一、核心内容总结
这是一场由香港多所高校AI领域一线青年学者参与的行业圆桌讨论，全程没有炒概念吹风口，全是对当下爆火但定义极其模糊的「世界模型」的落地痛点拆解：既纠正了很多人以为「AI能生成视频就是世界模型」的普遍误区，也戳破了「靠扒全网视频就能喂出通用机器人」「很快就会出现机器人版ChatGPT」的流行幻想，甚至提出了行业现在天天挂在嘴边的「百万小时训练量」是无效宣传数字等反常识判断。最终学者们达成的共识是：目前世界模型的技术路线完全没定型，根本不是只有大公司能玩的资本游戏，小团队和创业者从细分场景切入依然有大量突围机会。
---
二、分点通俗解读
1. 现在市面上99%号称的「世界模型」，全是半吊子
很多人以为AI能生成猫踩翻水杯的连贯视频，就算是世界模型了，其实这完全是两码事：现在的视频生成AI只是把像素拼得符合你视觉上的熟悉感，它根本不知道水杯掉地上会碎、水会流出来，甚至水杯被桌角挡住看不见了，它都能直接把水杯变没。
学者们眼里真正合格的世界模型，核心能力根本不是「预测下一帧画面」，而是要像人一样懂真实世界的运行规则：你让它伸手推杯子，它能提前预判杯子会滑多远、水洒多大，哪怕杯子被挡住看不见，它也知道杯子还在原地，不会凭空消失。现在做视频生成的团队、做无人驾驶的团队、做机器人的团队，嘴里说的都是「世界模型」，但走的完全是不同的路线，还远没到会师的那天。
2. 想靠刷全网视频喂出通用机器人？根本没那么美
之前很多人有个幻想：ChatGPT靠扒完互联网所有文字就成了通用大模型，那我把抖音、B站所有人类拍的视频全喂给机器人，不就能直接训出啥都会干的通用机器人了？学者们直接给这个想法泼了冷水：完全行不通。
首先互联网上的视频全是「光鲜的成功记录」：你刷到的全是人类稳稳拿住杯子、顺利切菜的画面，几乎没人会拍自己手滑摔碎杯子、切菜切到手指的10秒废片，但机器人最需要学的恰恰是「什么情况下我会出错」，这些边界条件的失败数据互联网上根本找不到。其次就算是人类戴GoPro拍的第一视角做家务视频，人的手的灵活度、动作幅度和机械臂、人形机器人完全不一样，你看100个奥运冠军跳水的视频，自己跳还是会结结实实拍在水面上——你没长人家的身体，光看动作演示根本没用。互联网视频只能当机器人的「启蒙课外书」，绝对替代不了它自己在现实里摸爬滚打攒出来的真机交互数据。
3. 别吹什么「具身智能ChatGPT时刻」，现在连及格线都没摸到
最近很多机器人公司发个demo，演示一下听指令开门、倒水，就喊「具身智能的ChatGPT时刻来了」，学者们直接拆穿了这个营销噱头：这根本不算数。
ChatGPT的核心能力是「遇到从来没见过的陌生问题，也能给出靠谱答案」，但现在的机器人所谓的「听指令干活」，本质上是你告诉它「调用你之前练过100次的开门技能」而已：它之前练的是把手是圆的、门特别轻的办公室门，你换个把手是方的、锁有点卡的老房子门，它大概率直接傻住。而且机器人的通用能力绝对不会像ChatGPT那样突然炸出来：它肯定先在工厂场景里跑稳，比如固定给工业机械臂拧螺丝、搬零件，先把B端的价值做出来，才敢慢慢进普通人的家里——不然机器人在你家摔一跤砸了你的电视，谁都担不起这个责任。
4. 行业吹的「百万小时训练量」，基本都是无效数字
现在很多具身智能公司宣传自己的技术实力，总爱说「我们的机器人已经跑了10万小时、百万小时数据」，但学者们直接说：这个小时数就是个方便宣传的数字，根本不能代表机器人学到了多少东西。
举个最直白的例子：你家的扫地机器人天天在你家客厅转，转100小时都是重复走同样的路线，连个新东西都没碰到，这100小时的信息量，还不如它1分钟里碰倒了你的水杯、然后试着把杯子扶起来学到的东西多。之前语言模型用「token（字）」算数据量，是因为每个字都是新信息，但机器人的时间是可以光明正大划水摸鱼的：重复1万遍一模一样的动作，跑1000小时也白搭。未来机器人的有效数据单位根本不该是小时，而是「关键动作变化次数」：它有没有碰到新物体、有没有动作失败、有没有把东西碰移位，这些才是真正能让它变聪明的有效信息。
5. 未来的机器人大脑，根本不用给每个身体单独定制
现在的机器人有个特别傻的毛病：如果我把机械臂从30厘米换成1米长，之前写好的所有控制程序全废了，得重新从零开始训练，成本高得离谱。但人完全没有这个问题：你戴个厚手套、换个加长的钳子，试两下就知道怎么用，根本不用重新学怎么拿东西。
未来合格的世界模型，就要练出这种「一脑适配百种身体」的通用能力：不管我装的是2根手指的手还是4根手指的手，不管我手臂力气是1公斤还是10公斤，它都能先快速搞清楚自己的身体能伸到哪、力气有多大，然后自动调整动作，不用每个新机器人都从零开始训。等这个能力跑通了，机器人的落地成本才能真正打下来。