具身智能走到世界模型这一步，“问题”反而更多了

具身智能领域近期将技术重心转向世界模型，但该路径引发更多争议。行业普遍认为，世界模型旨在让机器人通过预测环境动态来提升泛化能力，然而实际落地中面临多重挑战：一是模型训练依赖海量多模态数据，数据采集成本高昂且真实场景覆盖不足；二是现有模型对物理规律和因果关系的理解仍浅层，导致预测结果在复杂动态环境中可靠性低；三是算力消耗远超传统控制算法，难以满足实时决策需求。此外，模型的可解释性差，故障溯源困难，增加了安全风险。部分从业者指出，世界模型虽能提升仿真到现实的迁移效率，但过度依赖该技术可能忽视底层硬件与运动控制的协同优化。目前，业界尚未形成统一评估标准，不同团队在模型架构、训练策略上分歧明显，实际产品化进度低于预期。