一天四个世界模型：四家公司，四条不同的路，同一个目的地
同一天里四个世界模型先后发布：高德 ABot-Earth 0.7 做 3D 原生城市生成、大晓 HSImul3R 做人-场景物理可仿真重建、LingBot-World 2.0 轻量版做到 1.3B 单卡实时、京东 JoyAI 把算力和具身数据一起端上来。四条路线，指向同一个目的地。
一天里出现了四个"世界"
9 月 9 日到 10 日这 48 小时里，世界模型这条线上出现了四个发布：
- 高德 ABot-Earth 0.7：号称全球首个 3D 原生城市世界模型
- 大晓 HSImul3R：联合南洋理工 S-Lab、上海人工智能实验室，做人-场景交互的物理可仿真重建
- LingBot-World 2.0 轻量版：1.3B 参数，消费级单卡实时跑
- 京东 JoyAI 世界模型：连同 10 万卡国产算力集群、1000 万小时具身数据采集一起端上来
四个都叫"世界模型"，但扒开看，它们在造的根本不是同一种"世界"。 而把四条路线并排看，能看出一条正在转向的行业标准。
专业分析
一、四条路线，各自在造什么
高德：造一座你能走进去的城市。
它的技术路径是"3D 原生"——不用卫星影像拼接，而是用时空数据训练模型，端到端直接生成 3DGS（三维高斯泼溅）格式的城市场景。
最硬的数字在这里：输入一张卫星图或一段文字，10 分钟内在消费级 GPU 上生成公里级 3D 城市场景，官方称效率比传统模式提升 1000 倍。它的底气来自高德积累了二十年的时空数据，覆盖 196 个国家和地区。
高德 CEO 郭宁那句话点出了它的野心：「大模型理解语言，高德空间智能理解世界。」——它想做的是"AI 理解真实世界的入口"，而不是又一个生成模型。
大晓 HSImul3R：让重建出来的东西"能站住"。
这条路线最技术，也最有意思。它针对的是一个被忽视很久的鸿沟：视觉上成立，不等于物理上成立。
一个在视频里"坐在椅子上"的人，模型重建出来之后放进物理仿真——椅子可能因为结构缺失直接倒下，人体可能和椅面严重穿模。论文把这叫「感知—仿真鸿沟」。
HSImul3R 的做法是把物理仿真器从"最后的检验工具"变成"重建过程中的主动监督者"（物理闭环双向优化），并把重力稳定性、真实接触、交互稳定性纳入核心评价标准。效果：人-场景三维穿模率从 69.51% 降到 22.90%。
它的意义在于为机器人准备训练场——让网上的海量人类视频，真正变成机器人可以学的技能，而不是一堆好看但不可执行的动画。
LingBot-World 2.0：把"世界"做小、做快。
今年 7 月开源的 14B 主模型已经能做到小时级持续生成、720p/60fps。而这次的轻量版只有 1.3B，消费级单卡实时运行。
这是四种路线里唯一明确面向"玩"的：第一人称射击里能看到爆炸、火焰、能量护盾随操作变化；第三人称能在大场景里持续探索、空间关系维持得住。
值得一提的细节：AMD 高级副总裁在 IFA 柏林开幕演讲里点名了三个开源模型——智谱、千问、LingBot-World，还拿它做了现场 Demo。一个中国团队做的世界模型，被芯片厂商拿去当硬件卖点的展示品，这件事本身比跑分有意思。
京东 JoyAI：不谈模型，谈"运营物理世界"。
京东走的是第四条路：它不强调单个模型多强，而是把算力（10 万卡国产集群）、数据（1000 万小时具身数据）、模型（JoyAI-Echo WM）、场景（零售/物流/健康/工业）打包成一个叫"物理世界运营中心"的东西。
京东云总裁曹鹏那句话很能代表它的立场：「京东的 AI 不是在论文里诞生的，是在生产线、仓库、配送站，在供应链全流程中一单一单磨出来的。」
也就是说：别人在造"世界的模型"，京东在说"我本来就有那个世界"。
二、一个共同的转向：评价标准从"像不像"变成"站不站得住"
把四条路线叠起来，第一个共同点很清晰——衡量"世界模型"的尺子正在换。
- 过去比的是画面：够不够真实、够不够高清、动态够不够流畅
- 现在开始比：重力对不对、接触稳不稳、交互能不能在物理仿真里跑下去
HSImul3R 那组"穿模率 69.51% → 22.90%"的数字，比任何画质指标都更能说明问题。因为画面的真假，眼睛能判断；物理的真假，得靠仿真器判断。当评价权从眼睛转向仿真器，这条赛道的门槛就换了一种。
三、第二个共同点：门槛在塌
- 生成一座公里级城市：从"需要专业管线"变成10 分钟 + 消费级 GPU
- 跑一个世界模型：从 14B 数据中心级，压到 1.3B 单卡实时
门槛下降的方向，决定了谁能进来。 当"生成一个可探索的世界"的成本低到一定程度，它的第一批大规模用户不会是研究机构，而是做游戏、做仿真、做内容的小团队。
关联信息与影响
第一，四条路线的分野其实是"数据从哪来"。
- 高德：二十年的时空数据（我有城市）
- 京东：供应链全流程的实体场景（我有物理世界的运营流量）
- 大晓 & LingBot：方法本身（我提供重建/生成的能力）
这解释了一个现象：做世界模型的玩家，多半不是纯模型公司。 世界模型吃的是"真实世界的数据"，而这东西买不到——只能靠年头攒。
第二，它和具身智能是同一条线的两端。
HSImul3R 想让人类视频变成机器人的技能来源；京东要采集 1000 万小时具身数据；高德的城市场景是机器人在真实世界导航的底图。世界模型的真正买家，是那些要给机器人准备训练环境的团队。
机器人没法像语言模型那样"在互联网上白嫖数据"——它需要一个能反复试错、又不损坏真实世界的地方。世界模型就是那个地方。
第三，需要泼的冷水。
- "世界模型"这个词目前还没有公认定义。 有人用它指可交互的视频生成，有人指物理仿真，有人指 3D 重建。四个发布都挂这个名字，但可比性很低。
- HSImul3R 的"最难的档位"稳定率只有 13.92%。 这已经是显著进步，但离"机器人可大规模训练"还很远——看进步幅度，也要看绝对水位。
- 京东的"10 万卡集群"目前还是规划口径。 规模承诺要看落地时间表。
未来展望
短期，判断世界模型会分成两个阵营："做场景的"（城市、game、仿真）和"做数据基建的"（为具身智能造训练场）。前者拼生成质量与成本，后者拼物理真实度和规模。
中期，两条线会合流。当生成的世界足够物理可信、成本又足够低，"在虚拟世界里训练、在真实世界里干活"会从概念变成流水线——那时候最值钱的不是模型，而是谁能定义那个虚拟世界的"物理规则"。
长期看，这里可能长出一个新的基础设施层：不是数据库、不是模型 API，而是"可被 AI 反复试错的世界"。谁提供这个，谁就掌握了具身智能的入场券。
信号强度
- 做机器人 / 具身智能的团队：HSImul3R 那条"物理闭环"思路值得直接借用——把仿真器从验收环节提到训练环节，能省掉大量返工。
- 做内容与游戏的人：1.3B 单卡实时这件事，意味着"生成一个可探索世界"第一次进入你的成本区间，值得动手试一次。
- 看行业方向的人：注意这四个发布会里都没怎么提基准分数，提的是成本、数据集规模和场景——这是赛道从"比技术"转向"比落地"的标志。
- 普通用户：你短期用不到"世界模型"这四个字。但你未来用的导航、购物助手、游戏 NPC，会先替你用上它。
聚合看这四条路线会发现两个共同信号：① 评价标准从"看起来真"转向"物理上成立"——HSImul3R 把重力稳定性、真实接触纳入核心指标，把穿模率从 69.51% 压到 22.90%；② 门槛在塌——14B 到 1.3B 单卡实时，公里级城市场景 10 分钟在消费级 GPU 上生成。世界模型正在从论文概念变成场景入口的争夺。
本文基于 AI 情报库收录的条目展开深析；事实性信息以原始报道为准，分析与展望为编辑观点。
