作为全球人工智能领域的顶级盛会，2026世界人工智能大会（WAIC）正式揭开帷幕。

在本届WAIC上，大晓机器人带来了具身智能领域的最新突破与商业落地成果，包括开悟世界模型最新进展，具备强大空间理解、自主反思与跨本体泛化能力的一体化具身基模型ACE-BRAIN 0.5，以及环境式数据采集方案2.0、开放环境具身自主智能解决方案等。

其中，大晓机器人正式发布开悟世界模型3.1。作为开悟3.0的最新演化版本，其延续了“理解—生成—预测”一体化架构，将世界认知、场景生成与动作决策深度融合于单一内生骨干网络。官方称，可实现从“认识世界”到“预测世界”再到“与世界交互”的全链路智能闭环。

大晓机器人董事长王晓刚在WAIC媒体沟通会上表示，世界模型最核心的目标，是提升机器人的泛化能力，尤其是面对新场景、新任务时的应对能力，并进一步实现智能涌现。

其并认为，在一定阶段内，世界模型与VLA会协同存在。世界模型尚未完全成熟时，VLA对于确定性较高的任务学习速度更快、执行确定性更强，是世界模型的有效补充。“随着世界模型能力不断完善，特别是以人为中心的数据从当前几十万量级提升到千万小时量级后，世界模型将逐步吸收VLA的能力。我们最终期待的是一个大一统、足够强大的基座模型。”

对于本届WAIC，王晓刚指出，具身智能的发展包含硬件本体、模型、数据和场景四个核心要素，希望在本届大会上看到产业链各环节更充分的联动与协同，“只有把四个要素贯穿起来，形成正向反馈，才能推动持续迭代。”

公开资料显示，大晓机器人成立于2025年，是一家商汤系的生态企业。去年12月，大晓机器人正式提出“以人为中心”的ACE具身研发范式，以环境式数据采集为引擎，并同步发布开悟世界模型3.0。今年6月，大晓机器人宣布完成天使+轮融资，至此，其上半年已累计融资数亿美元。

在商业化落地探索方面，王晓刚称，整体路径应当是先To B、后To C。目前，大晓机器人已在安防巡检、即时零售、闪购仓等ToB场景布局。“以零售为例，未来一年我们希望拓展1000家门店，包括无人零售、闪购仓和店仓一体等方案。”

图片来源：大晓机器人

以下为对话实录（经编辑整理）

“硬件本体、模型、数据和场景联动形成正反馈，才能推动持续迭代”

提问：今年WAIC受到高度关注，有什么期待？

王晓刚：具身智能的发展包含四个核心要素：硬件本体、模型、数据和场景。我们希望在本届大会上看到产业链各环节更充分的联动与协同，只有把四个要素贯穿起来，形成正向反馈，才能推动持续迭代。

相比去年，今年行业对可复制、可规模化的场景更加重视。一旦抓住这些场景，就能够持续采集数据，带动硬件本体规模增长；规模上来以后，成本会下降，质量会提升，产业资源也会更加集中。

世界人工智能大会已经走到第九年，为人工智能领域的技术、人才、场景和投资提供了重要平台。我更关注这些要素如何在大会上实现真正的联动。

提问：具身智能已成为全球科技竞争的重要方向，如何看待大厂与头部创业公司之间的竞争合作？

王晓刚：人工智能发生跳跃式发展时，往往需要通过创业推动创新。现有大厂体系中的人才机制、激励机制和资源倾斜，未必足以完全支撑具身智能这一新领域的发展。

具身智能与大语言模型时代的差异，核心之一在于数据。语言模型的数据主要存在于互联网，大型互联网公司天然具有优势；具身智能所需的以人为中心数据目前并不存在，需要从真实场景中重新获得，而这些场景分布在零售、酒店、文旅等不同垂直行业。

因此，创业公司的机会不只是与大厂或头部具身企业竞争通用能力，而是与垂直行业头部企业深度合作，挖掘场景价值，规模化复制数据采集和机器人落地方案。

产业生态仍要回到硬件本体、模型、数据、场景四个要素。核心是抓住可规模化的场景应用，用场景带动数据积累和硬件发展，形成四要素联动的正向循环。

世界模型核心目标是提升机器人泛化能力，短期会与VLA协同存在

提问：本届WAIC上，大晓机器人重点展示了世界模型，请问未来两三年世界模型将优先改变机器人的哪一方面能力？

王晓刚：世界模型最核心的目标，是提升机器人的泛化能力，尤其是面对新场景、新任务时的应对能力，并进一步实现智能涌现。

提问：开悟3.1采用多模态理解、生成、预测一体化架构，与英伟达Cosmos 3.0的架构逻辑一致，能否科普这一技术架构，并说明它相较VLA有哪些优势？

王晓刚：理解、生成和预测是世界模型的核心能力。过去的部分世界模型只具备其中某一种能力，也有方案采用外挂或级联方式，例如先经过视频生成模型，再外挂理解或预测模块。由于各模块不共享特征，这种方式不可避免地造成信息衰减和损失。经过第一个生成模型后，很多物理信息和空间信息可能已经丢失。

理解、生成、预测一体化架构让三种能力共享特征，实现更高效的信息压缩，并在统一架构中保持相对均衡、协同演进。我们在去年12月提出这一架构，今年3月英伟达Cosmos 3.0也采用了类似架构逻辑。

VLA不需要真正理解世界，也不具备生成能力，主要是根据观察到的视觉信息直接映射机器人动作参数，因此更擅长完成预先规定好的特定任务。这类似人工智能1.0时代的小模型：针对A、B、C、D不同任务分别训练，可以完成既定任务，但难以形成智能涌现，也难以应对新的环境和新的任务。