智源发布悟界·RoboBrain Orca：从预测下一个词到预测下一个世界状态
2026/07/08 11:35阅读量 4
悟界·RoboBrain Orca是一款多模态表征世界模型，核心思想是让AI在“脑海”中形成统一的世界状态表征，实现从预测下一个Token/Frame/Action向预测Next State的转变。该模型通过无意识学习（12.5万小时视频）和有意识学习（1.6亿条事件标注）两条路径训练，表征可解码为文本、图像和动作，为具身智能乃至更广泛的科学发现提供底层基础。
事件概述
北京智源人工智能研究院推出悟界·RoboBrain Orca，这是一种多模态表征世界模型。与当前主流的大语言模型（预测下一个词）、视频生成模型（预测下一帧）以及具身模型（预测下一个动作）不同，Orca的目标是让AI在内部形成一个统一的世界潜在表征空间，并据此建模世界状态的向前与向后演变。其核心理念为“The World is in Your Mind”。
核心信息
- 技术路线：从Next Token/Next Frame/Next Action转向Next State Prediction。模型接收视频、图像、指令等信号后，构建统一的潜在表征，学习物体运动、场景变化、因果关联等，从而预测当前状态如何演变为未来状态。
- 学习方法：采用两条互补路径——无意识学习（通过海量真实世界视频客观观察世界自然运动）和有意识学习（通过语言描述的任务、事件和VQA问答学习稀疏但有意义的状态转移）。
- 训练数据规模：包含12.5万小时视频以及1.6亿条事件标注，且预训练具备持续Scaling的潜力——随着数据增加，下游任务能力随之提升。
- 解码能力：学到的表征可通过多种解码器输出。在文本读出上擅长状态转移理解和动态运动推理；在图像读出上能展现真实场景的交互预测；在动作读出上，即使没有在预训练中学习动作标签，也能帮助机器人更好泛化。
- 意义：该模型代表了一种新的世界学习范式，可能从具身智能延伸到科学发现、复杂系统建模等领域，是通用世界基础模型的早期基石。