《长安的荔枝》与世界模型的互文
《长安的荔枝》是97年清华博导李一鸣很喜欢的故事。故事里，小吏李善德要将“一日色变”的鲜荔枝从岭南运到长安，需解决保鲜、驿站、路线、补给等一系列环环相扣的难题，没有这套完整系统，鲜荔枝寸步难行。在李一鸣眼中，这个唐朝故事与当下的“世界模型”赛道形成了巧妙的互文：Physical AI（物理AI）的场景、解决的问题是“鲜荔枝”；从业者们为达到“运送”目的，同样需要构建一整套涵盖数据采集、模型研发、硬件部署的系统方案。
世界模型赛道的现状与问题
李一鸣认为“世界模型的第一性原理，不是走什么技术路线，而是最终解决什么问题”，所谓的世界模型只是“一匹运送荔枝的马”，是解决问题的一条技术路线，离开其它环节的配合将毫无价值。然而，2026年初，当他以清华大学人工智能学院助理教授的身份回到国内，看到AI赛道正陷入一场对“世界模型”的巨大FOMO。世界模型是2026年最具迷惑性的概念之一，派系林立、众说纷纭，非共识和想象力让它成为当下估值泡沫最大的一个赛道。无论视频模型、3D模型，还是走VLA（视觉 - 语言 - 行动）路线的具身大脑，只要能和仿真、物理沾上边，都将自己划为“世界模型”的阵营。
李一鸣团队的Physical AI Infra方案
李一鸣觉得比厘清世界模型定义更重要的，是厘清一套让各种机器人在各个场景中泛化的系统。近期，其团队提出了一套由数据和物理双轮驱动的Physical AI Infra，包含两个自研组件：数据管线将数据采集量级快速规模化，从几十万小时的行业平均量级提升到百万到千万小时；物理引擎实现Real - to - Sim - Real的闭环，基于真实世界数据构建仿真世界，用于机器人对物理世界的强化学习，最后在真实世界中执行任务。即便世界模型并非独立组件，它仍渗透在这套系统设施的每一个环节中。比如，基于采集到的数据，系统会将“世界模型”作为预训练的目标；在后训练环节，“世界模型”又会成为机器人进行强化学习的仿真环境。该基础设施能够实现切割、旋拧、插拔、搅拌、按压、捏取、穿引等精细操作技能的训练，并在不同类型的灵巧手、机械臂等本体间跨形态部署，同时可适配生产制造、零售服务、酒店运营、餐饮备料、医疗辅助等多元场景。
厘清智能的融资与优势
这套技术方案被2026年4月成立的「厘清智能」所采用。背靠李一鸣团队，这个Physical AI领域的新玩家，成立短短两个月内便完成了多轮融资。《智能涌现》独家获悉，厘清智能的种子轮融资金额高达数亿元，投资方包括顺为资本、红杉中国、高瓴创投、峰瑞资本、星连资本、水木清华校友种子基金、SEE FUND等基金，以及智元机器人、灵心巧手、世纪金源等多方产业资本。稀缺性是一级市场押注厘清的重要理由。一方面是软硬一体的人才，李一鸣履历横跨空间感知、多模态推理、自动驾驶以及具身智能，在纽约大学读博期间，他与谢赛宁（AMI Labs联合创始人兼首席科学家）合作发表了具身视觉推理的研究成果；同时，他与英伟达联合发表了多篇CVPR与NeurIPS亮点论文，并获得了2024年度英伟达奖学金（全球仅10位）。厘清团队的50余名成员大多是清华的学生，平均年龄23岁。另一方面是厘清技术路线的稀缺性，李一鸣大胆选择了一条“很重”的路线，从数据采集，到模型训练，到物理引擎，全栈自研，这在国内相当少见。前期的巨大投入、跨软硬的技术难度，已经劝退了一大波公司，但李一鸣认为，只有打通所有环节，信息流才能在不同环节、不同模块中畅通无阻，不同环节才能协同优化。
李一鸣的规划与目标
在李一鸣的规划中，今年年底前，团队将发布可以跨B端场景的世界模型；2028年，厘清将实现解决方案的规模化。最终，他的目标是交付给客户一套软硬一体的解决方案，跨本体、跨场景地解决问题。
李一鸣对Physical AI的观点
近期，《智能涌现》与李一鸣聊了聊他的技术判断，以及对世界模型、Physical AI的判断。Physical AI公司不是本体公司，也不是模型公司，做的不只是世界模型，而是一套系统，不以技术路线为导向，而是以实际问题为导向，训练世界模型是为了解决Physical AI（物理AI）的问题，去迭代优化任务的成功率。目标是构建数据和物理双轮驱动的一套生态，“世界模型”渗透在每个环节中。新一代的Physical AI团队核心特点是全栈，从数采设备到数据管线，从可微物理引擎到模型训练，全部自建。新时代的具身公司应是一家World Model as Service公司，未来随着数据量的快速积累，可实现快速的跨本体泛化，最终交付给客户的是一套软硬一体系统，能根据落地场景和客户预算自动匹配最优硬件方案，开箱即用。Physical AI的人才画像，是软硬一体，清华提供了很好的人才平台，团队平均年龄是03年，甚至有07年的大一学生。目前这样的人才非常稀缺，培养体系还在日渐成熟，所以找到好苗子后会自己培养。
具身模型与Physical AI的要点
具身模型的参数至少要达到语言模型的量级，甚至还要比语言模型再高几个量级，才有可能谈“智能涌现”。人类数据比真机数据更好scale up（规模化），全中国有几亿人在一线工作、在家庭中生活，带着设备的真人采集数据的效率比操纵机器人采集数据高许多。做一整套Physical AI Infra，只靠数据采集不现实，还需要很多物理规律，现阶段采集到的数据量不支持Physical AI自主泛化到所有场景，物理规律现阶段可以补足数据的局限性。厘清智能设计了一套满足物理约束的世界模型方案，可以用别人1%的真机数据量训练策略模型，达到相同的成功率。
世界模型的本质与训练
世界模型负责机器和世界的交互，语言模型负责机器和人的交互。现在基于LLM做VLM（视觉 - 语言模型）、做VLA（视觉 - 语言 - 行为模型），本质上与物理世界不太适配，因为语言模型是高度离散化的空间，语言是人机交互的界面，不是一个模态。世界模型的训练同时需要SFT（监督微调）加上RL（强化学习），需要在物理世界中做SFT，但物理数据量不够，所以要自己采集数据，建立数据标准。LLM在后训练过程中可生成任意词元，但世界模型必须遵守物理规律，所以自研了可微物理引擎，让后训练在满足物理约束的前提下进行。全栈打通感知、推理、决策、动作输出，并且面向机器和世界交互任务设计的，才是“原生世界模型”。VLA是非原生的世界模型，JEPA（联合嵌入预测架构）只能预测状态（state），但无法输出动作，视频生成模型也不是原生世界模型。训练“原生世界模型”，关键是如何将物理世界高效tokenization（表征），团队是全球少数能将表征端tokenization的公司，目前团队内部训练的视觉tokenizer（表征器，用于将物理世界转译为Token），效果已经优于Meta的视觉基础模型DINOv3。如何构建Physical AI的Infra，是训练世界模型的另一个难题，真正的Physical AI Infra能不断优化数据效率，提升复杂任务上预训练和后训练的效果，或在短程任务上训练后，能泛化部署在复杂的长程任务上。
Physical AI的规模化落地展望
轮臂是适配大多操作场景的硬件落地形态，人形机器人想象空间大，但技术难度也大，目前的负载能力（payload）会限制其执行需要较大力量和复杂操作的任务，对人体各部位进行精准建模也是难题。前期要更积极地与场景方合作，数据的规模化、机器的后训练都离不开和真实场景方的合作，场景切入模式是先ToB，后ToC，在B端积累的数据和技能，最后都能用到C端。终极目标是做通用Physical AI Infra，把这套系统封装为一款通用的Physical AI Infra，像iOS之于移动应用一样，让各类物理操作任务可以规模化开发和部署。2028年会是Physical AI的一个milestone，数采的规模，以及电机密度都会实现跃升，到时方案才能规模化地落地。