6月6日，智源研究院在“2025智源大會”上發布“悟界”系列大模型，宣告其從“悟道”時代邁入“具身智能”探索階段。

智源研究院院長王仲遠在接受《每日經濟新聞》記者在內的媒體采訪時表示，“AI（人工智能）正加速從數字世界走向物理世界”，這是推動其戰略升級的根本邏輯。

王仲遠 圖片來源：主辦方供圖

這一判斷背后，是AI技術與應用邊界的重構。當前，主流大模型大多聚焦在C端文本生成、語言對話等“數字智能”場景，而智源試圖將AI推向更具挑戰性也更具想象空間的“現實世界”——包括機器人、操作系統與世界模型的構建。在王仲遠看來：“這個世界不需要那么多‘博士’，更需要能執行任務、能落地的AI。”

“具身智能”正成為下一場AI競賽的起點。王仲遠判斷，具身智能的“小組賽”還沒結束，遠沒有到“淘汰賽”。但誰能在這一新賽道率先跑通技術路徑、突破數據瓶頸，誰或將定義人工智能的下一個十年。

從“悟道”到“悟界”，AI正邁入現實物理世界

“人工智能正加速從數字世界走向物理世界，這是我們對整個大的技術發展趨勢的判斷。”在采訪中，王仲遠以這句話點明了智源研究院由“悟道”大模型升級至“悟界”大模型背后的核心邏輯。人工智能技術正經歷從以語言理解和推理為核心的“數字智能”，邁入與現實環境互動的“具身智能”階段。

從早期的“悟道”系列到如今的“悟界”系列，智源研究院的戰略轉向并非突如其來，而是“水到渠成”。王仲遠坦言：“我們認為人工智能最終要造福人類社會，要幫助大家擺脫繁瑣的、重復的、簡單的勞動，使得大家能夠更多地享受生活，享受這個世界。”他進一步指出，大模型技術不應止步于文本生成、語言對話等C端應用，而應繼續向現實世界滲透，服務實際場景。

在技術路徑上，王仲遠強調，目前整個大模型的發展基本上都還處在數字世界，尤其是C端應用，比如聊天工具、對話模型。“但我們也堅定地認為，這個世界并不需要那么多‘博士’。”在他看來，AI不應僅用于提升智能“學術型”表現，更應拓展其實際執行力，服務現實世界需求。

此次“悟界”系列模型的發布，正是在此背景下的延伸嘗試。據介紹，“悟界”不僅繼續強化了模型的推理能力，也嘗試將AI從虛擬認知延伸至真實物理世界的感知與交互中。這一進程的核心技術支點，就是“世界模型”（World Model）的探索。

然而，目前“世界模型”尚無標準定義。王仲遠坦言：“在全世界范圍內，大家都還沒有非常明確的定義。有些叫空間智能，有些叫時空智能，也有其他不同叫法。”智源內部將其理解為一種原生多模態世界模型，本質上是通過單一模型捕捉世界規律的嘗試。這些規律不僅包括物理規則，也涵蓋人與世界交互的機制，例如類腦神經系統中的模塊化處理方式。

王仲遠特別強調，他并不試圖為世界模型下一個絕對定義，而是“代表我們對于使用人工智能探索世界的一種實踐路徑”。

具身智能賽道“小組賽”尚未結束，遠沒有到“淘汰賽”

在人工智能走出數字世界的過程中，如何構建“具身智能”成為研究核心。所謂具身智能，意指AI系統具備與現實物理世界交互的能力，能夠在復雜環境中感知、規劃、執行任務。

圍繞機器人形態的選擇，當前學界與業界依舊存在眾多分歧。例如，有觀點認為當下對人形機器人的熱衷或許走錯了方向，四足構型可能更實用。對此，王仲遠表示：“具身智能不代表一定是人形機器人。”他指出，智源開發的RoboOS操作系統已經能夠適配多種構型，包括機械臂、輪式、雙足、四足等。

不過，王仲遠并不否認人形機器人的長遠價值。他認為，人類社會的基礎設施是圍繞人類構型打造的，從長遠看，人形機器人更容易融入現有社會系統。此外，人形構型在數據訓練上也更具優勢。“我們做具身大腦模型時發現，人形構型更有利于利用現有視頻數據學習，而四足機器人所需的數據更稀缺，獲取難度更大。”

除了機器人形態，另一個具身智能的發展關鍵點是“大小腦協同框架”，即如何在AI系統中實現決策層與執行層的高效配合。王仲遠介紹，智源推出的RoboOS便是實現大小腦融合的一次嘗試。

不過，他同時指出，目前的技術仍遠未成熟。“我的一個堅定觀點是，具身智能的‘小組賽’還沒結束，遠沒有到‘淘汰賽’。”王仲遠認為，從長期趨勢看，大小腦融合的模型是有可能實現的，可能需要五到十年，但絕不是今天，原因很簡單，就是數據受限。當前的感知數據尚無法支撐統一模型的訓練和泛化，這也直接限制了人工智能在多任務場景中的能力擴展。

王仲遠認為，具身智能的最大挑戰，是如何從專用任務逐步過渡到具備一定泛化能力，再發展為真正能夠解決各種問題的通用系統。他指出，這正是AI從1.0（專用）邁向2.0（通用）的過程。

此外，王仲遠也談到具身智能研究的另一大困境——“數據難題”。他表示：“做具身模型，現在數據非常稀缺，我們采集和補充回來的也比較少。”這一問題不僅影響訓練，還限制了模型在感知層和決策層之間的協同能力。

“真實世界的數據肯定重要，但它是不是足以訓練出一個有價值的模型，這在學術界是有爭議的。”王仲遠表示，具身智能的突破路徑，或可借鑒當前大模型發展的技術演進邏輯，即在大規模已有數據的基礎上進行能力預訓練，隨后結合少量真實世界數據，通過強化學習不斷迭代模型能力。

他認為，這種“基礎模型+強化學習”的技術路線，有望在物理世界中同樣奏效。當前大模型的發展已經驗證，基礎能力達到一定水平后，借助強化學習可以進一步激發智能表現。“所以我們認為，具身智能或者物理世界的AI很可能也會有類似的技術路線。”