昆仑万维方汉：世界模型算账逻辑下，异构数据是具身智能解药

无论文本大模型走向收敛，还是世界模型统一于DiT架构，技术底层的逻辑正在变得透明。真正的壁垒，已经转移到了企业对异构数据的清洗能力、算法的迭代速度，以及最直接的——资金与硬件筹措能力上。

如果说过去两年，大语言模型是绝对的主角；那么今年，各类形态各异的具身智能机器人与空间智能设备，才是真正的主角。

在WAIC 2026的展区里，被层层围观、讨论最密集的赛道，从技术极客到产业资本，所有人都在追问：具身智能的“ChatGPT时刻”，究竟何时到来？

在这场关于下一代计算范式和人工智能物理形态的竞速中，底层路线的分歧与收敛，正以前所未有的速度上演。

“2026年，可以称为‘世界模型元年’。这标志着AI从内容生成，走向对物理世界理解与交互的关键转折点。”昆仑万维董事长兼CEO方汉，在“世界模型与多模态范式跃迁”专场论坛上，给出了这样一个判断。

论坛结束后，我们与方汉进行了一场对话。从世界模型的端到端演化、Scaling Law在视频与物理世界的延续，到一笔高达数百亿的“数据经济账”，他描绘了一张相对清晰的产业路线图。

当我们追问行业真正的分化节点何时到来时，方汉的回答回归了技术最本质的信条：数据量级。百万小时、千万小时、上亿小时，这是一个阶级分明的坐标系。

2026年，站在世界模型元年的风口上，具身智能已经完成了从“技术黑盒”到“工程流水线”的思想转变。而这场重塑物理世界交互法则的战役，才刚刚开始。

以下是这次对话的核心观点。

一、路线大一统：端到端世界模型与“千万小时”定律

当前具身智能还处于起步探索阶段，百花齐放，但某种程度上，更像是在迷雾中穿行。方汉认为，可以拿自动驾驶作为一个参照系。

“你看自动驾驶，经过多种技术路线的角逐，最后全部收敛到了端到端的FSD系统上。”方汉表示。

他强调，具身智能和世界模型，最终也必然会走向端到端的架构，因为只有这种架构，才能真正实现“Scaling Up”。

在此之前，多流派的探索，在解决长尾场景和泛化性时，显得有些力不从心。而端到端模型的破局，关键在于跨越数据量的“奇点时刻”。方汉以视频生成模型的发展为例：视频模型沉寂多年，直到训练规模达到“20亿个15秒的切片”时，才终于迎来质的飞跃。

那么，现在的进度条走到哪里了？据方汉透露，各大头部厂商目前普遍处于10万到20万小时的阶段。这意味着，行业正处于冲刺百万小时、千万小时关口的竞速期。他预测，今年底或许有厂商能达到百万小时级别，而千万小时的拐点，极有可能在明年底，由头部厂商率先突破。

二、异构数据破局：一场从500亿到1亿元的“算账革命”

如果Scaling Law是毋庸置疑的真理，那么横亘在所有企业面前的唯一挑战，就是算账。在千万小时甚至亿级小时的数据需求面前，具身智能的数据采集模式，在商业逻辑上似乎完全失效。

方汉算了一笔略显残酷的账：在早期，具身智能的数据主要分为UMI数据和真机数据。这类数据的生产成本极高。以最基础的数据采集设备为例，单副采集手套的成本，原本就高达十几万元，直到今年才勉强降至一万多元。在此基础上，单位小时的UMI和真机数据采集成本，最低也要500元，高的甚至达到一两千元。

“我们可以算一下，如果要生产1000万小时的真机数据，乘以500元的单价，至少需要50亿元。如果是1亿小时，那就是500亿元。这个成本，谁都扛不住。”方汉坦言。

打破这一资本黑洞的终极武器，被确认为异构数据。所谓异构数据，比如用手机、甚至胸挂摄像头拍摄的人手操作数据，使得采购成本大幅下降。方汉表示，目前异构数据的采集成本已降至每小时50元左右，他更进一步预测，从今年到明年，通过视频采集的异构数据成本，有望下探至每小时10元。

“当成本降到10元一小时，1000万小时的数据，只需要1亿元。这个成本，大家是可以接受的。所以，大家一定会用异构数据来规模化我们的具身模型或世界模型，这是最现实的路径。”方汉说。

除了绝对的成本优势，异构数据在生态多样性与环境复杂度的覆盖上，也远远超越了昂贵的真机数据。比如，黎曼动力机器人在1.0模型的训练实践中，就发现大量异构数据的引入，不仅提升了泛化能力，甚至在“叠衣服”这种传统认为只需要UMI数据的具体操作上，也带来了极大提升。

三、供应链与人口结构：中国不可复制的具身智能优势

在具身智能与世界模型的赛道上，宏观战略的天平正向着中国倾斜。这一优势，建立在中国不可复制的工业门类全集与庞大的人口基数之上。

具身数据的本质，是物理世界的操作记录。这意味着，任何数据的采集，都重度依赖于硬件设备与真实场景的结合。“中国是所有数据采集设备的硬件主产地。跟中国厂商去卷硬件成本，世界上没有谁能卷得过。”方汉直言。

正如汽车雷达行业曾经发生过的成本雪崩一样，具身视频采集设备，也正在经历类似历程。大量的消费电子大厂正在入局，开发低成本的、带运动加速度传感器的双目摄像头，甚至是隐蔽性更好、更便携的采集穿戴设备。

更深层次的护城河，在于“场景产能”。中国有全世界最全的工业门类，这代表着工业产品最全。同时，服务业非常发达，这就意味着我们能构造出极其丰富的各种操作数据。方汉认为，数据最大的产能地，一定是不仅具有硬件制造能力，还具有深度场景下潜能力的中国。

四、基础模型护城河与“拿着钉子找锤子”的应用陷阱

在大模型商业化的探讨中，常有一种声音认为：底层模型格局已定，接下来重心应从模型层全面转向应用层与垂直领域。对此，方汉表达了不同看法。

“我不太认同这个看法。做应用层其实也非常危险，因为你不知道你的应用能力，何时会被大模型的发展所包含并内化掉。”他以近期热门的“技能树”为例，指出最新一批文本大模型，正是利用了各行各业专家编写的技能树进行训练，导致大模型厂商能够轻易获得这些行业最有价值的流程和能力。

对于当前大量创业者试图在垂直行业落地的现状，方汉也指出了产品定义上的逻辑谬误——“拿着锤子找钉子”。很多创业者认为自己的模型能力很强，于是到处寻找行业去赋能，这种做法充满风险。

正确的路径应当是倒推：你需要更熟悉一个行业最真实的需求，然后从需求倒过来寻找，什么样的模型或AI应用，能够满足这个需求。

五、泛娱乐的降维打击：从短剧平权到游戏模型的算力困局

方汉透露了一个商业现实：“今年消耗量最大的API，一定是视频生成。国内某大厂的视频生成收入，已经占了其总收入的一半以上。”这种爆发背后的逻辑，是门槛的降低，带来了创作者规模的指数级扩张。“视频模型的爆款也许没有当年看电视剧《渴望》万人空巷的高度，但它满足了海量的长尾需求。视频创作者的规模，绝对不会低于网文作者。”

然而，在影视和游戏这两个被寄予厚望的终极娱乐形态上，AI的渗透步伐，却因商业规律和物理法则而产生了分化。对于AI电影，方汉认为技术早已不是障碍，爆款AI院线电影和长剧的出现，只是时间问题。但对于原生AI游戏，他则表示，受制于巨大的推理成本鸿沟（游戏世界模型的推理速度，必须比传统3D引擎更快），真正的游戏世界模型落地，至少还需要3到5年的时间。