司，三位核心成员做客《晚点聊》分享了他们的判断。
一、VLA 的上限与"原生性"为何重要
新的变化
今年具身智能的概念风口已经晃过好几轮：上一个被热捧的是 VLA（Vision-Language-Action），这半年更多讲的是世界模型。这种概念更替背后，是行业对前一条路线天花花的逐步认知。
嘉宾观点与解释
VLA 最大的上限是泛化性。 XLR Labs 首席科学家王广润指出，VLA 是基于视觉语言大模型加上动作头来训练的，在很多场景训练之后，去到新场景、新任务或跨问题时，泛化上有很大困难，“没办法做到一个很好的泛化”。这正是 VLA 不再被高度重视的原因。
XLR Labs 用一个关键词来概括自己与其他路线的差异——原生性（原生性）。所谓原生，是指在模型框架设计和预训练阶段就已经预测物理几何和动作，而不是在别的模型上改出来的。王广润以大语言模型的 scaling law 类比：GPT-3.5 的智能涌现，依赖于预训练（大量语言数据训练）和后训练（语言推理预测）的高度一致；而现有物理 AI 模型的预训练和后训练是"非常不一致"的——预训练做语言模型或视频生成，后训练却要做动作生成，两者之间存在巨大 gap，无法保证"见过的事更多"就能对动作有很大帮助。
原生世界动作模型正是要解决这个一致性问题：预训练阶段就能很好地预测物理几何和动作，因此"预训练数据够大、模型够大，在后训练阶段只需要少样本迁移，就能做到很好的涌现"。
二、4D 数据：千万小时的真实交互护城河
新的变化
具身智能的数据来源经历了一种趋势收敛：去年大家聊的是真机数据，后来变成无本体采集数据（夹爪、传感器），今年更多聊的是第一人称视频数据（“鹰眼”）。而 XLR Labs 走的是一条完全不同的路——4D 数据（3D 点云 + 1D 时序）。
嘉宾观点与解释
XLR Labs 自称是"首家引入 4D 数据的公司"。 王广润解释，4D 数据指的是整个场景的三维数据加上时间轴，可以很好地刻画物理空间的知识。要做 4D 预训练，意味着对场景里所有点都做 4D 预测，包含几何空间关系和机器人关键部位的估计——这是一种带有物理学的 4D 表征，对下游后训练完全一致。
这些数据来自真实的智慧零售场景。XLR Labs 从 2022 年进入智能零售，开始采集 4D 数据，到今天已积累千万个小时的数据体量。这个体量有多大？王广润给了一个直观换算：“如果真的去采集这些数据，要花十亿以上，因为每小时大概就有两百多块钱的成本。“而且现在每天还有两万小时的 4D 数据回流到模型预训练中。
数据质量上，XLR 强调三个维度：数据量、多样性、真实性。多样性方面，他们的数据是不同人在不同场景下采集的（已被证明比"同一个人在同一场景重复采集"更有效）；真实性方面，是真实场景下真实采集的，而非"排练某种任务"的标注数据。总裁钟若补充，智慧零售场景的数据天然覆盖了人日常七八成以上的行为动作，且主要是手部交互，数据偏向真实、多样性丰富。
关于当前模型用量：最新版本模型已用到十万级的（标注/训练）数据，而积累的视频流总量是千万小时级（每次开关货柜的交互时长从几十秒到几分钟不等）。按 scaling law 理论估算，训练 50B 参数的模型需要约三百万小时甚至更多的数据——这正是 XLR 的数据规划。
三、显式 vs 隐式：物理到底学到没学到？
新的变化
最近"显示（显式）与隐式（隐式）世界模型"的讨论变得热络。核心争论是：模型到底有没有真正学到物理？学到的物理是否可信？
嘉宾观点与解释
XLR 对隐空间路线持保留意见。 王广润以某些隐空间模型（如部分 Yale 相关工作）为例分析：它们认为可以在隐空间学到很好的物理和几何，但这些表征是通过自监督方法学的，“很黑盒，我们不知道它有没有学到物理，也不知道有没有学到几何”，这"是一个比较危险的事情”。大家也想往模型里加入更多物理和几何，但很难做到。
XLR 选择的是在一定程度上显式地把几何物力学出来。他们依托强大的 4D 数据基础、逆动力学和逆物理学基础来训练模型。一个成功案例是近期在 CVPR 发表的关于空间物理解耦的论文——解耦之后，在某些场景上只需要一条数据就能做到很好的增广效果，“这是过往很多模型做不到的”。
四、端侧落地：不是算力越大越好
新的变化
世界模型要真正进入零售、工业、物流场景，必须在端侧部署。但这里有一个反直觉的判断。
嘉宾观点与解释
端侧落地层面，并不是模型算力越大越好。 研发总监蒲涛解释，大算力芯片会带来功耗问题，拖累机器人在真实场景部署中的工况时间。因此 XLR 与芯片厂商（如清城科技/新晨科技）联合研发端侧芯片，把约 15B 的模型高效压缩到1B 模型在端侧部署，出于真实落地层面的功耗考量。
这一点也呼应了 XLR 反复强调的"以终为始”——不是表演 demo，而是真正给客户创造价值。
五、商业化路径：从智慧零售到工业物流，“模型定义本体”
新的变化
具身智能融资赛道中，资本明显更偏好三类公司：有高质量物理世界数据入口的、具备全栈技术能力的、已有明确商业化路径的。XLR Labs 在这三点上都有自己的布局。
嘉宾观点与解释
XLR 不做本体，只做模型——但未来是"模型定义本体"。 钟若阐述商业逻辑：XLR 是一家大模型公司，要做"皇冠上的明珠"。物理 AGI 的末端形态丰富多样，所以 XLR 定位为"生态赋能者"：把模型搭载到模组上赋能下游硬件厂商（如与新晨科技合作端侧世界模型模组），同时跟本体公司（如瑞尔曼）构建生态，把"大脑"放到本体上开拓场景。针对部分垂直场景，XLR 也会定义自己的本体。
商业模式上，XLR 一开始就是 Model as a Service，按结果收费、与客户分润。在智慧零售场景，XLR 已做到针对物体理解识别的行业算法第一名。钟若将下半场进入开放场景定义为"两步走"：第一阶段与垂直场景建立联系，端到端打造解决方案；第二阶段构建生态、强化赋能能力。
具体落地能力上，蒲涛分享了 WAIC 现场演示的两个案例——柔性包装和穿鞋带。穿鞋带包含三个难点：柔性物体（鞋带娇柔、夹错会弹飞）、精准空间定位、以及 XLR 与其他家最大的不同——长程纠错能力。当鞋带被人工干扰弄到不同地方，模型能快速发现当前状态与目标不一致，主动纠错恢复任务执行。蒲涛强调，这是与市面上很多"排演性质 demo"最大的区别。
从零售扩展到工业物流，同样是纸箱抓取的场景迁移：零售货架的动销补货、物流场景的扫码分拣翻箱，都是垂直子集的扩展。XLR 认为当前模型已能很好覆盖这些场景。
六、关于竞争、对标与行业温度
嘉宾观点与解释
面对今年大量新成立、融资迅速的视觉动作模型公司，钟若表示"非常有信心"：XLR 不是今年才成立的公司，一直在坚守用 CB（可能是某种特定方法/认知建图）方式构建视觉动作模型，“更有底蕴、更有积累”，且真实场景的 4D 数据回流是新公司不具备的差异点。她认为赛道已从"适度火热"进入"相对克制"阶段，这对真正在做模型预训练的公司反而是好事——“真正的去辨别，在这个浪潮下，谁在真正的在做模型的预训练”。
在可对标的公司上，王广润提到了两家：Nervous 和另一家 AI 公司（转写中名称不清晰），认为它们"非常不错"，正在做很通用的任务。
七、物理 AGI 的下半场：人机协同与生产力升级
嘉宾观点与解释
物理 AI 代表的是下半场更好的人机协同。 钟若这样定义 XLR 眼中物理 AI 的未来：上半场数字 AI 解放了白领工人，下半场物理 AI 则是更好的蓝领工人与 AI 协同。很多工种是重复性劳动——超市收银、工厂流水线工人——随着物理 AGI 的到来，物理大模型可以与人类更好协作，这也定义了国家当前智能制造的生产力升级方向。
“我们其实是非常憧憬在物理 AGI 下的人类和这种智能的一个共存。”
结语
这期对话最有信息量的部分，不是融资数字或 demo 表演，而是 XLR Labs 对"原生性"的坚持和 4D 数据护城河的论证。当行业还在争论世界模型的定义、还在用视频生成或隐空间做预训练时，XLR 给出了一套自洽的逻辑：预训练与后训练的一致性决定了 scaling law 能否成立，而这种一致性只能靠原生世界动作模型来实现。至于千万小时 4D 真实数据是不是真的能支撑 50B 模型的涌现——这大概是未来一年最值得观察的验证点。
值得注意的还有本期的一个结构性特征：嘉宾全部来自同一家公司，讨论天然带有立场。关于"隐式 vs 显式"“VLA 上限"等争议，行业中存在不同甚至对立的观点，本文记录的是 XLR Labs 一方的论证链条，读者可据此建立判断框架，但不必将其视为定论。