基于《晚点LatePost》播客「世界模型是具身的永动机？」的完整转写整理。本期于 2026 世界机器人大会（WRC）期间录制，嘉宾为北京人形机器人创新中心多模态大模型负责人戴勇、多模态大一统模型研发负责人张怡（Joy），以及前华为 AI 首席专家唐都钰（经核对：微软亚洲研究院自然语言计算组出身，曾任华为小艺业务部大模型负责人，近期离职创业）。节目开场引用了北京人形大模型负责人鞠笑竹在 WRC 上的演讲。文中观点归属均以说话者标注，转写存疑处以括号说明。
先说结论
这期节目表面在聊"VLA 和世界模型哪条路线对"，实际给出了三个更耐用的判断。第一，VLA 的泛化问题不是玄学，北京人形把它定位成一条可以逐层检查的"特征漏斗"：底层编码漏模态、中间传递有断层、末端生成丢信息——修好这条链路，VLA"还没有死"。第二，世界模型被戴勇称为"AI 时代的永动机"：行业指望它建模整个世界、再反哺具身智能源源不断的数据，但它自己就缺世界数据，鸡生蛋蛋生鸡，“至少到现在为止，它是个童话”。第三，三位嘉宾一致认为具身智能刚跨过自己的"BERT 时代"、正走向"ChatGPT 时刻"，而通往那个时刻的路，北京人形押注在生成与理解大一统的强耦合模型 Pelican-Unify 上，年底的 2.0 版本要交出具身领域第一条像样的 scaling law 曲线。对从业者来说，这期节目真正值钱的不是结论，而是三家背景各异的研究者如何用同一套"范式一致性"框架，去诊断 VLA、世界模型、Agent 甚至自己下一步的创业方向。
一、“续命"论文：VLA 的病根在表征断裂和范式不一致
节目最尖锐的一句评价来自场外：有人认为北京人形前段时间发布的那篇 VLA 表征分析论文，“某种程度上是在给 VLA 的技术叙事续命”。戴勇没有回避这个词，他介绍了论文的三个结论：VLA 模型从特征的底层开始，要么只编码了图像特征、要么只编码了文本特征，不同模型漏掉的信息不同；往上传递时不同模型的信息存在断层；就算编码好了、传递好了，到最后生成动作的那一步，模型也没有用好自己的文本或视觉信息。三层漏斗，层层漏光。
但论文同样发现了修复的线索：当整个模型的注意力能够发生迁移时，泛化能力会得到极大提升。戴勇的判断是，如果能解决"从特征到注意力整条链路的特征保持”，VLA 的泛化问题可以解决一部分。这解释了为什么北京人形不认为 VLA 已死——它不是路线错误，而是链路没修通。
张怡从训练端给出互补的证据：她们看到 VLA 的 VL（视觉语言）部分和 Action 部分没有完全打通，导致现在的动作生成"更多是在模仿、去记忆训练集中看到的轨迹"。她的措辞很克制——“训练上可能有一些走偏”，但"还不能给 VLA 下死刑"，因为一些很小的改进就能在一定程度上缓解这个问题。
真正把诊断拉到范式层面的，是经历过完整大模型周期的唐都钰。他先梳理了语言模型的四个时刻：GPT-3 完成范式统一（结构都是 Transformer、训练都是 next token prediction，few-shot 泛化出现）；ChatGPT 把后训练接上；GPT-4 学会长链推理、从能问答到能做事；再到此时此刻的 Claude Code——左手模型右手 Agent，规划、反馈、反思、再规划的闭环。他的核心类比是：语言模型预训练学 next token prediction，后训练也用 next token prediction 激活，“前后压的知识一样”，所以有泛化性。而 VLA 呢？VLM 部分是预测下一个词，动作部分却接了一个 diffusion 头、用加噪去噪的方式训练——用他节目里的比喻，一个足球天才去干 coding 的活干不好，因为预训练学的"特征和范式"与后训练要激发的东西对不上，“必然抽不出来你想要的知识”。
唐都钰由此提出他的解法方向：“世界语言”——把各种模态用统一的语义空间表示，甚至干脆"把动作定义成 language"：当机器人本体足够稳定后，“你去拿水杯"这样的指令和语言模型调一个 function 在本质上是同一件事。节目中他也承认另一条路：让 diffusion 和 next token prediction 两种"方言"在同一个特征空间里耦合。顺带一提，转写中反复出现的"方言"意象（diffusion 是一种方言、NTP 也是一种方言）是理解这期节目的钥匙——统一语言的野心，正是后面 Unify 路线的思想源头。
与表征问题相伴的是数据问题。节目里提出了一组高密度/低密度数据的对照（转写未能确认该划分的提出者）：低密度数据只有头和尾——一句"去拿杯水"的指令加一段拿回水的视频，中间的物理感知和推理过程全部缺失。张怡和戴勇顺着展开：人会天然捕获材质、会不会倒、水烫不烫这些信息，训练数据里没有，知识就没灌进模型，最后只能学出 shortcut。北京人形正在做的高知识密度数据，方向是加触觉、加深度、加抓取知识——“抓杯子需要多大摩擦力，抓一块很湿的肥皂需要多大摩擦力”。这组对照把"数据贵"翻译成了更精确的问题：贵的不是数据量，是数据里没把过程写下来。
二、永动机之辩：世界模型的短期是童话，长期看信仰
节目标题的"永动机"来自戴勇的一句重话：“我觉得世界模型可能是 AI 时代的永动机。“他的论证链是：我们希望世界模型建模整个世界，那就要喂给它海量世界数据；有了世界模型之后，我们又指望它反过来给具身智能源源不断地生产数据、提供仿真反馈——可是具身智能现在恰恰缺这些海量数据。“到哪里去找这么多真实世界的数据？鸡生蛋蛋生鸡。“主持人追问：永动机是一个童话，所以世界模型也是个童话吗？戴勇的回答是：“至少到现在为止，它是个童话。”
世界模型当下的问题清单在节目里被摆得很具体。张怡指出两个结构性矛盾：一是部署慢——世界模型"先想、再去逼近最终结果"的建模方式天然比 VLA 慢，部署到真实世界就是"一个非常非常缓慢的模型”，而慢就意味着用不起来；二是大与小的两难——想要强泛化就得做大，大了就不适合真实世界执行；做小了就退化成类 VLA 结构、丢掉泛化。戴勇补充了第三点：世界模型的文本理解层多是 T5、BERT 级别的早期结构，对复杂语义和 CoT（思维链，转写作 CUT）的理解很弱，“视觉智能"天生与人类的语言交互不友好。他自己还加了第四刀：现在的世界模型都是单步建模——给当前图像和指令，直接生成下一时刻——世界明明在时序上不断演化，模型却没建模这些，“感觉也不是真正的世界模型”。
出路在哪里？节目里出现了两种态度。戴勇的短期预期收敛而务实：在现有比较擅长的子赛道，世界模型能提供两类功能——数据生产（虚拟数据补充）和仿真反馈（simulator），仅此而已。他也承认定义需要收缩：如果把世界模型定义成刻画世界中的一切、包括一片树叶的摇晃和光影变化，那确实很难；如果定义成刻画机器人移动操作的规律、甚至理解人类情感做交互，“应该还是有一些可行性的”。唐都钰则给出了典型的"信仰式"回答：“我们一般容易高估短期所能达到的水平，但有时候会低估长期所能达到的高度。“他顺手做了一个概念手术：说 VLA 时，说的其实不是当下这套 VLA 技术，而是"通过理解 vision-language 去实现 action"这个目标；同理，世界模型的愿景可以实现，但技术范式可能完全不同——也许要建模光子、电子这种更基础的东西，“可能不是我们这代人的使命”。他提到类比 DeepSeek 从 V3 到 R1 的过渡：也许是等基座模型强到某个点，世界模型才"真真正正 work”；也许要等落地之后才有数据循环。
把"永动机之辩"翻译成投资语言：世界模型当前的确定性收益在数据合成与仿真反馈这两个环节，而"建模整个物理世界"的叙事在数据获取上存在自指困难。这个判断对评估世界模型赛道公司的估值口径很有用——卖 simulator 的生意和卖"物理世界基座"的叙事，不应该用同一套倍数。
三、BERT 时代往哪走：从各训各的，到"所见即可操作”
节目用了一个贯穿始终的历史坐标：如果拿语言模型的发展做横向类比，具身智能现在"刚走过 BERT 时代”，正走向 ChatGPT 时代。张怡描述的 BERT 时代特征是：先有一个预训练模型，然后各任务、各场景分别微调，模型结构、训练范式、数据都没有统一；十个场景做商业交付就要训十个模型。而 ChatGPT 时刻的不同在于任务统一——一个模型做检索、问答、信息抽取、OCR 都行，没见过的场景也能做到八成准确率。
北京人形给这个时刻起了个更具体的名字：“所见即可操作”——把一个机器人任意扔进家庭场景、工业场景，跟它说话、交互，它就能完成大部分任务。主持人接了一个外部参照：这不就是王兴兴（宇树科技创始人，转写作王兴平）定义的临界点吗——把机器人扔进没见过的领域、给新任务，做到百分之八十准确率，产业就迎来爆发。三到五年的时间表，与宇树创始人公开的判断同频。
有意思的是嘉宾们对"身处 BERT 时代"的态度。唐都钰回忆，当年在 GPT 上做 understanding 任务就是不如 BERT——BERT 是双向编码，GPT 只能看到前文——所以那时拿 BERT 调业务确实涨点、确实创造了价值，但"放眼长远，整个技术走的路不在未来那条康庄大道上”。他马上补了转折：那些积累并非没有意义，数据、行业理解会"以另一种方式合到康庄大道里去”。这段话对今天选 VLA 还是世界模型路线的团队是个直接安慰：范式会换，积累会平移。他进而判断，对研究者和创业者来说，未收敛的时代恰恰是好时代——“当技术范式趋于统一的时候，你比的就是算力和资源、工程化的体系化能力，机会反而不如技术没有收敛的时候多”。张怡补了一个更冷静的注脚：现在往模型里堆数据，性能确实会涨，但天花板在哪，“大家心里没有数”。
四、Unify 大一统与慧思开物：国家队的强耦合豪赌
理解了前面的诊断，北京人形的技术选择就顺理成章。张怡介绍，Pelican-Unify 的最初设想就是看到两种范式各有病灶——VLA 是模仿和记忆、难以推出 Code Agent 式的泛化；世界模型阵营现在做的 WAM（World Action Model，用世界模型能力指导动作生成）文本理解又太弱——于是把 VLM 的理解能力和世界模型的生成能力"全部耦合在一起，做一个生成理解大一统的模型”。节目描述的机制是双向滋养：加入的 VLM 语义信息既有利于动作生成和长任务生成，又有利于世界模型的"想象”，反过来世界模型的生成又滋养动作与理解，“相互促进”。
这条路线不是一蹴而就的。张怡披露，从去年开始做第一代 VLA 模型（XR-1，转写音译存疑）时，就用小部分人力尝试过 Unify，第一次失败了——“步子迈得太过超前”、资源投入不够、团队积累不够。大半年之后，人才和数据都积累到位，才在今年发布了 Unify 1.0。发布后的市场反应成了意外验证：“开始我们还不太笃定是不是一定是对的，但是马上整个 Unify 的范式就火了”——发布半个月左右，英伟达 Cosmos 的新版本（转写未能确认版本号）理念一致，李飞飞也公开表示 Unify 是未来。
与 Cosmos 的架构分歧是这期节目技术含量最高的段落。张怡解释：Cosmos 这类架构里，生成视频和生成动作是弱耦合关系——可能是"视频里我去拿苹果，实际上动作去拿了杯子"，两者对不齐，这是其架构克服不了的问题；而 Unify 选择把视频生成和动作生成强耦合、完全对齐——“视频生成的是拿苹果，动作一定是去拿苹果”。代价是对齐本身更难，收益是"视频怎么走、动作就怎么做"的因果一致性，在她看来是"当前最可靠、最鲁棒的方式"。节目明确说了"没有哪个一定对"，这是少见的把两家头部机构架构分歧讲到机制层面的对比。
接下来的时间表被反复确认：Unify 1.0 证明这条路基本通；2.0 预计年底发布，要看到模型和数据两个方向 scaling up 带来的"明显的 scaling 曲线"——用戴勇的话说，希望在年底拿出"具身领域比较好的 scaling law 范式"；3.0 再做更多模态探索（触觉等）。张怡坦承卡点：从数据收集到统一表征、统一结构、统一输出，再到评测，“每一环都是卡点”，其中还包括为统一任务建立成套的评估体系——她们正在大面积铺开评测框架的工作，方向是从"桌面单任务"走向长程、复杂场景、带交互意图的操作（比如帮老人拿水时要判断他需要的是热水）。
平台侧的故事由"慧思开物"承载。这是北京人形的具身智能平台，既包含可商业化落地的"Agent+大小脑"架构，也包含大一统模型，被嘉宾称为"让我们能够看到具身智能 GPT 时刻曙光的平台"。商业化路径是"落地一代、研发一到两代"：今年的商用场景包括导览、导购、工业分拣。关于大小脑与大一统的关系，戴勇用 thinking/非 thinking 模式的演化做了类比——最初是两个模型分别做两遍后训练，后来合成一个模型、靠 prompt 自动选择路径——“模型能力生产十倍、再十倍，乘起来一百倍，未来小模型可能全能做，但此时此刻大小脑有它的道理”。
合规是这个故事里独特的一环。节目介绍，北京人形两个模型完成了国家生成式人工智能服务备案：天鹕（Pelican-VL，转写作"天湖"），具身大脑模型，负责理解复杂场景、规划、判断任务成败与是否重试——全国首个完成备案的具身大脑模型；我悟（WoW，转写作"我物"），世界模型，在具身场景中生成尽可能真实的操作视频——全国首个备案的具身世界模型。张怡解释了备案的分量：不备案无法向公众提供服务，备案涉及严苛的安全防护和性能测试。她把双备案的战略意义概括为两个词：赋能（把 API 能力开放给全行业，小开发者也能接入）和闭环（让数据回流、模型变强，“打开走向公众的门，进入真实使用场景的数据回环”）。“国家队"的完整逻辑由此闭环：做数据采集标准、开源数据和模型——尽管"数据很贵、模型训练昂贵耗时”——让学校、二次开发用户和小公司都能参与进来，更多人参与、更多数据回流、行业整体向前。戴勇谈及公司气质时的说法是"正直"：创始人都是在具身领域做了很久的人，“我们不是做世界模型为了融资，而是被真实问题激发去做世界模型”。与英伟达的对比也坦率：英伟达从用卡需求出发、新架构验证快；北京人形卡少，但靠平台化的体系打法"更端到端"，反而能和互联网大厂在同一时间做出反应。
五、自进化的两条路：Claude Code 的十次限制，与 Sutton 的机器人幼儿园
节目后半段从模型聊到 Agent 与自进化，唐都钰贡献了两个来自 Claude Code 一线的观察。其一是今年四五月份出现的 Agentic Team 功能：传统 Agent 范式是主 Agent 掌握所有决策、把子任务分给 Sub Agent；Agentic Team 之后，任意一个足够强的 Agent 都可以充当 Orchestrator 自主分配任务。为什么现在才实现？“因为模型到达了这个能力，它才能做。你的 Agent 可以设计得很超前，但模型能力顶不上的时候，效果不好。“反过来说，当模型足够强时，Agent 反而可能束缚它——Agent 里沉淀的是人类的经验思维方式，而模型的思维方式可能更简洁、路径更短。他举的例子是：早期 Claude Code 里，如果 Sub Agent 连续十次没有回调主 Agent 的 To Do List function，就会被提示"你走太久了、回头想想思路是不是错了”；后面的版本把这个限制去掉了——简单任务五回合不回来就该回头，难任务十次恰恰是对的，“凭什么就是十次？“这个细节是"Agent 设计要与模型能力动态匹配"的绝佳注脚。
其二是训练范式的演化方向。现在的强化学习是：一道题采样出十六条路径，与标准答案比对后优化。唐都钰指出两个不可持续：一是难题人会出不出来——现在 Claude Code 写代码对顶尖人类的胜率已经是百分之六十，“人没有办法告诉模型他没掌握的东西”；二是解答过程可能长达一千万个 token，只在最后给一个 yes/no 的监督信号已经无法指导训练，需要给中间过程打分（节目称 OPD）。那谁来出题、谁来打分？“可能就是模型自己，再配上多个 Agent 来博弈”——model as agent harness、model as evaluator，自动化在他看来是自进化"最重要的解决方案”。
具身的自进化路径不同。张怡的刻画是：模型已经做到七十分、会拿苹果了，但"人把苹果抢走了、我再抢回来"这种 corner case 学不会，所以要丢到真实环境里与更多东西交互，再把经验回归到模型本身。节目转述了北京人形团队前几天与图灵奖得主 Sutton（转写作 sutton）的交流：Sutton 认为机器人在仿真里学会了走跑跳蹲，仍不足以覆盖真实环境，应该办"机器人幼儿园”——三五台机器人配一位"老师”（一套 agent 框架加人类：模型失败时大小脑给出反馈，人在旁提供正确决策），在安全环境里随便探索、摔倒有人扶，把基础功能学会就算毕业，然后再办"机器人小学"。这段与 SFT→RL 的类比严丝合缝：先用人标数据学 SFT，corner case 无非两种解法——要么世界模型的仿真足够强、把碰撞全仿真出来，要么"甩到人群中去用、上社会大学"，learning from experience。张怡对具身进化的总结是：一个从人力大量参与到逐渐很少参与的过程——“从小时候三五个人看一个机器人，到一个人看两三个机器人”——而是否真能完全去人化，是个未知数。
六、唐都钰的下一站：主动式物理因果模型与 always on 的贾维斯
节目的收尾留给了唐都钰的创业首秀。他即将成立公司的方向是"通过做好主动式物理因果模型，去追求智能的上限"。出发点是一个交互范式的判断：未来每个人都会被通用型和专用型智能设备环绕，当它们具备了基础的完成任务能力之后，最关键的问题变成"你怎么和它交互"——不是现在的你问他答，而是实时、主动、“一直存在、一直常伴你"的 always on 状态：感知你的情绪、语气、微表情，理解你与家庭成员和新来者的关系，自己判断什么时候该说话、什么时候该响应。他给出的产品图腾是贾维斯：在家里是这个脑子，开车时还是同一个脑子，记忆不割裂。技术难点按他的排序：实时感知是最基础的，其次是环境理解（表情、人与人之间的关系），第三是记忆——而这三者是"技术和产品结合优化"的事情，缺一不可。
支撑这个选择的商业直觉也很有画面感：“我现在脑子里在想，到底英伟达后续能赚多少钱？一个人未来每天都要消耗海量的 token，去支持机器人的运动、支持机器人和人的交互。“他援引的成功模板是 Claude Code：Anthropic 左手有应用、右手有 Sonnet 模型、还有用户高频数据反馈——“这个交互链路的生态循环是可以被重现的”。至于时间表，他的回答干脆：“三到六个月跑通这个范式，到时候会有新的产品发出来。”
把整期节目串起来看，一条暗线浮出水面：三位嘉宾用同一把尺子丈量了所有技术对象——预训练与后训练是否一致、表征是否统一、数据密度是否够、范式是否收敛。VLA 输在范式不一致，世界模型卡在数据自指，Unify 押注强耦合统一，Claude Code 的 Agent 演化展示了"模型能力与框架的动态再平衡”，机器人幼儿园则是具身版的经验学习闭环。具身智能的技术路线远未收敛，而这期节目示范了在收敛之前，一线研究者如何靠机制层面的诊断而不是叙事层面的站队来下注。对观察者来说，接下来最值得盯的三个时间点都很明确：年底的 Unify 2.0 能否交出具身领域的第一条 scaling law 曲线；三到六个月后唐都钰的主动式因果模型拿出什么产品；以及机器人幼儿园这种"半开放环境+人机混合监督"的自进化设施，会不会成为下一个被争相复制的基建。