世界模型：AI时代的物理交互与数字文娱生产方式重构【中泰传媒互联网】

报告摘要

世界模型有望成为AI理解真实世界的新基础，推动能力由内容生成向环境预测与交互延伸。

世界模型依据当前状态与拟采取的动作预测下一状态，将物理规律、空间结构、时序连续性与行为后果纳入表征体系，为智能体比较行动方案、开展规划与仿真提供支持。其具有全模态感知、多维异步处理与局部观测三项基本属性，应用沿环境推理、数据生成、环境模拟与模型底座四条路径展开，覆盖自动驾驶、机器人、游戏娱乐及工业和智慧城市等场景。2025年全球AI世界模型市场规模为18亿美元，预计2035年达到527亿美元，2026-2035年复合增速达40.2%。

三类模型融合推动物理AI发展，机器人与自动驾驶构成重要需求基础。

物理AI的建模方式由显式规则编程转向数据驱动，视觉语言模型（VLM）承担感知与场景理解，视觉语言动作模型（VLA）连接视觉、指令与动作生成，世界模型提供关于物理规律、物体动态与行动后果的内部模拟，三者逐步融合为互补组件。算力、智能体、物理模型、物理理解与开源的进步共同推动产业发展，数据、仿真及计算控制等技术栈的成熟度决定系统可靠性与集成成本。机器人是当前物理AI最大的细分类型，其2025年市场占比为46.9%；国务院发展研究中心产业部研究预计，中国具身智能市场有望于2030年达到4000亿元、2035年突破万亿元。

生成能力进入玩法与内容生产，互动应用与数据服务拓展商业化空间。

视频世界模型从画面生成升级为实时交互与环境预测，3D世界模型通过原生3D/4D表征，支持可编辑、可探索的空间生成。结合Agent与规则系统，生成能力开始进入玩法与内容生产：CineMap将空间搭建、共同创作与虚拟拍摄结合；《Pack&Pin》将生成式3D融入收集、装扮、展示与社交；字节跳动内容开发及平台可分别围绕玩法设计、创作者生态与分发拓展应用。在数据侧，真实数据承担基础分布打底，合成数据解决长尾、边界、隐私与规模化供给瓶颈，逐步成为关键训练数据源。

头部厂商形成差异化布局，实时交互、三维空间生成与物理AI应用并行推进。不同厂商在实时交互、3D资产编辑、通用模拟及物理AI底座等方向各有侧重：

Google Genie 4通过原生音视频生成、实时场景编辑及与Gemini协同，探索实时交互世界模拟；
World Labs依托Marble、Atlas与Frameboy，从三维世界生成走向实时空间交互；
腾讯以HY-World系列模型沉淀可编辑3D资产，强化实时交互，覆盖内容生产与体验；
字节同时布局娱乐仿真与具身智能，并通过“造世界”连接抖音、多闪的空间创作和社交分发；
NVIDIA Cosmos整合物理推理、世界生成与动作生成，配套数据、后训练及评价工具，服务机器人、驾驶和工业开发。

投资建议：
关注平台生态、基础模型协同与互动应用三条路径，建议关注：

腾讯控股的混元世界模型可结合游戏与社交生态，拓展内容生产及用户共创；阿里巴巴可通过实时生成与交互应用，带动模型调用和云服务需求；
智谱、MiniMax的语言推理及多模态能力可与世界模型协同，拓展智能体、虚拟角色和互动娱乐应用；
春光科技穿透持有光环鲲维51%股权，后者已推出《Pack&Pin》并开启Beta测试，关注其在世界模型与生成式3D驱动的UGC互动游戏领域的探索。

风险提示：技术迭代不及预期风险、商业化落地不及预期风险、数据供给与合规风险、行业竞争加剧风险、政策监管风险、测算偏差和数据更新不及时的风险等。

范式演进：世界模型有望成为AI理解真实世界的新基础
大语言模型的能力边界：LLM掌握统计相关，而非因果关系
大语言模型通过预测下一个Token掌握文本统计规律，但这一能力并不等同于因果理解。大语言模型以文本序列为学习对象，依据已有上下文逐步计算后续Token的概率，由此习得词语、概念与表达之间的关联并生成连贯内容。这一机制能够刻画事物共同出现的规律，却不直接回答“变化为何发生”以及“改变条件会带来何种结果”，后者属于因果理解的范畴。
语言之外的现实经验，是认知世界更直接的来源。维特根斯坦提出“我语言的局限就是我世界的局限”，指出了语言边界的存在：语言虽承载海量知识，但对环境的感知、运动与交互经验无法由文本完全覆盖。世界模型正是针对这一缺口，学习环境演化规律与动作—环境之间的因果关系，使人工智能得以在内部构建涵盖物理规则、空间结构、时序连续性与行为后果的表征体系。
世界模型本质是动力学系统，依据当前状态与动作预测下一状态，把行动后果纳入可计算框架。它根据当前状态st和拟采取的动作at，通过参数为θ的模型预测下一时刻的状态：
面对环境的随机性和观测信息的不完整，世界模型可以预测多种未来状态及其发生概率。模型由此构建可供规划使用的未来分布，帮助智能体模拟不同动作的后果、比较行动方案，并选择适合当前任务的操作路径。
世界模型形成理解到预测的能力闭环
世界建模受制于感知方式、信息节奏与观测范围，对应全模态感知、多维异步处理与局部观测三项基本属性。世界模型对现实环境及其运行规律建模，需要在有限算力与观测范围内理解真实系统，并随环境变化持续更新。其属性可从三个层面理解：

全模态感知：统一处理图像、声音、温度、振动等不同类型的数据，形成对环境的综合理解。
多维异步处理：不同传感器的采样频率和更新时间各不相同，模型需要整合这些不同步的信息，判断系统的整体状态。
局部观测：智能体通常只能感知环境的一部分，需要根据有限信息推断系统状态，并考虑观测范围之外的因素带来的影响。

世界模型围绕“理解状态-解释原因-预测变化”形成能力闭环，并通过持续适应保持对真实环境的有效性。以一台运行中的设备为例，模型首先识别其运行模式、判断是否存在异常，进而分析异常的形成原因，并预测设备后续变化，构成由理解到预测的完整链条。
真实环境并非静止，设备老化、环境变化与新型故障都会改变系统状态。世界模型需要结合实时数据持续修正对具体场景的理解，并在接入新传感器或新类型数据后保持稳定运行，这一持续适应能力是其落地的前提。
总体而言，世界模型依据当前状态推演未来变化，为规划与决策提供依据，本质是理解现实世界动态（含物理规律、时空关系与环境属性）的人工智能系统；其输入涵盖文本、图像、视频、声音与运动，输出则是对后续变化的预测。
世界模型落地集中于四大关键场景
世界模型沿环境推理、数据生成、环境模拟与模型底座四条路径，落地集中于四大场景。在功能层面，世界模型既对复杂环境进行推理分析，也生成、增强并整理高质量训练数据，同时模拟训练与评估环境，并作为构建专用模型的基础。分场景看：

自动驾驶汽车：生成覆盖不同天气、道路和传感器配置的训练数据，模拟罕见事件与极端情况，支持驾驶系统的训练和测试，并开展场景理解与动作预测。
机器人技术：生成涵盖物体变形、环境变化和异常情况的训练数据，通过模拟环境训练和评估行动策略，学习适配特定机器人或跨机器人通用的动作能力。
游戏与娱乐：批量生成场景、动画、视频和动态素材，构建随玩家行为持续演变的交互世界，赋予虚拟角色感知、推理、规划和行动能力。
工业和智慧城市：分析视频与传感器数据，识别设备缺陷、安全风险、交通模式及人群行为，推断异常原因和后续变化，支持生产、交通及公共安全决策。

除关键场景外，世界模型在国防、医疗等领域的落地潜力同样明确，且对应可持续的付费模式：

国防战场模拟：军事场景建模和自主系统训练使得政府采购不再受商业人工智能市场周期的影响；
工业数字孪生智能：面向制造数字孪生的世界模型预测层，可实现企业采购的可衡量运营效率投资回报率；
物理AI基础设施：NVIDIA Cosmos和竞争平台的采用，促使企业从物理AI开发组织采购AI基础设施；
医疗手术模拟：临床手术世界模型模拟创建医疗教育和机器人手术培训采购，并满足安全资质要求；
基础模型许可：世界模型API和平台许可为服务于不同企业应用领域的前沿模型开发者创造了持续的收入来源；
合成数据服务：为人工智能训练提供托管合成数据生成服务，可为缺乏内部能力的组织创造专业服务收入以及平台许可收入；
边缘世界模型部署：用于实时机器人和自主系统应用的设备端世界模型推理，通过边缘AI基础设施投资实现硬件采购。

高景气需求驱动市场扩张与学者型创业
机器人企业的自研与采购构成持续需求，世界模型未来十年40.2%的复合增速指向高景气赛道。世界模型为下一代人工智能提供预测、规划与环境响应能力。机器人借助模型预判动作结果、模拟并规划操作步骤、在意外发生时推理调整，其机制与人类依据物理常识判断行动后果相似，因此成为人形机器人、自动驾驶与工业人工智能商业部署不可或缺的组成。
目前机器人企业对世界模型的投入，正在形成持续的市场需求。波士顿动力、Agility Robotics和Figure AI均在自研或采购世界模型能力，将其作为机器人系统的关键基础设施。根据数据显示，相关采购需求推动市场扩张，预计未来十年的市场规模复合年增长率达40.2%。
市场结构可从五个维度划分，反映产业链的不同环节与客群：

按组件划分：基础世界模型、培训平台、仿真引擎、合成数据平台、开发框架、专业服务、托管服务；
按模型类型划分：视觉世界模型、视频世界模型、多模态世界模型、基于物理的世界模型、空间世界模型、生成式世界模型；
按部署方式：云端、本地、边缘；
按应用领域划分：机器人、自动驾驶汽车、物理人工智能、工业自动化、数字孪生、航空航天与国防、智慧城市、医疗保健模拟；
按最终用户划分：科技公司、汽车OEM厂商、制造公司、国防组织、研究机构、云服务提供商。

世界模型创业吸引了多位学术积累深厚的研究者，创始年龄普遍高于AI独角兽创始人的平均水平。杨立昆和李飞飞创办公司时分别为65岁和48岁；香港大学马毅教授51岁创立忆生科技，加州理工学院Anima Anandkumar教授44岁创立Accelerated Understanding，清华大学朱军教授40岁创立生数科技。相对年轻的加州大学圣地亚哥分校助理教授黄碧薇和清华大学副教授封硕，创业时也在35岁左右。根据Antler2026年的统计，AI独角兽创始人在创立公司时的平均年龄为29岁。
物理AI：三类模型融合推动智能进入物理世界
建模路线由显式规则转向数据驱动
物理AI的建模方式由显式规则编程转向数据驱动，使系统能够应对现实环境的复杂变化。能力更强的下一代AI系统或将同时调用语言模型与世界模型：前者承担指令与解释的接口功能，后者负责规划并推演行动后果。世界模型在此被定位为内部模拟器，使系统在行动之前即可检验不同方案，并区分物理世界与虚拟／社会世界两类建模对象。
早期物理AI依赖对物理规则的显式编程，在游戏引擎与早期机器人模拟器等受控环境中表现良好，但在现实世界不断变化、难以预测的场景下则力有不逮。世界模型转而采用现代架构与训练技术，从数据中学习真实世界的动态特性，从而实现对世界的精确模拟。
物理AI意味着系统由仅存在于数字环境，转向能够在物理世界中感知、推理与行动，人形机器人、自动驾驶汽车与无人机是典型载体。这一演进标志着人工智能商业化进入下一阶段，智能的落点由软件与数字输出（如聊天机器人、内容生成），延伸至能够操控环境、带来现实生产力提升的机器。
三类模型融合构成物理AI完整架构
VLM负责感知、VLA负责执行、世界模型负责推演，三者融合构成物理AI的完整架构。美国银行研究院将三类模型共同列为物理AI的组成部分。视觉语言模型（VLM）承担感知与场景理解，视觉语言动作模型（VLA）连接视觉、指令与动作生成，世界模型则提供关于物理规律、物体动态与行动后果的内部模拟，服务于结果预判、多步骤规划与仿真验证。
上述模型架构最初沿独立路径发展，如今正逐步融合为物理人工智能的互补组件。这种综合智能被视为实现通用机器人技术的关键，推动物理人工智能更接近可规模化的商业现实。与多模态LLMs类似，世界模型通过结合多个数据源来模拟现实世界的行动和结果，并输出3D内容。
五大技术进步支撑物理AI规模化
算力、智能体、物理模型、物理理解与开源五方面进步，共同支撑物理AI规模化落地。人工智能模型、芯片、传感器、电池与制造能力在成本下降的同时性能持续提升，共同推动具备实时观察、决策与行动能力的机器发展，并在机器人、自动驾驶、无人机及更广泛的人工智能基础设施领域，这些进展正在释放有望达到数万亿美元规模的机遇：

计算与数据：模型架构的进步需要海量的计算能力和数据。尽管存在局限性，扩展定律依然成立:随着数据和计算能力的增加，模型性能会提升。为了补充有限的现实世界交互数据，合成数据生成正在迅速扩展，为物理任务提供更丰富的训练信号。
智能体人工智能：新型人工智能系统正变得更加自主，能够自行收集信息、开展研究、规划并模拟结果。这些能力使模型能够在需要时进行“推理时计算”，通常是在边缘端，从而实现更具适应性和情境感知的决策。
物理人工智能模型：能够理解和运行于现实世界的人工智能系统正在加速发展，这得益于超越传统语言学习模型(LLM)的模型。例如，视觉-语言-动作(VLA)模型整合了感知、推理和运动控制，为机器理解其环境奠定了基础。
人工智能对物理的理解：为了让人工智能在真实环境中安全有效地运行，它必须掌握物理和自然规律。新兴的“世界模型”正在开始提供这种理解，使系统能够预测物体的行为、预判结果，并与物理世界可靠地交互。
开源模型：开源模型是公开且免费可获取的，这意味着任何人都可以访问和/或修改它们，从而提高了透明度、促进了协作并实现了更广泛的获取。这种广泛的参与加速了实验进程，降低了进入门槛，并加快了新技术的开发，这些技术直接推动了人工智能的实际进步。

五层技术栈决定系统可靠性与成本
物理AI部署依赖五层技术栈协同，各层成熟度共同决定系统可靠性与集成成本。物理AI的技术成熟度曲线将相关创新划分为五个相互关联的层级，各层级共同决定系统的可靠性与集成成本：

物理系统将人工智能带入现实世界：自动驾驶汽车、移动机器人和无人机的商业场景与运行环境较为清晰，有望成为近期应用最广泛的领域。多功能机器人受到广泛关注，其大规模普及仍取决于通用自主能力在训练、验证、控制和扩展方面的突破。
智能模型和技术实现自主性：视觉基础模型、多模态人工智能和具身智能技术，通过提升环境感知与行动规划能力，推动系统自主性发展，并结合智能仿真验证方案的安全性和效率。神经符号人工智能、物理人工智能代理等高级能力，仍需解决不确定环境下预测与规划的验证难题。
数据和仿真基础支持部署：物理人工智能的规模化需要结合真实数据、远程操作和仿真训练。数据平台、仿真孪生体和世界模型支持部署前的训练、测试与优化，同时需要缩小仿真与现实的差距，提升系统对环境变化的适应能力。
计算和控制基础设施确保可靠性：物理人工智能对低延迟、运行韧性和本地决策的要求，使基础设施成为部署的关键条件。近期发展将依赖边缘计算与多传感器架构，让感知、决策和控制靠近运行现场，在环境变化或网络连接减弱时保持稳定运行。
运行安全和协调支持规模化：随着应用扩展至车队、设施和工作流程，系统需要完善协调、治理与监督机制，并具备故障安全设计和网络物理安全措施。机器人任务编排与管理平台、机器人网络安全、群体智能及IT/OT集成，共同提升系统的可观察性、可治理性和互操作性。

从机器人视角看产业化前景
机器人是当前物理AI规模最大的产业载体，融资升温与中国市场规划共同印证扩容。根据Fortune Business Insights数据，将物理AI分为机器人、自动驾驶车辆与机器、视觉AI与智能空间等类型，估算2025年机器人占物理AI市场的46.9%，为最大细分类型，是目前支撑物理AI的主要产业空间之一。
根据CB Insights数据，机器人基础模型开发商的股权融资交易由2021年的3笔增至2025年的32笔；机器人硬件及软件企业2025年融资约407亿美元。前一数字对应机器人基础模型企业的交易数量，后一数字对应更广的机器人硬件和软件企业融资。
根据国研中心产业部数据，国务院发展研究中心官网2026年6月刊载的产业部研究报道预计，中国具身智能市场有望在2030年达到4000亿元人民币，2035年突破1万亿元。其定义包括人工智能软件与物理硬件结合，实现感知、认知和执行，形态涵盖机器人、自动驾驶车辆及无人航行器等。
细分应用：互动内容与数据服务率先承接红利
视频世界模型：升级为实时交互系统
视频世界模型把视频视为时序观测，能力由画面生成升级为实时交互与环境预测。若将视频视作动态世界在时间维度上的局部观测投影，视频世界模型从观测中推断环境状态，结合动作反馈与新增观测，完成世界状态的预测与迭代更新。模型框架包含读取、生成、共享、交互四大模块，研究边界由单视频识别、画质生成，拓展至持久环境状态维护、可控时序演化、交互闭环以及下游决策任务。
该范式将理解与生成统一于世界建模视角：理解环节从视频还原空间、时序、物理与因果信息；生成环节依托文本、图像、视频、动作等条件输出后续观测；交互环节接收动作输入并实时更新预测。能力验证覆盖具身感知、自动驾驶、机器人与交互式环境，同步考量画面呈现、世界状态一致性与下游任务执行效果。
以Runway GWM Worlds2为例，其将环境、人物、材质、光照、声音和行为规则组织为持续的世界上下文，再接收带时间戳的动作及逐帧相机移动。文字可以指向角色，也可以指向场景，控制角色动作、台词、天气和物体变化；相机输入控制观察位置与方向。每次输入都参与后续生成，据此可落地交互娱乐、虚拟角色、机器人及具身智能体仿真等用途。
3D世界模型：支撑可编辑空间生成
真实场景的三维属性要求原生3D表征，以支撑可编辑、可探索且满足物理约束的空间。世界模型是未来人工智能与机器人领域的基石，其目标在于理解、表征并预判智能体所处的动态环境。VAEs、GANs、扩散模型与自回归模型等生成技术显著提升了模型的生成与预测能力，但现有进展仍主要围绕图像、视频等二维数据展开。真实场景本质上是三维动态空间，更依赖原生3D/4D表征完成推理，典型形式包括RGB-D图像、占据栅格、激光雷达点云及其时序序列。此类模态内含显式几何与物理约束，对自动驾驶、机器人等具身且高安全要求的系统尤为关键。
除原生3D/4D表征之外，世界模型的相关研究还包括两个方向：

一类围绕视频、全景图或网格数据，探索通用的视频及网格规模化生成；
另一类聚焦3D资产制作，强调可控、高保真的物体生成。同时，英伟达、Google DeepMind和Meta等企业已启动面向实际应用的世界建模项目，覆盖交互式机器人、沉浸式仿真和大规模数字孪生等场景。

以Marble为例，其支持文字、图像、视频和粗略三维布局输入，用户可对生成空间进行编辑、扩展与组合，并将其导出为3D高斯泼溅（3DGS 由大量具有位置、大小、方向、颜色和透明度等参数的椭球状单元构成的三维场景数据）或视频，用于后续编辑与制作。腾讯HY-World2.0同样支持提供网格、3D高斯泼溅和点云（由大量空间点组成的三维场景数据）等输出，并适配Unity、Unreal Engine等工具，便于开发者将生成结果接入既有的三维制作流程。
游戏与互动娱乐：生成能力进入玩法与内容生产
世界模型与Agent、规则系统组合，使生成能力进入玩法与内容生产，内容开发商与平台共同受益。生成能力进入游戏玩法，关键在于让玩家操作能够持续、实时地改变游戏世界。在“动作-状态-观察”循环中，玩家输入操作，系统依据规则更新世界状态，再生成对应画面；操作产生的变化还需在后续交互中保留，使玩家能够连续探索、行动并获得反馈。因此，面向游戏的世界模型需要同时支持动作控制、状态演变、前后一致和实时响应，让生成的世界具备可持续游玩的交互逻辑。世界模型有望将AI生成从素材制作延伸至游戏运行过程，为开发商拓展场景、角色与玩法的制作方式，也为平台丰富用户可创作、可参与的互动内容。
a16z将交互世界视为新的叙事方向，展望玩家通过自然语言创建具有特定交互功能的物体，并与其他用户共同构建持续演化的环境。其商业展望涵盖创作者通过制作资产、引导新用户或开发交互工具获得收入，以及将生成世界用于智能体与机器人训练。
在应用承接上，世界模型与Agent、规则系统组合形成互动体验。PixVerse公开的游戏系统将实时世界模型、规则引擎与AI Agent分层组合：

世界模型依据游戏状态生成环境与画面；
规则引擎管理任务目标、资源、事件条件与胜负；
Agent协调玩家输入、游戏状态与内容呈现。

创作者负责设计规则与体验，应用则把模型生成组织为具备目标、反馈与连续性的娱乐内容。
在玩法扩展上，生成内容开始进入玩家的游玩过程。Roblox推出的4D生成功能，玩家可通过提示词生成可驾驶汽车等具备行为的物体。在《Wish Master》早期测试中，玩家生成的4D物体超过16万个，开发者披露参与4D生成的玩家平均游玩时长增加64%。
在平台承接上，创作者扩容之后，分发与商业化负责连接新增供给。Roblox披露，Build测试以来已有超过50万名用户使用、发布超过7万款游戏，其中超过75%的Build用户此前从未打开过Roblox Studio。公司同时指出，随着软件与内容创作门槛下降，分发、用户聚合、商业化、内容发现与安全将成为增长关键。
除头部平台外，UGC三维资产生成也在落地。Tripo与网易《蛋仔派对》探索用户上传道具图片、生成3D资产并用于地图与世界创作；开发者作品《LEBOT》还允许玩家通过摄像头或上传图片生成定制3D机器人，并将其用于横版街机对抗玩法。
我们认为，世界模型的产业价值将随应用层完善，向游戏、娱乐与社交生态延伸。环境生成与Agent、规则系统相结合，能够扩大互动内容供给，并让用户在消费过程中参与创造，具备内容设计能力的开发商可探索新玩法与互动叙事，拥有创作者、用户关系与分发体系的平台则可承接新增供给、拓展内容消费与商业化空间。相应受益方向包括AI创作及互动应用、游戏与娱乐内容开发商，以及连接创作、社交与分发的平台生态。
社交互动：多人共享世界与三维片场
多人共享世界把生成内容转化为社交载体，用户由共同观看走向共同改变，共同创作与虚拟片场等新场景持续涌现。从共同观看走向共同改变，生成内容正成为社交互动的载体。世界模型的社交应用已出现多人共同输入、共享生成内容的产品形态。
以CineMap以例，CineMap是TapNow推出的3D世界引擎。用户以自然语言与Agent对话，搭建街道、房间等三维场景，并持续添加建筑、人物、调整布局；在此基础上设置机位与运镜，先预演、再生成影像。所搭建的场景可保存并反复调用，延续至下一支短片或下一集故事，支撑用户围绕同一空间持续创作。
在模型供给上，TapNow平台已接入World Labs的Marble世界模型，支持以文字、图像等输入生成并编辑三维世界；后续视频制作可选用字节 Seedance 2.5等模型，将场景预演衔接至成片生成。
在互动方式上，官方演示支持以语音改变环境、加入虚拟居民，并邀请好友进入同一片场共同搭建。用户还可拿起手机在虚拟片场取景，使生成空间同时承接共建与拍摄活动。
字节的社交入口：可游玩空间进入抖音与多闪分发。抖音已将3D空间创作与社交分发相连接。2026年6月，抖音在火山引擎FORCE大会亮相 “造世界”，其集成多个Agent，创作者通过多轮对话、素材搭建与场景编辑生成可发布、可游玩的空间。该工具主要服务 “多闪仔仔世界”，作品完成后可进入抖音与多闪的社交及推荐分发场景，形成创作、发布、游玩与传播的产品链路。
多闪现有的互动功能围绕好友关系与虚拟身份展开：用户上传照片生成3D卡通形象，进入 “多闪世界” 与艺人官方虚拟形象互动，共同养成的 “小火人AI精灵” 为好友聊天提供话题。中文分析将共同养成、聊天火花与持续沟通习惯相联系，我们认为，AI的介入可降低互动门槛、增强交流趣味性与粘性。
《Pack&Pin》：生成式 3D 正从开发工具下沉为玩家可直接调用的玩法能力，UGC 内容生产与社交互动的边界进一步拓宽。春光科技控股的光环鲲维，在2026年11月6日推出《Pack&Pin》并开启Beta测试。该产品以二次元“痛包”文化为主题，围绕徽章、玩偶与挂件的盲盒收集、痛包设计及走秀展示组织玩法，并将世界模型与生成式3D作为技术方向，使玩家在装扮与社交过程中参与周边与空间内容创作。生成能力进入道具、布局与舞台三个环节：

道具：内置AI意图与3D泛化引擎支持周边配件实时生成、材质动态变换和位置微调，空间布局能力辅助痛包内部的透视与网格排布；
布局：生成式3D资产管线扩充徽章、玩偶及挂件等收集内容；
舞台：Runway Fashion Show则以世界模型驱动的场景状态调整舞台背景、氛围和灯光，把个性化装扮接入走秀展示和社交体验。

开发端同时采用AI辅助工具，覆盖空间结构设计、系统架构搭建与二次元视觉样式制作，团队将开发重点放在玩法调优和社群体验。该产品将“收集-装扮-展示-社交”组织为连续玩法，AI既参与开发制作，也参与玩家使用的道具与场景内容生产。
我们认为，CineMap为世界模型的互动社交应用提供了参照：可生成、可修改、可复用的空间，能够成为好友共同创作与活动的载体。字节的 “造世界” 已连接抖音、多闪的创作与分发场景未来若进一步结合实时世界模型，用户有望由观看、分享视频，延伸至共同搭建空间、参与剧情与游玩。其中抖音承接内容发现，多闪承接好友互动，有望通过共同经历增加交流与重复访问，拓宽游戏、娱乐与社交生态；《Pack&Pin》提供了世界模型在 UGC 游戏平台落地的具体样本：生成能力不再局限于开发提效，而是直接进入玩家可感知、可操作的道具与场景环节，并与收集、装扮、展示、社交的玩法闭环结合。
视觉与互动数据：合成数据是世界模型训练的未来重要主线
世界模型既是数据使用者、也是合成数据生产者，数据供给正由零散采集走向体系化、可循环链条。在数据侧，世界基础模型的数据底座并非原生构建，其预训练依赖海量真实视频与传感器时序数据，从中习得物理约束、场景动力学与交互范式。典型如英伟达Cosmos世界基础模型，训练素材覆盖2000万小时真实样本，涵盖人类交互、自然环境、工业工况、机器人作业及自动驾驶场景，对应9000万亿token。与之对照，合成数据依托规则引擎、生成算法或数字仿真生成，拟合真实数据的统计分布特征；研究人员可借助合成数据完成模型训练与鲁棒性验证，规避真实数据在合规、隐私、获取成本与供给规模上的约束。
世界模型的训练底座由四类数据构成：

3D空间与传感器数据，支撑模型认知世界空间结构与动态变化；
仿真与合成数据，补齐长尾、极端场景，提升训练与安全验证效率；
第一视角与操作数据，用于学习任务执行逻辑；
多模态交互与验证数据，融合视觉、语言、动作反馈，增强模型复杂场景理解与任务可靠性。

真实采集以现场示范沉淀操作数据，是机器人学习可对齐、可验证的底层来源。传统采集主要通过机器人遥操作、人类操作记录与动作捕捉，获取环境图像、空间位置、操作轨迹及任务结果，需在具体场景内部署设备、完成示范，并经时间同步、空间标定与质量筛选。DROID数据集是这一模式的集中体现：由50名采集者在12个月内完成，形成约350小时交互数据，覆盖564个场景与86类任务。
从供给规模看，真实数据采集正进入基础设施化阶段。截至2026年10月，全国已建成启用70多家具身智能训练场；北京人形机器人创新中心数据与训练基地年产能达18万小时，对外交付近3万小时高质量数据，其中七成以上产能服务行业客户。与集中式训练场并行，头戴设备、手持夹爪等工具让第一视角与末端操作数据可在日常场景中分散获取，两类方式共同扩大场景覆盖。
真实示范数据是机器人对齐的基础底座，但受采集成本、场景边界、隐私合规与产能上限约束，单纯依靠真实采集难以满足世界模型持续扩张的数据需求，合成数据因此成为重要补充与长期演进方向。
合成数据对世界模型开发具备关键价值，它能够缓解部分场景下的真实数据稀缺难题，提升小众领域模型的性能与鲁棒性；其生成样本仅复刻真实数据统计特征、不对应个体原始记录，可满足医疗、金融等高监管领域的数据隐私合规要求；同时能够扩充、平衡数据集，降低模型偏差、提升精度，还可在安全仿真环境中完成AI软件的测试评估，从而优化模型训练全流程、简化AI开发工作。
合成数据正进入企业的模型训练与仿真评测流程，应用覆盖具身交互、跨环境训练及复杂工况模拟。火山引擎披露，已有数十家头部企业使用Seedance2.0生成机器人作业、室内行走等具身交互数据，支持跨环境与跨本体训练、三维场景重建和运动轨迹预测，相关素材还包括暴雨、大雾、降雪及具有碰撞风险的场景。以英伟达为例，在ANYbotics的工业巡检案例中，NVIDIA Cosmos Data Factory与Encord结合了真实图像整理、合成视频生成和输出验证。项目基于410张参考图像生成超过1500条合成视频，覆盖9类场景变化，并从视频中提取样本校准巡检机器人的变化检测模型，用于识别液体洒漏等设施异常。
生成视频需要配套结构化的任务与动作信息。视频理解与标注能力可以按不同粒度拆分操作，例如将“把铅笔放入书包”分为拿起、移动和放入，形成连续、不重叠的动作片段，并为各片段补充语义描述。同一段视频由此可以按完整任务或子动作使用，支持不同粒度的训练需求。
训练流程可组织为：真实视频或场景图像输入，经Seedance扩增后，检查画面结构与时间连续性，再进行视频切分、描述和复核，形成“视频＋语义”样本，用于潜在动作预训练；随后接入目标机器人的真实动作数据，进行动作对齐和策略微调，并通过真机任务评价检验效果。评价中暴露的场景和操作问题，反馈为下一轮生成与真实采集的任务清单。
我们认为，真实采集保障数据的可信度与可对齐性，合成数据提升样本规模与覆盖效率，二者协同有望缓解具身训练的数据约束。在行业整体扩容的方向下，具备采集入口、视频生成或标注对齐能力的厂商，有望在世界模型数据产业链中获得更明确的参与位置。
竞争格局：头部厂商围绕互动与具身加速布局
当前世界模型赛道路线分化明显，不同厂商基于自身技术积淀选择差异化方向，在物理仿真、实时交互、通用模拟、3D 资产编辑等方向各有侧重，代表性方案如下：
Google：Genie 4引领实时交互世界模拟技术探索
借助多模态实时交互与LLM协同架构，Genie 4为实时交互世界模拟提供了一条具备参考价值的技术路线。Google DeepMind于2026年10月27日发布Genie 4，模型原生生成世界画面、音乐、环境声音与交互对话，用户可通过键盘导航与相机控制，并在运行中以文字修改天气、加入人物或物体。官方明确的应用方向包括机器人与智能体训练环境，以及新的交互体验。
在模型协同上，Gemini负责组织场景，Genie负责呈现实时变化。Genie 4与Gemini系列结合：Gemini Omni使模拟贴近现实的外观与行为，其他Gemini模型提供推理并帮助保持模拟连贯，Gemini在后台组织场景结构与叙事进程，Genie则生成当下的画面、声音与环境反应。官方同时展示了实时修改场景、模拟物理与人物动作、生成世界声音等能力。
对世界环境的理解与动态仿真，是通用人工智能（AGI）落地的关键基础。世界模型正从研究测试走向实际应用，逐步向更多创作者和开发者开放。Google将电影制作、新闻、游戏和制造业等列为世界模型的应用方向。
我们认为，Genie 4 进一步拓宽了可控、高安全性、无限可变仿真环境的构建边界，下游应用覆盖机器人与智能体训练环境搭建、全新交互式内容产品开发等多元场景，产业落地空间广阔。
从Genie 4的能力更新，可以观察视频世界模型当前四项关键功能：

世界状态实时可编辑：支持自然语言对仿真场景动态干预，可变更天气、调整相机视角、新增角色与物体;Gemini基于场景上下文理解指令，并在无用户输入时段持续维护场景演化，保障世界时序演进连贯。
物理规则与人类行为写实性持续增强：模型持续提升交互式仿真的真实度，依托高阶世界认知复现碰撞、空气动力学等物理规律；关键突破集中在智能角色仿真，角色可自然运动、对环境自主响应，支持实时交互操控。
多模态一体化同步生成，音频成为世界状态的组成部分：Genie 4 作为原生支持音频输出的实时视频世界模型，可同步生成配套环境音效；更关键是实现交互式对话，角色跟随用户指令、场景事件实时对话反馈，构建音 - 视协同的闭环世界。
与LLM深度协同，引入长链路推理闭环：通过和Gemini 体系联动，为仿真过程叠加高阶推理能力，支撑多步骤复杂事件推演，用于AI系统部署前的场景测试。Gemini 3.8 Flash作为环路引导智能体，持续观测Genie4生成的场景、拆解目标、校验帧进度；当世界状态变化或用户干预时动态重规划，保障仿真具备稳定因果逻辑、程序化行为与长链条推理一致性。

World Labs：从三维世界生成走向实时空间交互
三维世界生成正从静态展示走向可编辑、可导出的生产资料，开始嵌入游戏影视制作流程。World Labs由李飞飞团队创立，主攻空间智能方向，布局世界生成、重建与模拟。Marble是其首款产品，可接收文字、图片、视频与粗略三维布局四类输入，生成可供探索的三维环境。用户在此基础上可继续编辑、扩展与组合场景，并将成果导出为3D高斯泼溅、网格或视频格式，生成空间由此能够接入游戏、影视与设计的后续制作环节。
生成与实时探索的技术衔接，推动三维世界由离线渲染走向可即时进入的交互空间。2026年9月发布的Atlas，原生支持文字、图像、视频与三维数据，采用多模态自回归扩散Transformer架构，将不同输入纳入共享空间上下文，生成三维一致的新视角。具体包括四项能力：

其一，相机可控生成，支持按指定相机路径生成最高1440p、时长1分钟的视频；
其二，空间重建，可依据一张至数十张图片生成新视角，并输出点云或3D高斯泼溅；
其三，时空模拟，支持改变动态视频的观察视角，以及构建机器人仿真所需的环境与观测数据；
其四，图像生成，支持复杂提示词、画面文字呈现及360°全景图生成。

2026年11月5日开放的Frameboy，把Atlas的生成能力转化为实时探索体验。用户控制相机，云端GPU持续生成画面并串流至浏览器，帧率最高达每秒15帧；探索对象既包括由单张图像扩展的虚拟空间，也包括由现实场景多视角照片构建的环境。最高每秒15帧的实时生成缩短了等待视频输出的时间，让用户能够快速调整场景与相机路径，以更低的试错成本开展更多轮创意探索。
3D世界生成通过接口调用与场景导出，逐步接入内容创作工具和游戏制作流程。2026年1月，World Labs开放World API，第三方开发者可调用Marble生成可探索的三维环境，并将其嵌入自身产品与工作流。

影视侧，Escape.ai借助接口把二维影片转为可导航的三维环境，观众可探索、分享并共同体验故事空间；Preview则把图像转为可探索场景，供导演寻找机位并截取4K静帧。
游戏侧，Gaussian Mansion以Marble生成场景，再导入Unreal Engine 5配置镜头、光照与交互，形成轨道射击游戏演示，呈现生成空间与既有引擎结合的制作路径。

腾讯混元：HY-World2.0支持三维场景生成与重建
HY-World2.0将世界生成与世界重建纳入同一框架，支持从文字、图片与视频构建可编辑、可探索的三维空间。其中，文字或单张图片可用于生成三维场景，多视角图片或视频可用于重建已有环境，输出包括网格与3D高斯泼溅（3DGS）等场景数据，便于后续保存、编辑和开发。
在交互与工具适配上，HY-World2.0支持用户在生成的三维场景中探索。用户可采用第一人称导航或第三人称角色模式移动，并通过碰撞检测与环境交互；生成的场景资产也可导入Unity、Unreal Engine及Isaac Sim等工具，用于后续游戏开发与仿真制作。其交互画面基于已生成的三维场景实时渲染。
HY-World2.0通过全景生成、轨迹规划、世界扩展和世界合成四个阶段，将文字或图像转化为三维场景。首先，模型根据输入生成360°全景图，建立场景的初始画面；随后分析场景结构，规划后续观察路径。在世界扩展阶段，模型沿规划路径生成不同视角的关键帧，并通过记忆更新机制保持视角控制与多视角画面的一致性。最后，WorldMirror2.0利用生成的图像序列重建三维结构，再经过3D高斯泼溅（3DGS）优化，形成可探索的三维场景。
我们认为，HY-World2.0的应用价值在于将AI生成结果转化为可继续开发的3D资产。开发者能够在生成场景的基础上继续编辑，配置角色、规则与任务，并接入已有制作流程，为游戏场景制作、仿真环境搭建和用户创作提供新的工具。其统一生成与重建的能力，也让创意场景构建与现实环境复现能够在同一框架内完成。
字节跳动：打通内容生成与社交分发链路
字节加大世界模型研发投入，围绕游戏娱乐与具身智能探索应用。在研发方向上，字节同时布局娱乐仿真与具身智能。据36氪2026年6月报道，字节设定年底前至少发布一版世界模型、性能对标Google Genie 3的目标，Seed新设的范浩奇团队探索3D仿真、面向游戏娱乐，原有VLA团队合并后聚焦具身智能。报道披露其训练数据预算达数千万元，涵盖VLA、长视频与3D，受访供应商估计其投入为同行的3-4倍。与此同时，Seedance团队探索动态生成，使用户在生成过程中输入指令、调整内容与剧情，受访人士将小游戏、互动剧集列为应用方向，并与世界模型探索相联系。
在三维内容生产上，Seed3D 2.0针对XR内容、3D打印与机器人仿真需求，提供几何、材质、场景布局、部件拆分与关节生成能力，使生成资产能够进入图形与物理引擎并支持部件交互，依据偏好评测，该模型在纹理3D资产生成中相对五款商业模型的成功率为69.0%-89.9%。
字节跳动的生成空间已支持探索、编辑与物体交互。据量子位2026年10月报道，字节通过公开演示展示空间生成与实时交互：《美好奇妙夜》现场以文字生成微缩视角房间，用户借助键盘与鼠标移动、乘纸飞机探索，还可生成勺子并与之交互，并通过门连接房间与外太空。该演示将场景生成、移动探索、物体编辑与空间切换整合于一次连续体验。
字节“造世界”打通可游玩虚拟空间与抖音、多闪分发链路：该工具于2026年6月对外亮相，集成多Agent，支持对话式搭建、场景编辑，产出可发布的虚拟世界，主要服务多闪仔仔世界，作品可在抖音、多闪分发，创作者可申请内测。社交侧，多闪依托虚拟形象、共同养成功能承载空间社交，支持照片生成3D形象、和虚拟艺人互动，小火人AI精灵带动好友互动；2026年3月多闪与抖音重合用户2834.8万，占多闪用户93.5%。
我们认为，当前产品构成字节空间社交落地路径：生成工具供给空间内容，抖音做流量分发，多闪承载好友社交；后续叠加实时世界模型，有望实现场景共创、角色互动，内容和社交双向共振。
NVIDIA：Cosmos世界模型与物理AI开发
统一模型：连接物理推理、环境生成和动作生成。根据数据，NVIDIA于2026年5月推出Cosmos3，将物理推理、世界生成和动作生成放入同一开放模型。Mixture-of-Transformers架构连接视觉语言推理模块与扩散生成模块，支持根据文字、图像、视频及动作等输入开展预测、推理和动作条件生成。
Cosmos3 Nano为160亿参数，面向工作站推理；Super为640亿参数，面向大规模合成数据及物理推理。官方同时公开机器人、物理交互、数字人、驾驶和仓储等数据，提供后训练配方与代码，用于机器人学习、驾驶研发和仓储自动化。
在训练与评价上，平台开放数据、后训练配方与物理事实验证。Cosmos配套数据覆盖机器人、物理交互、人体运动、驾驶与仓储，开发者可利用训练脚本开展监督微调与动作适配。其HUE人工评价框架把生成视频拆为可回答“是／否”的事实问题，检查语义匹配、物理规律、几何推理与画面完整性，问题由视觉语言模型生成并经专家修订，用于比较模型对具体物理任务的生成质量。
英伟达正扩展开放模型系列，覆盖语言、机器人、生物学和量子计算等领域，支持开发者、研究人员与企业构建适配本地语言及行业需求的应用。产品组合包括Nemotron 3.5 Super VL与Nemotron 3.5 Bolt模型；用于嵌入、重排序和文档解析的Nemotron Retriever；面向结构化业务数据的Kumo开放权重基础模型及库；Cosmos 3.5世界模型；面向自动驾驶的Alpamayo 2 Edge；用于医疗保健和科学发现的BioNeMo；以及面向量子计算的Ising。
在行业承接上，数据工厂正进入汽车、机器人与工业客户流程，并增加后训练、优化工具及交互驾驶与机器人操作评价资源，Cosmos Data Factory覆盖数据整理、标注、生成与评价，开发者可使用完整流程或单项能力。已披露保时捷与Voxel51、ANYbotics与Encord、Zalando、CEVA Logistics与Sereact、Siemens等合作案例。
投资建议
建议关注世界模型与平台生态、基础模型协同、互动应用三条投资路径
我们认为，世界模型正推动AI应用从内容生成向实时互动延伸，用户可通过空间探索、场景修改和内容共创参与生成过程，为游戏、社交和个人陪伴拓展新的体验。三维资产生成与实时交互能力逐步接入开发工具，有望降低创作门槛、丰富UGC供给，并为互动玩法与虚拟角色提供更多设计空间。
语言、视频和语音模型可与世界模型协同，支撑意图理解、行动规划与角色表达，拓宽模型服务的应用范围。随着相关能力进入消费级产品，模型厂商、云服务商及下游内容与社交平台有望共同受益，商业化机会也将由创作提效延伸至互动体验和应用运营，建议关注：

腾讯控股：HY-World世界模型与游戏、社交生态结合，有望让用户更便捷地创作内容、参与共创，丰富现有产品的互动体验。
阿里巴巴：HappyOyster可依托阿里云服务实时生成与交互应用的开发，随着应用落地，带动模型调用和云服务需求增长。
春光科技：公司穿透持有光环鲲维51%股权，可借助后者在世界模型驱动的UGC互动游戏方面的探索，切入AI互动娱乐。
MiniMax：语言、视频和语音模型的积累，为其与世界模型协同提供基础，有望在互动游戏、虚拟角色和AI陪伴中拓展商业化机会。
智谱：GLM的语言推理可与世界模型互补，帮助智能体理解用户意图、规划行动，拓宽模型服务的应用范围。

风险提示

技术迭代不及预期风险：世界模型在三维一致性、物理规律理解与实时交互上的进展若慢于预期，将延缓下游规模化落地。
商业化落地不及预期风险：互动内容、机器人等场景的付费意愿与变现节奏存在不确定性，报告所引市场规模与增速测算或难兑现。
数据供给与合规风险：真实采集与合成数据在质量、版权、隐私及跨境流通上受监管约束，可能影响训练数据的稳定供给。
行业竞争加剧风险：头部厂商密集投入、技术路线分化，部分方案存在被替代或竞争格局恶化的可能。
政策监管风险：生成式人工智能与具身智能在内容安全、算法备案及行业准入上的政策仍存不确定性，或影响产品上线节奏。
测算偏差和数据更新不及时的风险：本次测算依赖既定假设与存量数据，结果或存在偏差；底层数据存在更新滞后风险，基本面变化可能导致结论失效。

作者：

康雅雯 | SAC编号：S0740515080001 | 邮箱：kangyw@zts.com.cn

本篇报告全文请参照中泰传媒互联网团队2026年11月08日外发的《世界模型：AI时代的物理交互与数字文娱生产方式重构》，内容以正式报告为准。

特别声明：

本订阅号为中泰证券传媒互联网团队设立的。本订阅号不是中泰证券传媒互联网团队研究报告的发布平台，所载资料均摘自中泰证券研究所已经发布的研究报告或对已经发布报告的后续解读。若因报告的摘编而产生歧义，应以报告发布当日的完整内容为准。请注意，本资料仅代表报告发布当日的判断，相关的研究观点可根据中泰证券后续发布的研究报告在不发出通知的情形下作出更改，本订阅号不承担更新推送信息或另行通知义务，后续更新信息请以中泰证券正式发布的研究报告为准。

本订阅号所载的资料、工具、意见、信息及推测仅提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议，中泰证券及相关研究团队不就本订阅号推送的内容对最终操作建议做出任何担保。任何订阅人不应凭借本订阅号推送信息进行具体操作，订阅人应自主作出投资决策并自行承担所有投资风险。在任何情况下，中泰证券及相关研究团队不对任何人因使用本订阅号推送信息所引起的任何损失承担任何责任。市场有风险，投资需谨慎。

中泰证券及相关内容提供方保留对本订阅号所载内容的一切法律权利，未经书面授权，任何人或机构不得以任何方式修改、转载或者复制本订阅号推送信息。若征得本公司同意进行引用、转发的，需在允许的范围内使用，并注明出处为“中泰证券研究所”，且不得对内容进行任何有悖原意的引用、删节和修改。

团队介绍

康雅雯：英国约克大学硕士，2013年加入中泰证券，从事传媒互联网行业研究13年，紧密跟踪文化产业发展趋势，洞察行业投资机会，注重基本面研究，在AI产业链及应用、图书出版、影视内容、广告营销、娱乐消费等领域具有独到见解。荣获金牛奖最佳行业分析师（2018年、2025年）、新浪财经金麒麟菁英分析师（2023-2025年）。
朱骎楠：上海财经大学硕士，2015年入行专注传媒领域研究，特色为游戏与区块链方向。游戏领域，对国内外游戏产业和业内公司有深入研究；AI产业链领域，深度跟踪各类AI模型技术迭代及AI对电力需求趋势；区块链领域，研究web3.0相关港美股相关标的。荣获金牛奖最佳行业分析师（2018年、2025年，团队核心成员）。
李昱喆：香港城市大学硕士。2022年8月加入中泰证券研究所，主要覆盖出版、AI+教育、虚拟现实、娱乐消费等板块。擅长细分产业及上市公司基本面分析。荣获金牛奖最佳行业分析师（2025年，团队核心成员）、新浪财经金麒麟菁英分析师（2023-2025年，团队核心成员）。
晏诗雨：复旦大学金融硕士。2021年加入中泰证券研究所，消费+互联网研究经验，主要覆盖IP平台、互联网core、内容社区等板块，具备跨行业视角的独特观察。荣获金牛奖最佳行业分析师（2025年，团队核心成员）、新浪财经金麒麟菁英分析师（2025年，团队核心成员）。