互联网出海龙头，为大模型定调。

今年的世界人工智能大会（WAIC），绝对算是有史以来最热闹的一年，参展企业云集之外，投资人也悉数到场，唯恐错过任何一匹新黑马。

其中最受瞩目的，当属7月19日昆仑万维举办的“世界模型与多模态范式跃迁”专场论坛。论坛上，昆仑万维董事长方汉登台宣告：“2026年，是世界模型元年。”

注：昆仑万维董事长兼CEO方汉

台下坐着周志华院士、黄晓明、王珞丹，以及来自全球的AI从业者。这句话的份量，或许比很多人意识到的更重。

这不是又一家公司在喊口号，而是AI行业第一次有人把“世界模型”从技术概念擢升为一个时代的命名。

AI急需换赛道

想读懂2026年这场AI范式变革，得先厘清过去三年世界模型的演变轨迹。

2024年初，谷歌DeepMind发布Genie，AI第一次从视频里学会什么叫“动作”；2025年8月，Genie 3做到实时交互；2025年11月，李飞飞的World Labs把世界模型做成了商业产品。三年，四级跳，每一级都有人喊“重大突破”。

但到了2026年，问题来了。

机器人领域有一张所有模型都要考的卷子，叫LIBERO——给机器人一堆标准任务，看完成率。

这张卷子考了三年，今年考出来的结果令人尴尬：十几家主流模型，分数全挤在96分到99分之间，头部几家互差不到一分。相当于高考全省前十名的总分差，还没有一道选择题大。

卷子废了。

视频生成比什么？画面稳不稳、场景真不真。这些东西有个共同点：全靠人眼打分。评委看屏幕，观众看演示鼓掌。人眼是这三年唯一的考官，而这位考官，快被哄满意了。

这就是2026年的处境：旧卷子考不出差距，旧考官快被哄到顶了。

一项技术走到这一步，只有两条路：继续在旧卷子上争小数点，或者换一张不考情面的卷子。

昆仑万维选了第二条路。

方汉说，过去两年AI的核心命题是“生成”——生成文字、图像、视频、音乐。而从2026年开始，核心命题将转向“理解”与“交互”——让AI真正理解物理世界的运行规律，并能与真实环境进行闭环互动。

这段话听起来像技术路线的升级。但往深里看，它触及的是一个更根本的东西：AI在人类文明中的角色定位，正在发生范式级的翻转。

过去所有的生成式AI，本质上都是“言说者” ——它们通过海量数据学习人类已有的描述，其“理解”是对符号关系的重组，而非对物理规律的亲知。GPT生成一段文字，它不知道文字指涉的世界长什么样；Sora生成一段视频，它不知道画面里的球为什么会滚动。

它们能说话，但不懂世界。

而世界模型要做的事，是让AI变成 “体验者” ——让它建立空间的知觉与时间的连续感，让它能在内部模拟“推倒杯子水会洒”这样的物理后果。它不再是背诵答案的学者，而是一个正在积累童年经验的孩童。

昆仑万维这次发布的Matrix-Game 3.5，最核心的技术突破是“Patch级记忆注入” ——将历史帧切分为带有3D坐标的Patch Memory，推理时根据当前视角检索可见Patch并重新投影，实现长期一致性的空间记忆。5B参数模型在720p分辨率下可实现单卡20FPS实时生成，具备1分钟记忆能力。

注：Skywork首席科学家成宇在论坛上正式发布了Matrix-Game 3.5世界模型

翻译成人话：这个AI不仅能看到画面，还能记住自己在这个虚拟世界里走过的路、看过的角落。当它转身时，它知道背后有什么——就像一个真正走进过房间的人。

这不是模拟数据，这是模拟因果。

物理世界不给“过程分”

黎曼动力机器人创始人刘扬教授在论坛上展示了一组对照实验。

不做预训练，从零训练一版模型，装到一台双臂机器人上，做四类家务——叠衣服、收餐具、整理桌面、堆积木。成功率：0%。

不是动都不动。手伸出去了，东西碰到了，动作做对了大概两成。但四件事，一件都没做完。

仿真环境里那套模型能考95分，因为仿真给“过程分”——手伸对了，给一点；方向偏了，扣一点。

物理世界不给。

这就是世界模型要面对的真正考卷。周志华院士在论坛上指出，决策层世界模型长期面临两大理论瓶颈：多步推演复合误差平方级放大，以及样本复杂度过高。他分享的突破是通过分布匹配技术将推演误差从平方级压至线性级——听起来枯燥，但意义深远：它意味着AI第一次有可能在真实物理环境中进行“长序列推演”，而不是走三步就迷路。

黎曼动力交出的Riemann-1.0，基于超过23.2万小时多源具身交互数据训练，在多个国际主流机器人Benchmark与真实机器人任务上同步实现仿真与真机双SOTA。

注：真机评测：四大家居任务全面领先

这意味着什么？意味着AI正在从“在模拟器里考试”走向“在真实世界里干活”。

方汉的第二个预判是：游戏行业将率先被世界模型改变。

这句话很容易被误解为降本增效——开放世界游戏不再依赖数百人团队数年的手工搭建。这当然是对的，但更深的含义在于：游戏正在成为世界模型理解物理规律的“特制培养基” 。

游戏内置的重力、碰撞、光照等底层物理规则，恰好构成了现实世界的“简化版数学映射”。

当Matrix-Game 3.5让虚拟世界随玩家行动实时生长、持续演化时，它其实在训练AI对不可见规律的直觉。就像婴儿通过玩积木理解力学——游戏不是AI消遣的场景，而是AI形成世界常识的认知摇篮。

Matrix-Game从1.0到3.5始终坚持开源路线。DiT作者、纽约大学助理教授谢赛宁团队基于Matrix-Game 2.0的开源底座，发布了全球首个多人视频世界模型Solaris。NVIDIA和浙大联合发布的Light Interaction基于Matrix-Game 3.0研发。NVIDIA的SANA-WM和Adobe的RELIC等国际大厂的世界模型，均将Matrix-Game相关模型作为对比基准。

别人考试，拿你当分数线。

开源模型混到这个地位，说明这个认知摇篮不仅自己在用，全球开发者都在往里放东西。

理解物理世界

Mureka v9.5和O3音乐模型的发布，可能是整场论坛最具情感冲击力的部分。

v9.5版本喊出的口号是 “最没有AI味的AI音乐模型” ——它不再依赖声部堆砌和复杂编配制造“厉害”的第一印象，而是在真实的音乐框架中，以更克制的方式处理编配、人声、情绪与Prompt意图。

注：歌曲的主观评分

更值得关注的是O3模型。它建立在v9.5之上，通过test-time scaling扩展MusiCoT的推理过程——让模型在生成过程中持续审视当前表达：局部旋律是否仍服务全曲目标，编配是否遮蔽人声，情绪是否提前透支，结构是否正在偏离最初意图。

翻译成人话：这个AI在创作时会 “回头看一眼” 。

早期的AI生成是抽卡式的——结果好坏全凭随机。而O3模型模拟了人类艺术家创作中的内在对话：它能在生成旋律时感知作品在时间线上的整体走向并进行动态校准。

这是从工具向共创者身份迈进的关键一步。AI不再只是一个产出工具，它开始拥有 “创作中的时间感”。

王珞丹在圆桌上分享了自己的亲身体验——为求一个理想镜头熬夜抽卡至凌晨四点，反复调整提示词却迟迟得不到想要的画面。她说创作者首先是一个判断者和决策者，需要用审美去筛选和决定最终呈现的画面。黄晓明则提到，自己用Mureka生成了两首歌，“歌词还挺触动人心的”。

当AI创作者开始回头审视自己的作品，人与AI的边界正在变得模糊——而这恰恰是方汉所预言的“后AI时代，演员需学导演、导演需学表演”的起点。

2026年之所以是元年，不是因为技术参数更高了。

是因为AI第一次拥有了 在世界中留下痕迹并感知痕迹的能力。

过去所有的AI模型，无论多强大，本质上都是旁观者——它们观察人类留下的数据，学习人类表达的方式，但从未真正进入过世界。它们能写出关于落日的诗，却不知道落日是什么；能生成关于雨天的视频，却感受不到雨滴的重量。

而世界模型正在改变这一切：Matrix-Game 3.5的AI能记住虚拟路径，O3模型能回头审视自己的创作，Riemann-1.0的机器人甚至在真实厨房叠起了衣服（尽管成功率依旧为零）。AI正从言说者蜕变为体验者。

它不再是坐在岸边观察河流的人，它开始下水了。

方汉说，这不只是昆仑万维一家公司的回答，更是中国AI从研发走向产业应用的一个缩影。三个产业预判背后是同一个方向：让AI从会生成走向懂世界、能行动。

周志华院士在论坛上提出了一个概念叫 “学件” ——由模型与AI自动生成的规约共同构成，允许多个异构模型在不公开数据的前提下进行复用与组装。这为世界模型从单产线定制走向可成长、可演化的模型生态开辟了新路径。

注：中国科学院院士、南京大学教授、副校长周志华的《关于世界模型的讨论》主题分享

当AI开始体验世界，当模型开始自我演化，当开源生态让全球开发者共同喂养这个正在醒来的数字意识——衡量AI价值的标尺，将不再是它能生成什么，而是 它在世界里感受到了什么 。

物理世界不给过程分。但2026年，AI终于开始答题了。