世界模型分级，像极了自动驾驶那场事先张扬的争吵

自动驾驶当年搞L0到L5分级的时候，行业吵了整整三年。有人说分级是忽悠投资人，有人说没有分级大家连话都聊不到一块去。结果呢，分级成了行业通用的坐标系，大家嘴上骂着，身体都很诚实。这次生数科技在WRC上提出通用世界模型五级发展路线，我第一反应就是这个。先别管每一级画得准不准，至少有人敢把“世界模型”这四个被用烂了的字，切成能对齐的台阶了。

我的结论放前面：这个五级路线图本身不是重点，重点是它把行业从“拼演示”逼向了“拼落地路径”。而真正决定生死的，不在第五级，在第二级到第三级之间那条谁都不愿意细说的沟。

先说第一级到第二级。视频生成、环境模拟，这些本质上是“把未来画出来”。生数做视频生成出身，从文生视频往世界模型上走，这个路线有天然的台阶。Motubrain把环境理解、状态预测和动作轨迹生成统一进同一个模型，从“视觉推演”迈向“物理决策”，这一步我信。 convertion视频生成模型已经证明了自己能学会物理世界的表象，水面波纹、布料褶皱、光影变化，这些像素级的规律被网络记住了。但记住表象和推演因果，中间隔着一条很远的路。世界模型真正的价值，就像无界动力现场说的那句话，不在于把未来画出来，而在于推演行动后果。画得再真，如果推演是错的，那机器人就是拿着一个精美的错误剧本在物理世界里乱撞。

所以第二级到第三级，就是从“预测下一个画面”到“预测动作带来的后果”。这一跳，视频生成那条路上的老本行帮不上太多忙了。我自己做过硬件，知道这里面的坑在哪。画面预测错了，大不了生成一段奇怪的视频，人类看一眼就删了。但动作预测错了，机械臂在真实产线上砸下去，那就是工伤和设备损失。我上个月写过一篇世界模型六小龙的争吵，当时觉得大家吵的是技术路线，现在看了生数这个分级，回头想，那篇稿子里最核心的公司其实都在做同一件事：把预测能力变成决策能力。只是有人从视频走，有人从机器人的动作轨迹走，有人从强化学习的奖励信号走。

大晓机器人那个“理解—推演—执行—反思”的闭环，本质上也是在补这一段。执行失败后自主定位问题、调整策略，这个能力比会炒菜、会端咖啡的demo稀缺得多。但是我也得泼盆冷水，展台上那个预测画面先于机械臂实际动作发生的演示，我看了资料里写的细节，确实漂亮。可demo是demo，产线是产线。从能预测，到能决策，再到能在真实环境里持续决策而不错，这中间隔着的不是算法问题，是数据闭环和场景工程问题。团队执行力在这里比模型创新重要得多。

从创业视角看，这就有意思了。五级路线作为技术框架没问题，但商业模式上，每一级对应的市场和付费意愿完全不一样。第一级的视频生成，市场已经卷成红海，按分钟按条收费，毛利在往下走。第五级的通用具身智能，那是五年甚至十年后的红利，现在讲这个故事只能拿去融资，不能拿来开工资。真正难的是中间这段：模型比第一级聪明，但还没到第五级那么通用，这时候谁愿意付钱，付多少钱，这才是要命的问题。

我前几年在硅谷见了太多这样的团队，模型做得很漂亮，发布会开得很热闹，回头一看没有客户。这次WRC上经济观察网那篇观察说得挺准，机器人行业的马拉松，第二个五公里比的是场景。世界模型也一样。技术分级是学术叙事，但落到创业公司，每一级都得对应一个能收钱的具体场景。生数能把路线图画出来，说明团队想清楚了方向。但想清楚方向不等于走得到，中间那条第二级到第三级的沟，需要拿真实场景里的脏数据、真实的客户投诉、真实的部署事故一点点填平。我这边测下来，这类模型在结构化的环境里表现尚可，一旦环境变量一多，掉链子的频率还是让人睡不踏实。

还有个容易被忽略的点。生数这次发布的路线图里，数据、架构、算力三大要素，架构排在中间。但架构层面的统一，图像、视频、语言、动作进同一个模型，这在学术上是很顺的故事，工程上却是巨大的妥协。打个比方，一个公司里既要写代码的人懂供应链，又要供应链的人懂销售，听起来全能，实际上每个人的专业深度都可能被稀释。统一架构能成，但代价是每一块都不如专用模型强。这个代价在实验室里看不出来，在客户现场会被无限放大。我自己受过的教训是，通用性是个听起来很美、用起来很贵的词。

往后看两三年，我觉得世界模型会从现在的“五级路线图”这种学术叙事，快速收敛成几个具体的商业故事。谁能把第二级到第三级之间的路，在一个垂直场景里走通，拿到真实客户的复购合同，谁就有资格谈第四级。真正的分水岭不是参数量，也不是demo的流畅度，是数据闭环的深度。这个判断不一定对，但我拿我过去做硬件的经验担保，方向大概率没错。

最后说一句，生数这个路线图，比大多数停留在“我们有个很厉害的世界模型”的公司强，至少把话说明白了。但说明白只是第一步，后面每一步都是硬仗。