智源研究院王鹏伟：现有世界模型仅习得片面认知，Orca提出“有/无意识”双范式突破泛化瓶颈

事件概述

2026年10月，在智源大会期间，智源研究院具身模型研究中心负责人王鹏伟正式发布了其主导研发的悟界·RoboBrain Orca世界模型。王鹏伟指出，制约具身智能发展的核心瓶颈是“大脑不够泛化”，而当前的世界模型技术路线普遍存在局限性，未能真正理解物理世界的本质规律。Orca模型试图通过模仿人类的学习机制，解决这一泛化难题。

核心观点与问题分析

1. 现有世界模型的四大缺陷

王鹏伟将当前的世界模型分为四类，并逐一指出了其局限性，认为它们都只学到了“片面的世界”：

• 以语言为中心：如大语言模型，仅基于文本描述理解世界，缺失视觉、听觉、触觉等多模态信息，导致认知片面。
• 以像素为中心：如视频生成模型，过度关注像素级还原，但人类执行动作或预测状态时并不需要处理所有无用像素，效率低下。
• 以三维结构为中心：如3D重建及World Labs Marble模型，几何结构的重建不等于对物理状态的理解。
• 以视觉表征为中心：如JEPA，本质上仍是Learning from Video，仅学习数据分布，无法揭示背后的物理规律。

此外，当前具身智能数据采集和学习多为**“被动任务驱动”**，依赖人工布置和干预，难以实现物理AGI所需的主动探索能力。

2. VLA与世界模型的定位差异

• VLA (Vision-Language-Action)：被视为“专家模型”，在限定场景下数据利用率高、执行成功率好，但在通用泛化能力上缺乏明确突破路径，主要解决特定场景任务。
• 世界模型：被视为类似Bert或ChatGPT的基础设施，不追求单一任务的最优解，而是探索解决泛化问题的新思路，适合高泛化要求的场景。
• 终局判断：两者将在一段时间内并存。工业等非柔性分拣等无需泛化的场景适用VLA；而对泛化要求高的场景，世界模型更具优势。

Orca模型的技术架构与创新

1. “有意识”与“无意识”双学习范式

Orca模仿人类从婴儿到成人的学习过程，构建两种学习模式：

• 无意识学习 (Unconscious Learning)：模拟婴儿通过连续观察感知世界变化。模型通过纯视频观测，在Latent层面学习状态转移，不依赖显性语言指导或物理规律灌输，学习最自然的自然规律。
• 有意识学习 (Conscious Learning)：模拟掌握语言能力后的成人学习。在干预条件下学习状态转移，具备“由因推果”和“由果溯因”的能力，关注事件级、语义化、稀疏的状态转移，而非相邻帧预测。

2. 数据集构建策略

为支撑上述两种学习模式，Orca构建了三部分数据集：

• 互联网Web数据：约12.5万小时，包含第一视角、第三视角、机器人视角及其他视频数据，用于无意识学习。
• 专家标注数据：约1.3亿条（130m），用于支撑有意识学习，包含Action引发的关键事件状态转移数据。
• VQA数据：包含因果VQA和通用VQA数据，赋予模型语言层面的输出能力。

3. 零Action数据训练 (Action-Free)

王鹏伟强调，Orca的预训练未使用任何一条Action数据。他认为Action数据增长缓慢，若依赖其难以达到Scaling所需体量；而Web数据中蕴含大量交互信息，足以让模型从更广泛的交互中学习。这一策略旨在避免海量其他数据被少量Action数据淹没，从而更好地实现泛化。

评测与未来展望

• 评测体系空白：目前行业缺乏针对状态转移世界模型的Benchmark，现有评测多衡量像素一致性，对泛化性测试不完善。Orca团队已构建专门评测集，通过切割Video中的关键Event，考察模型预测状态与真实未来状态的一致性。
• 泛化突破时间表：王鹏伟预计，一年内会有方案实现泛化能力的“0%到1%”突破，但要达到90%以上的可用水平，仍是一条漫长道路。当前行业最大的焦虑在于尚未看到突破泛化瓶颈的确切路径。