语言模型之外另一条AGI路径：生数从世界模型出发

中国AGI正形成两条路径：一条让机器理解、运用语言，另一条让机器认知、推演并改造世界，二者终会交汇。

过去三年，通往AGI的主叙事几乎都从语言开始：更多文本、更大参数、更长上下文、更强推理，加上工具调用与智能体。这条路已证明其力量，让机器能读写、编程、检索、规划，并接管部分原本只存在于屏幕里的复杂工作。

但当任务从“在网页上完成表格”变成“把灯泡拧进灯座”，问题变了。机器人不仅要看见物体，还要判断手指如何接触、转动会发生什么、拧偏是否停下、下一步如何纠正。它需要的不仅是能描述世界的模型，而是一套能在行动前预演后果、行动后复盘得失的内部世界。这正是AGI竞争出现分岔的地方。

同样脱胎于清华实验室的智谱与生数，提供了两组中国样本：前者以语言模型与智能体为核心，后者以世界生成、实时交互与世界动作模型为线索。它们像在同一座山的两面攀爬：一面从人类已编码的语言和知识出发，另一面从世界持续发生的变化与反馈出发。

要看清第二条路的难点，最好把镜头拉回一双正在工作的手。把灯泡拧进灯座，最难的是螺纹刚碰到灯座的一瞬间：手指需感到阻力，旋转偏了玻璃会卡住，握太紧动作会变形。人的手不会先算公式再行动，而是一边看、一边碰、一边根据反馈调整力道。这才是“手巧”的本质：行动前判断后果，接触后知道如何改。

今天的机器人离这件事仍有距离。它能看懂“把灯泡拧上去”，也能复刻训练过的轨迹，但当位置偏了、材质变了、物体打滑时，真正考验它的是有没有一个会预演后果、理解反馈的“内在世界”。这也是世界模型成为AI新前沿的原因。不久前亮相的Motus2，正是生数沿着这条路线，走到“手必须真的碰到世界”这一关时给出的新答案。

世界模型在不同领域正从不同入口撞向同一问题。视频生成想让模型学会世界如何随时间展开；空间智能希望生成可从不同视角检验的环境；机器人和自动驾驶则必须回答：如果我向左移两厘米、夹爪收紧一点、手腕多转五度，世界会怎样？底层都绕不开同一闭环：智能体观察世界，采取行动，行动改变世界，新世界再产生新观察。

今年6月，李飞飞与World Labs团队在《A Functional Taxonomy of World Models》中，从POMDP框架出发，将世界模型概括为三种功能：输出像素观测的渲染器、输出几何或物理状态的模拟器、输出下一步行动的规划器。两个月后，朱军团队发布《General World Models from First-Principles》，进一步追问：模型若要真正通用，这些能力应如何在同一个循环中耦合、成长和自我修正？前者拆开功能部件，后者关注部件之间如何转起来：理解此刻世界，预测不同条件下的未来，采取改变世界的行动，再让真实反馈进入下一轮理解与决策。这就是通用世界模型第一性原理：理解、想象、行动，是一条不能断开的因果链。

朱军团队将通用世界模型分为五级：L1世界生成，学习世界如何演化；L2与世界交互，外部输入持续改写后续状态；L3在世界中行动，模型动作进入环境并获得反馈；L4是能围绕长期目标自主感知、规划、探索和学习的世界智能体；L5走向多个机器人、数字智能体、人类与工具之间的协同组织。

AGI的两条坡并非互相替代。大语言模型以文本、代码、符号和工具为主要材料，关心机器如何从读懂一句话走向组织目标、调用外部能力并完成复杂任务。生数押注另一组原材料：时间、空间、视觉、动作和反馈。从Vidu视频生成，到Vidu S1实时交互，再到Motubrain和Motus系列世界行动模型，底层反复追问：模型能否从“生成一个看上去成立的世界”，走向“在一个会被自己改变的世界里持续行动”？语言可以告诉机器人“把桌面收拾好”，却不会自动告诉它杯子里还有没有水、纸张是否被压住、抽屉为何拉不动、玻璃边缘是否正滑出手指。即便模型给出漂亮计划，落到物理世界仍要面对距离、重力、摩擦、遮挡、形变、延迟和不可逆失误。

因此，智谱与生数这一对同出清华的对照组，并不处在同一窄赛道。语言模型让机器更好理解、表达、推理并调用人类已有知识系统；后者努力让机器获得对具体世界的动态理解，行动前预演，行动后校正。这是AGI的南北坡：有人沿语言和符号向上，有人沿时空和行动向上。峰顶未必近在眼前，但两条路都已不能缺席。

以生数科技为例，其核心判断不是“生成了多少虚拟世界”，而是能否将理解、预测、行动与反馈形成可验证、可持续迭代的闭环。沿朱军团队的五级路线，Vidu让模型学习世界如何演化，Vidu S1让外部输入持续改变后续状态，Motus与Motubrain把问题推到“模型动作会如何改变世界”。最新Motus2是这条链路在灵巧操作上的推进：同一套共享参数模型既提出候选动作，也预演后果、评估哪步更接近目标，并将反馈用于改进下一次选择；结合第一视角人类数据、机器人域适配与触觉反馈，试图让机器人不只会模仿动作，也开始理解行动后果。这仍是从L3向更高自主性迈出的一步，而非终点。

在2026外滩大会上