清华团队研究：世界模型或成物理AI能力提升关键底座，2023年成果登《自然》封面

“物理AI要走向真实世界，缺的不是更复杂的Agent，而是能真正理解环境如何变化的世界模型。”近日，清华大学自动化系副教授封硕指出，世界模型是物理AI发展过程中被产业需求推至台前的核心命题，其能力提升可能遵循一条可验证的规模路径。

真实环境挑战：理解变化是物理AI落地的关键

封硕认为，在结构化、有限的环境中，智能体可以做到非常强，但真正要带来生产力发展，AI就必须走向真实环境。世界模型研究关注的正是如何让AI系统理解真实环境、预测环境变化，并为物理AI的训练和验证提供基础支撑。他带领团队持续构建更真实、更具挑战性的环境，用于物理AI系统的训练和测试。

“我们一直关注环境本身，让它更真实、更高效，更具对抗性，也更智能，推动物理AI走向规模化安全部署。”——封硕

世界模型本质：从环境变化中学习规律

封硕团队在长期研究中形成了底层判断：世界模型并非简单生成看起来真实的环境，而是找到可规模化、包含环境动态的数据，用更本质的方式表征世界，并将环境建模与下游任务解耦。他举例说明：“同一个物体在不同光照、角度和相机参数下可能呈现不同的图像表现，但物体本身并没有发生变化。世界模型需要学习的是这些变化背后的规律。”

这一思路意味着，世界模型更关注环境如何受观察条件影响而变化，而非仅追求视觉逼真度，从而为物理AI提供可推理、可预测的环境基础。

研究成果登上《自然》正刊封面，验证规模路径

2023年，封硕团队围绕世界模型、高价值测试环境构建与智能体验证的研究发表于《自然》杂志正刊封面。相关研究讨论了世界模型规模变化与物理AI任务表现之间的关系，为探索世界模型能力提升路径提供了研究参考。这表明，物理AI的能力提升或许正在遵循一条可验证的规模路径，而世界模型可能成为最关键的能力底座。

• 研究聚焦方向：真实世界建模、高价值测试环境构建、智能体验证
• 核心学术成果：2023年《自然》正刊封面论文
• 行业信号：世界模型规模与物理AI任务表现之间或存在可验证的关联

封硕团队在《自然》发表密集学习方法 应对物理AI稀疏度灾难

日前，团队相关研究成果于《自然》杂志（Nature）正刊发表。该项研究聚焦物理AI在真实世界中面临的“稀疏度灾难”问题，并提出密集学习方法，旨在提高模型对长尾分布数据的处理效率。

“稀疏度灾难”破解：从维度灾难到长尾学习

传统AI主要关注“维度灾难”，业界以“大模型、大算力、大数据”作为应对手段。但真实世界数据存在长尾分布，低频但重要的样本难以被模型有效学习。封硕团队提出“稀疏度灾难”概念，认为让模型学习长尾中的知识，才是模型真正落地的分水岭。

“过去，AI主要关注‘维度灾难’，学界和业界用‘大’来解决——大模型、大算力、大数据。但真实世界数据存在长尾分布，如何让模型学习长尾中的知识，解决稀疏度灾难，才是模型真正落地的分水岭。”封硕说。

名词解释：“稀疏度灾难”指在物理AI应用中，重要但低频样本在数据空间中分布稀疏，导致模型难以从有限样本中提取有效规律，区别于传统“维度灾难”关注的高维数据计算问题。

破解“跷跷板效应”：密集学习方法提升学习效率

传统做法依赖人工经验为模型薄弱环节拼凑数据，在大模型时代效率低且不稳定，甚至出现模型整体表现回退的“跷跷板效应”。封硕团队提出的密集学习方法，通过分析模型内部学习过程，提高模型发现有效数据和学习复杂规律的效率。

“我们过去十年一直在探索这个方向。现在，产业需求已经出现，我们希望把这些积累转化出来，加速世界模型走向应用的过程。”封硕说。

名词解释：“跷跷板效应”指在补强模型某个薄弱环节时，由于数据拼凑不当，导致模型在其他已学好的能力上出现性能回退，整体表现不升反降。

产学研协同：Dense AI推动世界模型落地

封硕认为，世界模型的发展不仅需要算法研究，也需要真实场景中的数据、任务和反馈。相比传统横向课题，世界模型需要更紧密、更长期的产学研协同。北京幂级智能科技有限公司（Dense AI）的成立正是基于这一逻辑。

Dense AI团队成员石梦凯表示，在物理AI时代，科研范式与产业范式均在变化，产学研边界正被压缩。数据与反馈进入模型训练，工程团队完成应用验证，科研团队推动技术优化，形成从研究到应用的循环。未来，Dense AI希望将长期科研路径带入产业现场，让世界模型成为物理AI走向真实世界的一块基础底座。