清华系“盯上”世界模型

很多创业者把这波世界模型热潮，比作当初ChatGPT刚刚诞生的时刻。2023年的AI创业关键词是“大模型”，各大投资机构与科技大厂言必称千亿参数与Scaling Law，到了2026年，关键词正在切换成一个更模糊、更宏大，甚至带着些许哲学野心的词，那就是世界模型（World Model）。
但问题是，没有人能完整解释它。
在不同公司的叙事蓝图里，它可以是视频生成，是机器人控制，是自动驾驶的环境理解，也可以是多模态Agent的长期记忆系统。它不像一个明确的技术路线，更像一个不断扩张边界的概念。就在刚刚，英伟达官网突然公布业界首个面向机器人、自动驾驶和物理AI的全栈式综合安全系统Halos，专为运行在IGX Thor人形机器人硬件上而设计。
有趣的是，国内一批站在风口浪尖的AI创业公司，正不约而同的向这个词靠拢。
初代AI视频生成顶流生数科技，重新把视频生成模型称为“时间维度的世界模拟”。面壁智能在端侧模型中讨论如何构建更长程的结构化推理空间。在自动驾驶领域闯荡多年的Momenta，继续强化自动驾驶系统对闭环世界的理解。市值刚破万亿的智谱则在Agent能力之外，也宣布要逐步扩展“环境交互”能力的边界。
这些押注世界模型的公司分布在不同赛道，但大多有一个共同点——来自同一条学术与产业网络，清华系。这种集中在其他行业并不常见。它不像消费互联网那样依赖地理上的咖啡馆和孵化器集群，也不像半导体行业依赖供应链的物理半径，而是以清华园、五道口、知春路为圆心持续外溢。
世界模型之所以成为当下AI行业追逐的新热点，技术正在成熟只是一方面，“语言”这一建模对象正在逼近瓶颈才是根本原因。
从语音大模型出走半生的创业者们，意识到语言模型能模拟世界的描述，但并不真正理解世界的运行规则。同时视频生成模型开始出现“时间一致性”的问题，机器人模型开始面对“物理失败”的不可回避性，自动驾驶系统必须处理现实世界中持续变化的反馈。世界模型的意义，正在于试图将这些分散问题统一起来。
上一轮，清华系几乎定义了大模型。而这一轮，清华系又开始抢跑世界模型——这个被认为是通往通用智能的重要路径。
01
为什么是清华系？
清华系三个字在AI投资圈的号召力，有时蒙上一丝玄学色彩。在清华系创业者领头人唐杰创办的智谱市值直冲万亿的当下，圈内人会开玩笑说，看项目时只要听说核心团队是清华EE（电子工程系）或CS（计算机系）出来的，哪怕还没看BP，心里已经默默把“技术天花板”那一栏调高了两格。
事实上这并不是某种玄学。如果翻看这群创业者过去十年在各自领域的轨迹，会发现他们都有点相似，总是不满足于只做一个插件，而是试图重写操作系统的底层逻辑，探向最前沿。
要理解今天的世界模型热潮，必须回到上一轮起点，大模型。
清华系创业者在上一轮中就是备受关注的焦点。智谱、面壁、月之暗面、生数科技等公司，都在不同阶段承担过追赶OpenAI的任务。如今，智谱凭借GLM系列模型的表现，更是成了国内承担“Anthropic追赶者”角色的新标杆。
从Aminer开始，唐杰团队本质上做的是一个“知识系统”。它不是模型，而是对人类学术世界的结构化表达。随后进入GLM阶段，这一系统被转化为语言模型，并在GPT-3发布之后迅速进入规模化竞争。
在智谱的决策逻辑中，有一个反复出现的关键词，就是“登顶”。在2021年的关键决策会上，团队讨论是否投入千万元级别资源追赶大模型时，内部的争议在于一个问题，就是这个方向是否值得“证明中国也可以做到世界级”。唐杰的表态很直接，如果成功，它至少能证明一件事，中国的大模型技术可以站在世界第一梯队。
在那个时间点，GPT-3已经发布一年多，谁也不知道国产模型的追赶能不能成功。唐杰在押注的同时也承受着“可能五年没有回报”的压力。而最终，这种追高的劲头也让国产模型有了自己的一席之地。
2024年智谱Open Day上，唐杰就明确表示要构建“认知驱动的世界模型”。智谱试图让模型不仅能聊天，还能自主操作手机 App、预订酒店、规划行程，模型需要对“手机界面”这个微观世界有深刻的理解，知道点开某个图标后会跳转到什么页面，支付失败后流程应该退回到哪一步。
而这种“环境交互”下的逻辑，是唐杰们探索世界模型的出发点。
如果说唐杰们代表了一种技术派的探索欲和好胜心，生数科技的CEO唐家渝与首席科学家朱军，更像是借着AI创业验证自己的理论研究。
朱军和唐家渝是生成模型领域的一对“清华师徒档”。朱军是在贝叶斯方法和生成模型学派的代表，在创建生数科技后，他们并未远离五道口，公司离清华园不过2公里。他们基于研究多年的扩散模型，得出结论，模型不应该只是输出一个结果，而应该输出一个关于结果的概率分布。
正是这种技术底色的推动，2024年生数科技自研了U-ViT架构，试图在统一的框架下处理视觉生成中的空间细节与时间连续性，让