在世界人工智能大会（WAIC 2026）主论坛上，智元合伙人、高级副总裁姚卯青围绕世界模型与具身智能的发展发表了深入见解。他指出，尽管当前世界模型领域热度颇高，但多数研究仍局限于视觉生成层面，主要依赖视频生成类预训练模型进行后训练。而世界模型的真正价值在于构建能够理解物理世界运行规律的AI系统，其核心能力在于预测世界的下一步状态。
姚卯青进一步阐释了世界模型驱动具身智能所需的关键能力。他强调，首先需要具备多模态融合理解能力，能够全面感知环境变化；其次要掌握物理规律，包括动力学和时空关系；最后需具备因果推理能力，能够进行长程推理而不出现逻辑崩坏。这三项能力构成了世界模型的核心支撑。
针对当前世界模型训练面临的挑战，姚卯青从数据层面提出了解决方案。他指出，现有训练数据存在两大问题：一是数据类型错配，互联网视频数据与物理世界真实数据存在本质差异，娱乐性内容甚至包含反物理规律的现象；二是数据规模不足，以大语言模型为参照，其预训练数据量已达100万亿Token，而物理世界数据的信息密度更低，要实现高阶物理常识判断，可能需要"亿小时"量级的真实数据。
在具身智能的应用前景方面，姚卯青认为，未来三年内，高频刚需、环境可控、确定性强的场景将率先实现落地，这类场景具备足够的容错空间。而家庭等开放环境的应用则需要行业逐步构建通用、可泛化的能力，这需要技术突破与生态建设的双重推进。
