世界模型赛道新看点：千诀隐变量可辨识性方向的研究，比LeCun相近工作早一年，不堆画面预测，主打物理规律与跨本体复用。

Yann LeCun持续押注预测式世界模型，李飞飞带领World Labs探索可交互的3D世界，全球头部AI团队正沿着不同技术路线加速探索。

10月20日， 首届2026物理AI与世界模型大会 在南京开幕。图灵奖得主 LeCun、姚期智 都远程分享了最新观察。

在这场世界模型领域的学术与产业盛会上，清华系具身智能公司 千诀科技 ，也在大会上正式发布了 预测式世界模型Polibrain 。

而千诀此次发布的Polibrain，想做的就是让机器人拥有这样一张可以用于预测和规划的「地图」。

早在2025年，千诀联合清华大学团队就在ICML发表了世界模型相关理论研究，其在隐变量可辨识性、低阶偏好等方向上的公开探索， 比LeCun团队的相近研究早了约一年。

从环境感知、行动预测，到自主规划和执行反馈，千诀试图让机器人学会根据物理世界的变化，自主决定下一步怎么做。

千诀的预测式世界模型Polibrain，究竟有什么特别之处？他们又是如何让不同形态的机器人，共用一套智能大脑的？

另一种方法，则是先弄清广州到长安沿途有哪些城市、城市之间如何连接，画出一张地图，再根据地图规划路线。

它需要自主寻找地面上的垃圾，识别目标位置，移动过去，再规划机械臂动作，将垃圾抓起来，放进随身携带的回收筐。

看起来只是一套捡垃圾的动作，背后却有一连串决策难题： 垃圾在哪里？机器狗应该从哪个方向靠近？机械臂伸出去之后，能不能顺利抓住目标？

尤其是在真实环境中，物体的位置、空间关系都可能发生变化。机器人光知道下一步做什么还不够，还得提前判断，这一步做下去会发生什么。

Polibrain通过学习环境状态、历史信息和行动结果之间的关系，在任务相关的潜在表征空间中预测状态变化。

真实任务很难完全按照计划推进。如果抓取失败，或者目标位置发生变化，机器人还需要知道如何继续。

Polibrain将环境感知、状态理解、行动预测、任务决策、动作执行和反馈调整连接起来，形成持续决策闭环。

它还支持通过关键特征解码，追踪预期状态与实际结果之间的偏差，为异常定位和任务恢复提供依据。

目前，千诀已在人形、轮式、单臂、双臂等多种机器人形态上开展适配，探索陪伴服务、餐饮服务、物品整理及精细操作等任务。

所谓「多项式表征」，简单来说，就是 通过一套数学方法， 让AI从复杂环境中提取真正影响任务结果的关键变量， 减少对无关细节的依赖。

比如，机器人在一个仓库学会抓取，换到另一个仓库，光照、背景、货架位置一变，表现就可能大打折扣。

问题在于，模型训练时，很可能记住大量与任务无关的细节。背景纹理、光照条件，甚至物体周围的摆设，都可能被神经网络当成判断依据。

等到主人真的忘带钥匙，让机器人帮忙寻找时，机器人反而可能判断，主人既然已经出门，钥匙肯定不在抽屉里了。

2025年，千诀联合清华团队在ICML发表《When Do Neural Networks Learn World Models?》，研究神经网络在什么条件下，能够从观测数据中恢复隐藏的世界结构。

研究从 「多任务学习」和「低阶偏好」 入手，利用Fourier-Walsh变换分析 离散布尔世界中的函数结构 ，解释模型何时能够辨识真实隐变量。

2026年5月，LeCun等人发表《When Does LeJEPA Learn a World Model?》，同样研究世界模型的隐变量可辨识性，以及函数阶次与低阶偏好之间的关系。

虽然研究对象不同，数学工具不同，但两项研究提出的 学习判据 具有一定 等价性 ，最终导出的表征，在信息层面也具有一定等价性。

从公开发表时间看，千诀联合清华团队在相近方法论方向上的研究，比LeCun团队上述论文早了约一年。

2026年，千诀联合清华团队进一步提出「有效阶」 （Effective Degree，ED），试图给神经网络的复杂度提供一把可以计算的「标尺」。

以往Benchmark能告诉研究者模型答得对不对，研究者却不容易判断模型学到的函数究竟有多复杂。

其方法是沿真实数据点之间的插值路径观察神经网络，用正交多项式拟合模型输出，再根据不同阶次成分的权重计算复杂度。

这样一来，研究者不仅可以量化、比较模型的函数复杂度，还能将这一指标引入训练过程，帮助模型减少不必要的复杂变化。

比如，机器人把杯子放进柜子，关门后就看不见了。等到下一步需要操作这个杯子，必须记得杯子被放在哪里。

具体来说，Polibrain将面向环境与任务的共用表征，与具体机器人的动作执行能力相对分离。

比如，减少一只机械臂，可以成为酒店配送机器人；换成双臂，可以进入餐饮服务场景；进一步调整本体结构，又能用于巡检、安保、环卫清洁等任务。

具身智能长期面临物理交互数据不足的问题。真机采集成本高、积累缓慢，不同形态的数据又难以直接共享。

高海川认为，人形、轮式、四足乃至扫地机器人，虽然结构不同，但对物体关系、任务目标和环境变化的理解存在共性。

更多机器人接入，覆盖更多真实场景；数据持续积累，推动模型泛化；模型能力提升，又有机会吸引更多机器人厂商和客户。

从理论研究到真实机器人的应用，Polibrain的发布，为预测式世界模型走向产业应用提供了一个观察样本。

量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1