过去三年，通往AGI的主叙事，几乎都从语言开始：更多文本、更大参数、更长上下文、更强推理，再加上工具调用与智能体。
这条路已经证明了自己的力量。它让机器能够读写、编程、检索、规划，并开始接管一部分原本只存在于电脑屏幕里的复杂工作。
但当任务从“在网页上完成一份表格”变成“把一个灯泡稳稳拧进灯座”，问题忽然变了。机器人不仅要看见物体，还要判断手指该怎样接触、这一下转动会发生什么、拧偏了是否应该停下、下一步怎样纠正。它需要的，不只是一个能描述世界的模型，而是一套能在行动前预演后果、在行动后复盘得失的内部世界。
这正是当下AGI竞争开始出现分岔的地方。
同样脱胎于清华实验室的智谱与生数，恰好提供了两组值得观察的中国样本：前者以语言模型与智能体为核心组织能力，后者以世界生成、实时交互与世界动作模型为线索推进。它们像在同一座山的两面攀爬：一面从人类已编码的语言和知识出发，另一面从世界持续发生的变化与反馈出发。
一条路从语言出发，一条路从世界出发。地貌不同，难题不同，却指向同一座山。
而要看清第二条路究竟难在哪里，最好先把镜头从宏大的AGI拉回一双正在工作的手。
把一只灯泡拧进灯座，看上去是一个再简单不过的动作。
真正难的地方，恰好发生在最容易被忽略的一瞬间：灯泡的螺纹刚刚碰到灯座，手指需要感到那一点阻力；旋转角度偏了，玻璃会卡住；握得太紧，动作又会变形。人的手并不会先算完一长串公式再行动，它会一边看、一边碰、一边根据细小的反馈调整下一下力道。
这才是“手巧”的本质。它不是把一段动作重复得更像人，而是在每一次动作之前，能判断这样做会发生什么；在每一次接触之后，能知道自己该如何改。
今天的机器人，离这件事仍有距离。
它可以看懂“把灯泡拧上去”这句话，也可以在实验室里复刻一段训练过的轨迹。但当灯泡的位置偏了一点、手指碰到了新的材质、物体在旋转中开始打滑时，真正考验它的不是有没有一双会动的手，而是有没有一个会预演后果、理解反馈的“内在世界”。
这也是世界模型之所以成为AI新前沿的原因。
而不久前亮相的Motus2，正是生数沿着这条路线，走到“手必须真的碰到世界”这一关时，给出的一个新答案。
一、世界模型越说越乱，闭环却越来越清楚
世界模型——
不同领域正从不同入口，撞向同一个问题。
视频生成，想让模型学会世界如何随时间展开：人物转身后是否还是同一个人，镜头移动后空间关系是否依然成立，一只杯子落下时会不会遵守重力。空间智能，希望模型生成可以从不同视角检验的环境；机器人和自动驾驶，则必须回答一个更苛刻的问题：如果我向左移动两厘米、夹爪收紧一点、手腕多转五度，世界接下来会变成什么样？
表面上，它们产出的东西不同：像素、空间状态、动作轨迹。底层却都绕不开同一个闭环：智能体观察世界，采取行动，行动改变世界，新世界再产生新的观察。
今年6月，李飞飞与World Labs团队在《A Functional Taxonomy of World Models》中，给这个混乱的概念画了一张功能地图。文章从经典的POMDP框架出发，将当下被称为世界模型的系统概括为三种主要功能：输出像素观测的渲染器、输出几何或物理状态的模拟器，以及输出下一步行动的规划器。
这套分类的重要之处，在于先把“大家到底在做什么”讲清楚。
两个月后，朱军团队发布《General World Models from First-Principles》，又从另一个方向向前推了一步。
如果说前者问的是：今天被称作世界模型的系统，分别在这条链路上输出了什么？
后者问的则是：一个模型若要真正走向“通用”，这些能力应当如何在同一个循环中耦合、成长和自我修正？
这两个问题并不冲突，反而构成了理解当前世界模型的一对坐标。
李飞飞团队为行业拆开了“渲染、模拟、规划”这些功能部件；朱军团队则把视线放在部件之间如何真正转起来：模型要理解此刻的世界，预测不同条件下的未来，采取改变世界的行动，再让真实反馈进入下一轮理解与决策。
这也是朱军团队所说的通用世界模型第一性原理：理解、想象、行动，不是并列的功能标签，而是一条不能断开的因果链。
只会生成未来画面，模型仍可能只是一个“看起来很懂世界”的旁观者；只有当它的动作会改变环境，而环境又能反过来修正它下一次动作时，模型才开始成为这个世界里的参与者。
为了把这条路讲得更清楚，朱军团队将通用世界模型划分为五级：
L1是世界生成，模型学习世界如何演化；L2是与世界交互，外部输入开始持续改写后续状态；L3是在世界中行动，模型的动作进入环境，并从环境变化中获得反馈；再往上，L4是能够围绕长期目标自主感知、规划、探索和学习的世界智能体，L5则进一步走向多个机器人、数字智能体、人类与工具之间的协同组织。
这是自主性逐级解锁的路线图。
二、AGI的两条坡，不是互相替代的两套智能
文章开头所说的“分岔”，并不是大语言模型和世界模型的简单竞争，而是两种建造智能的原材料正在形成分工。
大语言模型所代表的路线，以文本、代码、符号和工具为主要材料。它关心的是，机器怎样从读懂一句话，走向组织目标、调用外部能力，并完成需要推理和协作的复杂任务。
生数所押注的，则是另一组原材料：时间、空间、视觉、动作和反馈。从Vidu的视频生成，到Vidu S1对实时交互的探索，再到 Motubrain和Motus系列对世界行动模型的推进，这条路线表面上跨度很大，底层却在反复追问同一个问题：模型能否从“生成一个看上去成立的世界”，走向“在一个会被自己改变的世界里持续行动”？
语言可以告诉机器人“把桌面收拾好”，却不会自动告诉它：杯子里还有没有水，纸张是否已经被压在书下，抽屉为什么拉不动，玻璃边缘是否正在滑出手指。即便模型能给出一段非常漂亮的任务计划，真正落到物理世界里，仍要面对距离、重力、摩擦、遮挡、形变、延迟和不可逆的失误。
视频生成，是学习世界在时间中的展开；实时交互，是让外部输入改变下一刻会发生什么；机器人行动，则把问题推到最难的一步——模型必须理解，自己的动作正在改变世界，而它必须承担这个改变的后果。
因此，智谱与生数，这一对同出清华的对照组，并不处在同一个窄赛道。
英国著名哲学家路德维希·维特根斯坦（Ludwig Wittgenstein）在《逻辑哲学论》中提出的“语言的边界意味着世界的边界”，这一论断在AI时代被赋予了新的含义。
语言模型让机器更好地理解、表达、推理并调用人类已有的知识系统；后者正在努力让机器获得对具体世界的动态理解，在行动之前预演，在行动之后校正。一个让智能拥有更丰富的语言与计划能力，一个让智能拥有更扎实的世界经验与因果感。
这是AGI的南北坡：有人沿着语言和符号向上，有人沿着时空和行动向上。峰顶未必近在眼前，但两条路都已经不能缺席。
三、生数跑出AGI另一条进化主线，从生成世界，到在世界中行动
我们可以以生数科技的布局为例，来拆解通用世界模型到底为什么重要。
正如前文所述，AI要真正进入真实世界，不只要生成看起来合理的内容，还要理解物理世界的状态与变化，并知道自己的动作会带来什么后果。
基于这一行业底层逻辑，生数科技关注的的核心判断是并不是“生成了多少虚拟世界”，而是能否将理解、预测、行动与反馈，形成一套可验证、可持续迭代的闭环。
沿着朱军团队将世界模型进化拆解为的五个层级，Vidu让模型学习世界如何演化，Vidu S1让外部输入可以持续改变后续状态，Motus与Motubrain则把问题进一步推到“模型的动作会如何改变世界”。
最新的Motus2，是这条链路在灵巧操作上的一次推进：同一套共享参数模型既提出候选动作，也预演行动后果、评估哪一步更接近目标，并将反馈用于改进下一次选择；结合第一视角人类数据、机器人域适配与触觉反馈，它试图让机器人不只会模仿一个动作，也开始理解行动后果。这仍是从L3向更高自主性迈出的一步，而非终点。
在刚刚举办的2026外滩大会上，生数科技联合创始人、CEO骆怡航预告发布了面向灵巧操作的自进化通用世界模型Motus2。
相比此前更多关注“如何理解环境、预测未来并生成动作”，Motus2进一步将Evaluation和Feedback显式纳入统一模型。模型不仅可以决定下一步动作，还可以预测动作可能带来的结果，并判断这个结果是否更接近任务目标，再利用反馈优化后续策略。
由此，机器人开始形成一套更完整的闭环：行动、预测、评估、反馈，再行动。世界模型正在从“会行动”，进一步走向“能够根据行动结果修正自己”。
从五级路线来看，Motus2仍然建立在L3“在世界中行动”的能力之上，但已经开始探索自主评估、自主反馈和策略优化，可以看作生数科技向L4“自主世界智能体”迈出的一次初步尝试。
而回到更现实的商业和产品层面，生数科技目前已经通过三类核心模型，将通用世界模型的不同能力逐步转化为真实生产力。
第一步是生成世界，这也是生数科技Vidu Q3的核心价值。
具体来看，其模型支持单次生成最长16秒视频，实现音频与画面同步生成，还能支持多人对话、切镜和多镜头叙事，以及中、英、日多语言文字与视频一体生成，可应用于漫剧、短剧、广告和影视创作。
生成世界是第一步，想要理解世界还需要让其具备可交互、可修正、可实时迭代的能力。
这也是生数科技的另一张王牌Vidu S1，其一改此前AI视频一次性生成、不可更改的模式，让其能在生成过程中持续接收语音、理解新指令，并实时生成后续画面。
世界模型的最后一公里，是能落地物理世界、完成真实行动，世界动作模型Motubrain承担的就是让AI落地的任务。
该模型可以以一个通用大脑驱动多种机器人理解、预测并行动于世界，其采用语言、视频、动作三流Mixture-of-Transformers（MoT）架构，将场景理解、世界状态预测与动作生成放进统一框架，支持吸收纯视频、无任务标签数据和完整机器人轨迹等异构数据。
纵观生数科技整套布局，其底层逻辑很明确，通过视频体系解码世界的空间、时间、物体与运动规律，通过具身智能体系将同一套规则认知转化为物理行动，然后让两者互相优化，把AI理解、想象、行动的闭环真正跑通。
四、一套跨越十余年的AI人才布局，托举起生数科技的AGI叙事
生数科技的发展路径，本质是一场立足AGI本质的长期主义技术坚守。
当下AI已告别粗放式的模型参数竞赛与同质化的“百模大战”，行业共识逐步回归技术本质，世界模型等成为头部大模型玩家的核心研究方向。
在这一行业大背景下，生数科技长久坚持的技术路线，契合了全球AGI发展的核心逻辑。
其创始人朱军师承中国人工智能奠基者张钹院士，深耕概率机器学习、生成模型、强化学习与世界智能，他是国内最早系统性深耕概率机器学习、生成模型、强化学习与世界智能领域的顶尖学者之一，同时是国内极少数同时拿下IEEE、AAAI、ACM三大国际学会Fellow的青年计算机科学家。
长期以来，他研究的重点都围绕“机器如何在不确定的世界中形成理解、预测未来，并依据反馈采取行动”展开，这也为当下生数科技“以世界建模为AGI原生底座”的核心路线，奠定了学术基础。
此外，底层基础算法的突破，最终需要依托长期稳定、体系完整的科研团队落地实现。朱军的科研团队，已成长为全球世界模型领域重要的力量，在技术、人才培育等多个维度形成深厚积累。
首先是学术成果，朱军团队提出的免训练推理算法Analytic-DPM、DPM-Solver，获得ICLR杰出论文奖，并被OpenAI、苹果、Stability.ai等机构采用，同时被应用于DALL·E 2、Stable Diffusion等全球知名AI生图工具中。
其次是人才方面，朱军搭建起国内稀缺、接轨全球前沿的AI人才培养体系。多年来，朱军的学生大批量跻身全球顶级AI实验室，成为全球AGI研发的核心骨干。
其中，扩散模型领域奠基者之一、Meta超级智能实验室研究负责人宋飏，前Luma AI首席科学家宋佳铭本科都在朱军组里接受科研训练。
长期的技术坚守与科研沉淀，最终获得产业与资本市场的双重认可。生数科技先后获得阿里云、蚂蚁集团、百度等多家行业头部企业投资。
结语：中国AGI的新次序，不是复制一条路
将视野从一项模型、一家公司拉回到中国AI的整体版图，会看到一个正在形成的结构。
过去，中国大模型最容易被追问的是：谁会成为“中国版OpenAI”？这个问题带着一种默认前提——通往AGI的路线已经由别人画好，中国只需判断谁跟得最快。
今天，这个前提正在失效。
当智谱持续把语言、代码、工具和Agent做成机器理解与调用人类知识的基础设施；当生数从视频生成、实时交互走向世界行动模型，把时空、物理与行动后果纳入同一条技术路线，中国团队开始不是在一条既定跑道上追赶，而是在AGI最难的两类问题中，分别形成自己的原生探索。
通往AGI，缺的从来不是一个更响亮的标签，真正的技术自信，也从来不是一句“中国必胜”的口号。
它是当世界还在争论AGI应该怎样定义、世界模型究竟包含什么时，中国的团队已经能够提出自己的问题、给出自己的理论语言、构建自己的模型，并在真实任务里把这些判断一一拿出来验证。
他们当然不是中国AGI的全部，但它们所代表的方向已经足够清楚：一支登山队从语言和符号出发，试图让机器掌握人类积累的知识与工具；另一支登山队从时间、空间和行动出发，试图让机器在真实世界里形成因果感、反馈感与手感。
两条坡，也许会在峰顶相遇。
到那时，智能不只会谈论世界，也能在行动前看见未来；不只会生成一个看起来正确的结果，也能在每一次接触、失手和修正之后，变得更理解世界。
中国AI最值得被看见的变化，也许正在这里：它不再只是在山脚等待一张从海外传来的路线图，而是开始在南北两坡，同时刻下自己的足迹。
