2026-07-15 10:17:39 中华网
近日，首届CSIG三维视觉夏季研讨会(Summer3DV)在威海圆满落幕。本次大会规格空前，汇聚了40余位顶尖高校AI专家进行演讲、百位专家共同参与。高校方面，北京大学查红彬、陈宝权教授，清华大学刘烨斌教授，中国科技大学刘利刚教授，西北工业大学戴玉超教授，中山大学梁小丹教授等顶尖学者齐聚一堂;同时，腾讯混元世界模型团队负责人王腾飞、微软亚洲研究院研究员&CVPR 2026最佳学生论文奖获得者杨蛟龙、具身智能领军学者&上海交通大学助理教授穆尧等青年领军人物也深度参与。影身智能创始人&CEO闵伟、CTO周怡兵作为特邀企业嘉宾出席会议。
当前，世界模型正处于从“数字想象”迈向“物理真实”的关键拐点。本次大会直指当前业内技术痛点，抛出三大核心议题：三维表征在具身智能中究竟扮演什么角色?4D数据规模化采集为何成为世界模型的关键瓶颈?具备物理AI的世界模型到底如何实现，关键路径如何?
综合与会学者的探讨，四条核心洞察逐渐清晰：首先，认知边界需厘清——世界模型不等于视频生成模型，竞争焦点正从“画面像不像”让位于“物理上对不对”;其次，技术基石需确立——三维表征是AI走向“物理真实”必不可少的中间语言，正从“辅助2D”走向“原生主流”，但仍缺乏时序信息;第三，核心瓶颈需突破——要实现动态推演与物理交互，世界模型与4D数据的深度交互至关重要，包含虚拟和真实的高质量4D数据的规模化获取被多位学者列为下一阶段的关键任务，这些4D数据如包含力学等物理属性将更加便利后续物理世界模型构建;最后，演进路线正走向融合——视频生成与3D/4D重建路线正从并行走向数据层与模型层的双向深度协作。
作为国内领先的4D世界模型与具身智能公司，影身智能深度参与此次学术交流。影身智能认为，三维表征和时序信息，正是推动机器人从被动“感知世界”走向主动“操作世界”的核心技术支撑。
在大会核心焦点环节，影身智能合作教授、清华大学刘烨斌作了题为《三维表征在具身智能灵巧操作的必要性思考》的报告。他指出，在2D Scaling快速发展的今天，三维表征依然是不可替代的基石。正如World Lab所言，三维表征在具身智能中具有不可或缺的地位，其作用相当于计算机系统里的“代码”。刘教授在World Lab“3D as code”理念的基础上，进一步将三维表征的作用拆解为三个方面：第一是状态形式化，将模型内部的世界“想象”转化为可保存、可检查、可编辑的4D世界状态;第二是接口支撑，为后续的物理仿真提供基础，单纯的二维图像难以实现真实的物理推演;第三是交互闭环，让机器人能够进行包含时间维度在内的空间预测和推演。
针对当前具身预训练基础模型的演进路径，刘教授详细梳理了三大范式。首先是基于视觉-语言-动作(VLA)的架构，本质上类似于“看图说话”，虽能直接映射动作，但缺少时间轴推演和因果律，极度依赖高成本的大规模真机数据采集。其次是基于视频生成世界动作模型(WAM)，能利用互联网海量视频学习动态演变并具备预测规划能力，但容易引入随机幻觉，缺乏对场景空间行为、尺度结构及真实接触物理的理解。针对上述局限，刘教授重点分析了原生三维世界模型的技术架构，包括李飞飞团队PointWorld采用的Point Transformer，以及近期视觉几何世界模型所采用的VGGT架构。但刘教授也客观指出，目前该方法仍难以实现精细交互，且未结合视频生成架构利用视频生成先验，泛化性存在局限。
为何必须引入三维表征?刘教授展示了对当前最先进的二维视频世界模型(如Seedance-2.5)的测试案例：在处理“系鞋带”这种复杂精细操作时，模型生成的视频出现了鞋带断裂、消失或瞬间移动等“物理幻觉”。这有力证明了仅靠二维视频的大规模Scaling，无法解决精细交互中的物理一致性问题。刘教授强调，要完成此类复杂任务，必须依赖包含几何与动态时序的4D建模，进而需要4D数据的支撑。针对高质量4D数据稀缺的痛点，他介绍了团队近期的突破性工作：通过单图生成多视点协同的4D手部交互效果，以及基于传输架构，利用少量RGB摄像机在无标定条件下实现的动态实时三维重建。值得一提的是，刘教授特别提到其多项研究工作是与影身智能合作完成的，这不仅体现了产学研的紧密联动，也验证了影身智能在4D动态建模与灵巧操作方向的技术前瞻性与产业可行性。
除刘烨斌教授外，多位顶尖学者与大厂高管也从不同维度分享了构建物理真实世界模型的路径与挑战。西北工业大学戴玉超教授提出了基于重建的世界模型路线，强调核心挑战是长序列的几何一致性，其提出的自表达序列正则(SSR)方法有效解决了当前帧与历史帧对不上的问题，未来方向是从4D重建走向真正的4D世界模型，实现连续表示和动态演化规律建模。北京大学王选计算机研究所长聘副教授连宙辉将世界模型定位为具身智能最核心的基础设施，他指出“仿真并非无用，而是目前做得还不够好”，并以“机器人书法临摹”为例说明从几何精确到物理真实(如笔头变形、墨水扩散)的跨越巨大，呼吁采用“全民参与”模式以低成本获取高质量4D数据，构建可持续演化的仿真世界模型。
在多模态协同方面，浙江大学崔兆鹏研究员提出了三维动态建模的三个层次：外观层(看起来对不对)、运动层(运动合不合理)和物理层(新条件下会怎么动)。他认为未来必须从视觉驱动的重建走向物理信息驱动的建模，最终实现热力、流体、电磁等多物理场的耦合建模。腾讯混元世界模型团队负责人王腾飞结合企业实践指出，当前世界模型面临数据、时间、空间三重“尺度之困”，破局之道在于视频与3D两个模态在数据层和模型层形成深度协作，3D可为视频生成提供物理约束和标注数据，视频则可为3D扩展内容，最终走向全模态融合。中山大学梁小丹教授明确区分了世界模型与视频生成模型，强调面向具身智能的世界模型必须具备交互性、因果性和物理一致性，“世界模型不是生成一个‘像真的’视频，而是预测一个‘会发生’的物理世界”，对于机器人来说，多视角一致性和长时序推演能力是绕不开的挑战。西湖大学助理教授张驰指出，强视频生成模型正在反向赋能三维视觉，其时空连续性和视角生成能力可作为三维重建、新视角合成和空间编辑的新先验，视频生成的下一步不只是生成影像，而是生成可被理解、可被编辑、可被重建的空间，从而向世界模型能力靠近。
综合本次研讨会观点，具身智能的发展呈现出明确的融合演进与升维趋势。视频与三维模态不再沿着彼此独立的路径发展，而是逐步走向统一表征与全模态融合，数据生成、空间理解与模型训练之间的边界也在持续打通。与此同时，物理真实性正成为检验世界模型能力的重要分水岭：从静态几何的准确重建走向动态过程的真实推演，从单一物理场建模走向多物理场耦合，将成为世界模型进一步理解并作用于真实世界的必经路径。
作为会议参与方之一，影身智能表示，将继续深耕4D数据的规模化采集与生成，夯实原生4D世界模型的数据基础与模型能力，并进一步打通物理仿真、动作决策、真实交互与数据反馈之间的闭环。依托与刘烨斌教授团队等顶尖科研力量的深度合作，影身智能正加速将前沿学术成果转化为工业生产与现实生活场景中的实际生产力，推动世界模型跨越“物理幻觉”鸿沟，从实验室真正走向真实世界。
