對話崑崙萬維方漢：世界模型“算賬邏輯”之下，異構數據才是具身智能的解藥

崑崙萬維的方漢近日在一場對談中，針對當前人工智慧領域的技術發展趨勢提出了深刻觀察。他指出，無論是大型語言模型逐漸走向收斂，還是世界模型逐步統一於 DiT 架構，技術底層的邏輯已經變得日益透明。這意味著，過去靠模型架構創新所建立的競爭壁壘，正在快速瓦解，取而代之的是更為務實的資源與執行力競爭。 方漢進一步解釋，所謂「世界模型」的建構，本質上是一道嚴格的算賬邏輯。企業必須在有限的資金與硬體條件下，設法以最有效率的方式處理數據、訓練模型，並在應用場景中驗證其價值。當模型架構不再是秘密，誰能更快、更準確地掌握數據，誰就能在演算法效率與成本控制上取得領先。 在這樣的背景下，方漢特別強調了異構數據的重要性。他認為，異構數據才是解決具身智慧難題的關鍵解藥。所謂異構數據，指的是來自不同來源、不同模態的數據，例如視覺影像、語音訊號、觸覺反饋，甚至環境中的感測器資訊。這些數據類型各異、格式不一，但唯有將它們有效地整合與清洗，才能讓機器在真實世界中具備感知、推理與行動的能力。 方漢指出，當前許多團隊在開發具身智慧模型時，仍過度依賴單一模態的數據，或是只專注於模型結構的設計。然而，真正的瓶頸往往不在於模型有多深、架構有多新，而在於能否處理來自真實世界的多源、多模態數據。這些數據往往雜亂無章，充滿雜訊，需要投入大量心力進行清洗、標註與對齊。 他進一步說明，數據清洗能力已成為企業的核心競爭力之一。當數據來源繁雜，如何從中篩選出有效資訊，並將其轉化為可訓練的格式，是一項極具挑戰的工程。這不僅考驗團隊的演算法功底，也考驗其對資料工程的理解與執行力。 除了數據清洗，演算法的迭代速度同樣是決定成敗的關鍵。方漢認為，在技術快速演進的時代，靜態的模型根本無法應對動態的環境。企業必須建立一套快速迭代的機制，能夠在短時間內測試不同方案、修正錯誤，並將有效的成果迅速部署到實際應用中。 然而，快速迭代並非沒有代價。方漢直言，這背後需要雄厚的資金支持與穩定的硬體供應。無論是採購大量的 GPU 運算資源，還是維持一支高水準的研發團隊，都需要持續投入。這也意味著，未來能夠在具身智慧領域站穩腳跟的企業，勢必是那些同時具備技術實力與資源儲備的玩家。 從更宏觀的角度來看，方漢的觀點實際上是對整個 AI 產業競爭格局的重新定義。過去幾年，業界普遍將注意力集中在模型架構的創新，例如 Transformer、擴散模型等。但隨著技術逐漸成熟，這些架構的差異正在縮小，真正的護城河開始轉向數據、算力與工程執行力。 在此趨勢下，企業的戰略思維也必須隨之調整。方漢建議，與其花費大量精力追趕最新的模型架構，不如先將基本功打好：建立完善的數據管道、提升數據清洗與標註的效率、優化訓練流程，並確保硬體資源的穩定供應。這些看似平淡無奇的細節，往往才是決定專案能否落地的關鍵。 他同時提醒，具身智慧並非單靠大型語言模型或世界模型就能解決。人類在真實世界中感知與行動的能力，是建立在多種感官資訊的融合之上。機器若要達到類似的表現，就必須學會處理異構數據，並從中提煉出具有因果關係的知識。 方漢的這番談話，也呼應了業界近期對「世界模型」的討論熱潮。所謂世界模型，是指能夠模擬物理世界因果關係的模型，它不僅要懂得語言，還要理解空間、時間、物體互動等基本規則。然而，要訓練這樣一個模型，所需的數據量與運算資源極為龐大，這也讓「算賬邏輯」變得格外重要。 在方漢看來，那些能夠在數據清洗與演算法迭代上持續優化的團隊，即使起步較晚，仍有機會後來居上。因為技術的門檻正在降低，而數據的價值正在提升。誰能掌握更多、更優質的異構數據，誰就能在具身智慧的賽道上取得領先。 總的來說，方漢的觀點為當前 AI 產業提供了一個務實的視角：在技術架構趨於透明化之際，企業必須回歸基本功，將資源集中在數據處理、演算法迭代與資金籌措上。異構數據不再只是技術問題，更是一道戰略選擇。唯有在這些方面建立起真正的競爭壁壘，才能在未來的世界模型競賽中脫穎而出。