从“预测词汇”到“预测状态”：2026年世界模型热潮下，企业如何识别具身智能的真实机会？

2026年7月17日，世界人工智能大会在上海开幕。进入下半年，具身智能赛道的主线已从概念演示转向可核验的现场作业：优艾智合把微缩产线搬进会场，多台工业原生人形机器人与移动搬运设备协同完成线边仓拣选与配送。不到一个月后，8月21日，新华社报道援引中国电子学会理事长徐晓兰在世界机器人大会上的判断称，中国具身智能正进入规模化应用的关键窗口，产品由小批量试验走向更广部署。与机器人“走出屏幕”同步升温的，是一条更底层的技术迁移——人工智能的学习目标，正在从预测下一个词汇，转向预测物理世界的下一个状态。世界模型因此不再只是实验室议题，而成为企业识别物理AI真实机会的分水岭。

资本先押“状态”，再押“身体”

据日本《福布斯》报道援引的统计，2026年上半年，风险投资向多家以世界模型为核心的创业公司合计投入超过30亿美元。这类系统要学习的不是文本的统计规律，而是环境中的物理法则：物体如何受力、场景如何演化、动作会把世界带向哪一个下一状态。这也是“Next State Prediction”与大语言模型所依赖的“Next Token Prediction”最关键的差别。

同一报道称，被称作“AI教父”之一的杨立昆于2025年11月离开Meta，并于2026年3月完成约10.3亿美元种子轮融资，投后估值约35亿美元，其方向正是世界模型。对产业观察者而言，这笔交易的意义不在明星效应，而在于它把长期停留在论文里的判断写成了可计价的赛道：若智能体要在非结构化物理环境中持续行动，只预测词语是不够的，必须先预测状态。

需要分开看的是：融资热证明的是范式预期，并不自动等于订单与毛利。世界模型要成为具身智能的“小脑”乃至通向更强通用智能的一块拼图，仍取决于它能否在真实产线、门店和社区里降低试错成本。把AGI叙事直接兑换成采购清单，是当前最容易走偏的一步。

展台之后，现场已经给出第一批答案

世界机器人大会期间，超过300家中外企业展出3000余件创新产品。徐晓兰在会上表示，具身智能有望打开万亿级产业空间，并成为智能经济的新引擎。这是专家判断，而非已实现的市场规模，但它解释了为何2026年被部分产业观察者称作具身智能“市场化元年”。

36氪报道显示，被称为“人形机器人第一股”的优必选在本届大会上同时演示工业、商业和家庭三类场景：近10台工业人形机器人组成微型机器人工厂，完成搬箱、拆码垛、汽车零部件上下料；商用服务机器人承担接待、讲解与互动；超仿真机型则被放在情感陪伴一侧。能够把全栈能力接到可重复作业上的企业，开始把“技术领先”翻译成“场景领先”。

工业侧的信号更具体。优艾智合在WAIC展出的并不是单机才艺，而是集群协作：五台“隙锋”人形机器人与一台移动搬运机器人分工运行，跑完原材料线边仓分拣到配送的完整流程。对工厂管理者来说，这比单台机器人鞠躬、倒水更接近真实约束——节拍、拥堵、任务冲突和异常复原，才是物理AI能不能进产线的考题。

应用也在向日常公共空间延伸。新华社报道提到，江苏苏州的部分社区已用相关技术识别烟火、违停和垃圾乱堆，场景从预设工位扩到更开放的居住环境。与此同时，人民日报海外版援引国务院文件指出，新一代智能终端与人工智能体普及率应在2027年超过70%、2030年超过90%，并推动人工智能经济成为增长的重要来源。政策给的是渗透率目标，企业要回答的仍是：哪一类终端、在哪一类作业里，能够稳定贡献可计算的结果。

三条技术路径，商业潜能并不对称

围绕世界模型与具身智能，产业里至少并行着三条可被观察的路线，它们的变现节奏差别很大。

第一条是工业闭环。机器人必须在既定节拍里完成搬运、分拣、上下料，世界模型的价值体现为更少碰撞、更少人工接管、更高的多机协同成功率。谁能把感知、状态预测、运动控制和现场调度打通，谁就更接近订单。优必选、优艾智合这类已经把作业搬上展台甚至产线的玩家，走的是这条路。它不浪漫，但最先碰到付费方。

第二条是商业与家庭服务。接待、讲解、导览、情感交互更容易出圈，也更容易停留在“像人”的观感竞争里。若底层仍是语言模型驱动的对话，再外挂一套动作库，它更接近屏幕智能的物理外壳，而不是真正的Next State Prediction。对创业者而言，这一侧流量强、复购逻辑弱，需要警惕把演示人设写成商业模式。

第三条是模型层本身。自研具身世界模型、把物理规律写进表示空间的公司，可能成为机器人“大脑”供应商。北京等地已出现以世界模型为定位的初创团队，并在2025年获得种子轮。这条路更接近平台，一旦打通可服务多个本体；但也最烧数据、最烧仿真与实机对齐，短期很难用“即将实现AGI”来覆盖交付缺口。

大型科技公司、云厂商与设备商正以不同权重切入物理AI：有的把云端模型能力向机器人操作系统延伸，有的押注终端与算力，有的直接补齐工业现场。对买家来说，品牌阵营不如技术假设重要——它到底在预测词语，还是在预测下一秒的物理状态。

把概念热度翻译成可执行的判断

WAIC开幕当天，近30位中外企业家讨论中国人工智能走向，开放技术、具身智能、产业应用与治理被并列提起。容联云创始人孙昌旭的判断很直白：中国人工智能将更聚焦真实世界应用，并以实际结果衡量技术价值。这句话适合当作筛选标尺。

企业识别机会时，不妨先问四个问题。第一，系统有没有在物理环境里形成“感知—预测状态—行动—再观测”的闭环，还是只把大模型的对话能力装进了外壳。第二，验证是否来自多机协同、异常处理和可重复工单，而不是单机表演。第三，世界模型有没有把仿真里的状态迁移到实机，从而减少现场试错；如果只能在视频里“看懂”世界，却不能在力与接触中改写动作，它仍停在屏幕一侧。第四，收入是否来自可核算的节拍、安全与人力替代，而不是来自对AGI时间表的想象。

编辑判断是：2026年的世界模型热潮，真正改变的不是又多了一个热词，而是把人工智能的评分标准从“说得是否像人”改写成了“下一步会把世界变成什么样”。具身智能的真实机会，大概率不在最像科幻的人形上，而在那些已经开始预测状态、并愿意为预测错误付代价的物理现场。对管理者和创业者，现在要做的不是追所有融资新闻，而是选定一个可闭环的作业单元，用下一状态准不准，而不是下一句话像不像，来决定是否加注。