爸爸去哪儿

方汉：谁能最先拿到千万小时数据，谁就能先攻占“世界模型”_我的网站

A |     文｜晓静          编辑｜徐青阳          方汉给世界模型的竞争设定了一个简单直接的判断标准：谁先拿到1000万小时数据，谁就更有可能率先跨过模型能力的拐点。         7月19日，昆仑万维在WAIC上发布具身智能世界模型Riemann 1.0。

B | 相比已经进入产品和商业化讨论的大语言模型，世界模型仍处于更早期阶段：技术路线尚未完全确定，模型能力有限，行业甚至还没有形成统一的数据生产方法。      北京8月25日电（记者韩佳诺）国务院关于持续巩固拓展脱贫攻坚成果、扎实推进乡村全面振兴工作情况的报告8月25日提请全国人大常委会会议审议。         在昆仑万维董事长兼CEO方汉看来，这条赛道接下来的核心变量，是谁能率先把训练数据从十万小时推到百万乃至千万小时。

C | 报告显示，脱贫攻坚成果持续巩固拓展，为深入推进乡村全面振兴奠定了坚实基础。常态化帮扶各项工作有序推进、开局良好。

D |          他的判断来自训练视频生成模型的经验。  报告显示，经过5年接续帮扶，脱贫县农村居民人均可支配收入从2020年的12588元增加到2025年的18627元、年均增速达8.2%。昆仑万维曾用约20亿个、每个15秒的视频片段训练模型，并观察到明显的Scaling拐点。以此推算，方汉认为，具身智能世界模型可能至少需要1000万小时数据，才有机会进入类似的收敛阶段；更高的门槛甚至可能达到1亿小时。         这不是已经验证的行业定律，更接近模型公司基于Scaling经验作出的下注。但如果判断成立，世界模型首先是一场成本战争。         目前，UMI数据和真机数据的单小时采集成本通常在500元以上，部分可达到一两千元。

E | 按照这一价格，1000万小时意味着50亿至200亿元投入，几乎没有公司能够长期承担。         异构数据可以改变这个难以承受的账单。所谓异构数据，主要是通过手机、胸挂摄像头或采集帽，记录人类在真实环境中的操作过程，不需要昂贵的采集手套和VR设备。方汉预计，随着硬件和供应链继续降价，异构数据成本有机会降至每小时10元左右。

F | 这样一来，1000万小时数据的直接成本约为1亿元，Scaling第一次具备了经济上的可行性。         但异构数据天然粗糙。乡村基础设施和公共服务水平大幅提升，脱贫地区和其他地区之间的发展差距不断缩小。

G | 一段普通视频只能看到一只手抓起杯子，却无法直接获得手指的三维姿态、空间距离和受力信息。

H | 昆仑万维的做法，是用辅助模型恢复视频的深度信息，再通过高斯泼溅等方式重建手部三维模型和运动轨迹，把低成本的二维视频“升维”为接近专业设备采集的数据。         这意味着，世界模型的数据壁垒不只在于买到多少视频，更取决于能否把脏数据转化成高质量训练数据。  报告明确，常态化帮扶各负其责、各司其职的责任体系，上下联动、统一协调的政策体系，精准识别、精准帮扶的工作体系基本建立。

I | 监测帮扶机制有效运行，及时将有返贫致贫风险的农户识别为防止返贫致贫对象，均落实针对性帮扶措施，做到早发现、早干预、早帮扶。产业、就业帮扶持续加力，完善到户产业奖补及帮扶产业利益联结机制，全力以赴稳住脱贫劳动力就业岗位，脱贫人口务工规模超过3200万人；重点区域稳步发展，新确定160个国家乡村振兴重点帮扶县和390个省级乡村振兴重点帮扶县，继续统筹资源予以倾斜支持，一批补短板促发展项目有效实施。Riemann 1.0提供了初步验证：加入大量异构数据后，模型在叠衣服等精细操作任务上的表现仍然明显提升，并在RoboCasa 365基准测试中比此前方法高出8个百分点。

J |          按照方汉的时间表，目前主要厂商还在10万至20万小时量级；2026年底可能有人进入百万小时；2027年底或许会有厂商达到千万小时；1亿小时则至少需要三至五年。         谁最可能跑在前面？方汉的回答很现实：“看融资能力，谁钱多，谁采购的数据就多。”但他同时认为，中国在数据生产环节具备结构性优势。  报告说，持续巩固拓展脱贫攻坚成果还面临如返贫致贫风险仍将长期存在、欠发达地区发展基础仍然薄弱等困难挑战。世界模型依赖摄像头、传感器、采集设备和机器人本体，中国拥有完整的消费电子和制造业供应链，也拥有制造、物流、家政、医疗等丰富的真实任务场景。  报告明确，下一步要把常态化帮扶纳入乡村振兴战略统筹实施，将防止返贫致贫对象和欠发达地区作为过渡期后常态化帮扶对象，以有力有效的开发式帮扶增强内生发展动力，以健全完备的社会保障体系兜牢民生底线，做到政策供给长效化、措施方法常规化、管理方式高效化、要素保障制度化，持续巩固拓展脱贫攻坚成果，扎实推进乡村全面振兴。因此，他判断，未来全球具身智能公司可能都需要到中国采购设备和数据。         这种模型观也解释了他为什么不认同“竞争重点正在从模型转向应用”。方汉认为，应用公司最大的风险，是今天独立存在的能力，明天可能被基础模型直接吸收。行业专家写下的Skills、工作流和操作流程，一旦成为训练材料，就可能反过来增强基础模型，压缩应用层的价值。         他的结论是，无论做模型还是应用，能够持续沉淀进模型的数据，才是更持久的资产。

K |          当然，这套逻辑仍有一个未经验证的前提：世界模型会继续遵循Scaling规律。

L | 方汉判断，具身智能最终可能像自动驾驶一样收敛到端到端路线，主流架构或走向DiT；但他也承认，自监督架构未来存在取代DiT的可能。         一旦出现架构层面的范式切换，千万小时数据还能保留多强的壁垒，仍然没有答案。对方汉而言，当前的判断比较明确：在下一次技术范式变化发生之前，先把数据规模推过拐点。         以下为对话实录：          01 世界模型的技术路线最终会走向哪里？          Q：具身智能领域存在多种世界模型路线，未来会向哪一种技术路线收敛？          方汉：可以参考自动驾驶的发展过程。自动驾驶早期经历了多种技术路线的竞争，最后逐渐走向端到端模型。我认为，具身智能的世界模型最终也会收敛到端到端路线，因为只有端到端模型才具备持续扩展的能力。         视频生成模型也是类似的过程。视频模型发展了很多年，但长期没有出现压倒性的能力跃迁。

M | 直到训练数据扩大到数十亿个视频片段，模型才迎来明显拐点，进入类似文本大模型“ChatGPT时刻”的发展阶段。

N |          具身智能也面临同样的问题：端到端模型究竟需要多少数据，才能迎来能力拐点？目前行业的判断并不完全一致，但我认为至少需要1000万小时的数据，模型才有可能开始明显收敛；更高的估计可能达到1亿小时。

o |          Q：世界模型大约会在什么时间迎来技术拐点？          方汉：关键要看谁先获得足够规模的数据。目前行业头部模型的训练数据大多还处于十万小时量级。我们这次发布的模型使用了20多万小时数据，其他厂商公开的数据规模也大致在相近水平。         接下来可以观察几个节点：谁先达到100万小时、500万小时和1000万小时，以及达到1000万小时后，模型是否真的会出现能力拐点。         按照我们的判断，2026年底可能会有厂商达到百万小时级别，但达到千万小时仍然比较困难；到2027年底，可能会有厂商进入千万小时规模。至于1亿小时，大概率还需要三至五年。

p |          Q：您为什么把2026年称为“世界模型元年”？          方汉：一个赛道真正进入元年，需要先证明核心技术路线可以成立。         世界模型的概念此前已经很热，但行业一直没有确定，到底应该依赖真机数据、UMI数据、仿真数据，还是普通人类操作视频。

q | 大家都在做实验。         到了今年，包括我们在内的一批团队逐渐证明，第一视角的人类操作视频等异构数据，能够有效提升世界模型的能力，而且这种数据具备大规模扩展的可能。         它不需要操作者佩戴昂贵的手套或VR设备，通过手机、胸挂摄像头等设备就能采集。异构数据能够成为世界模型预训练的主要数据来源，这条路线得到验证，是我认为2026年成为世界模型元年的重要原因。         Q：世界模型领域什么时候会出现明显的公司分化？          方汉：还是要看数据规模。

r |          目前大家的起点相对接近，尚未出现特别明显的分化。当部分公司拥有百万小时数据，而另一些公司仍停留在十万小时，差距就会开始拉开。         如果有厂商率先进入千万小时级别，它的模型能力很可能发生比较大的变化。Scaling的红利已经得到初步验证，现在的问题是，谁能更早获得足够多、足够高质量的数据。

s |          02 异构数据将成为具身智能扩展的关键          Q：为什么世界模型需要异构数据？          方汉：最现实的原因是成本。         传统的UMI数据和真机数据采集成本非常高。

t | 过去一套数据采集手套可能需要十几万元，目前虽然已经降到一万多元，但单小时数据采集成本通常仍在数百元，部分高质量数据甚至达到一两千元。         按照每小时500元计算，1000万小时数据需要50亿元；如果达到1亿小时，就是500亿元。几乎没有公司能够长期承担这样的成本。         异构数据的采集门槛低得多。通过手机、胸挂摄像头等设备拍摄人类完成真实任务，当前每小时成本可能在几十元。随着设备和供应链进一步成熟，未来有机会降到每小时10元左右。

u | 这样一来，1000万小时数据的成本可能下降到1亿元量级，开始进入企业可以承担的范围。         与此同时，异构数据的多样性和环境复杂程度，往往高于标准化的真机数据。我们在模型中加入大量异构数据后，即使是叠衣服这样的任务，能力也出现了明显提升。         Q：普通视频缺少深度和手部姿态信息，如何转化成机器人可以使用的数据？          方汉：普通视频确实只是二维画面，无法直接获得手指关节、空间距离和运动轨迹等信息。         我们的做法是训练一系列辅助模型。第一步，通过深度估计模型，从二维画面中恢复物体和手部的前后空间关系；第二步，对手部进行三维重建，把视频里的手部运动转化成可计算的三维轨迹。         经过这些处理，普通视频所包含的数据维度，就能够逐渐接近专业采集设备得到的数据。

v |          数据清洗本身也是模型能力的一部分。团队需要针对深度估计、手部重建、姿态识别等环节训练专门的标注模型，才能把规模庞大但相对“脏”的视频数据转化成可用的训练数据。         与此同时，采集硬件也在快速降价。现在已经出现双目摄像头、胸挂设备和采集帽等产品，未来还会加入运动传感器、鱼眼镜头等组件。随着中国供应链持续降低设备成本，异构数据的数量和质量都会提高。         Q：异构数据、真机数据和仿真数据之间是什么关系？          方汉：这些数据会在不同阶段发挥作用。         异构数据成本低、规模大、场景丰富，更适合承担预训练阶段的主要任务。高质量UMI数据和真机数据成本更高，可以用于监督微调、强化学习和后训练。

w |          机器人最终要在真实环境里工作，因此真机数据不可缺少。更合理的路线是，用大规模异构数据建立模型的基础能力，再用少量、高质量的真机数据完成能力校准和强化。

x |          仿真数据可以在早期提供帮助，但它无法完整替代真实世界数据。游戏引擎中的物理规律并不完备。

y | 例如，虚拟角色抓取杯子时，杯子的形变、摩擦和受力可能与真实世界不同。         仿真数据之所以被大量采用，主要因为成本低，并不意味着数据质量更好。短期可以使用，长期仍然要依靠真实的人类操作数据和真机数据。         Q：具身模型的后训练会不会成为下一个竞争重点？          方汉：后训练非常重要。

z | 缺少后训练，模型很难真正落到具体机器人和具体任务上。         目前现场展示的许多机器人，在进入新环境后仍然需要采集一部分现场数据，再进行小规模后训练。随着世界模型能力提高，模型的泛化能力会增强，对现场数据采集的依赖有望下降。         后训练的重点不只是速度，更重要的是数据质量。后训练看起来很快，有时是因为高质量真机数据太贵，企业能够使用的数据量有限。         文本大模型已经证明，少量高质量后训练数据可以显著激发模型能力。

| 具身智能未来可能也会出现类似情况：几千条覆盖不同行业、不同场景和不同任务的高质量数据，可能比数万条低质量数据更有价值。         03 中国的优势在数据生产，竞争仍未被大厂垄断          Q：哪些公司更有可能率先获得千万小时数据？          方汉：数据规模与融资能力确实存在直接关系，因为企业需要采购和生产大量数据。         但中国在这一轮竞争中具备比较明显的优势。世界模型的数据生产依赖摄像头、传感器、采集设备和机器人本体，而中国拥有完整的消费电子和制造业供应链，降低硬件成本的能力很强。         中国的工业门类齐全，制造业、家政、医疗、物流等行业也能够提供丰富的真实任务场景。

| 因此，我认为全球世界模型数据的重要生产地很可能在中国。         未来，海外具身智能公司也可能需要从中国采购采集设备和训练数据。中国在设备成本、数据生产效率和算法工程人才方面，都具备较强的竞争力。         Q：具身智能赛道目前是否已经出现明显的头部格局？          方汉：目前行业热度很高，新产品、新模型和机器人本体公司不断出现，但整体仍处于早期阶段，除少数巨头外，大部分公司还站在相对接近的起跑线上。

|          具身智能模型的训练，与视频生成模型存在较强的技术关联。训练过数十亿视频片段的团队，在数据清洗、Scaling和生成模型训练方面积累了大量经验，这也是许多视频模型团队进入世界模型领域的原因。         未来两年会是行业分化的重要阶段。具身模型目前的数据规模仍然较小、模型能力也相对有限，因此每一次数据规模和技术路线的突破，都可能带来比成熟模型更大的能力变化。

|          Q：大厂拥有资金、算力和数据，中小型模型公司还有机会吗？          方汉：大厂在模型训练上确实具备资源优势，但资源并不能自动转化成领先模型。         目前中国一些表现最好的模型，也来自创业公司。

| 决定模型竞争力的核心，仍然包括人才团队厚度、算法迭代速度和数据构建能力。         以音乐模型为例，很多大厂都投入过，但最终模型效果仍然存在差异。

| 资金很多，却没有训练出好的模型，这在行业中并不少见。         这一阶段尚未形成大厂垄断一切的格局，创业公司仍然存在窗口期。企业需要选择自己最擅长、数据壁垒最明确的方向，在大厂形成全面优势之前，把技术和产品壁垒建立起来。         Q：昆仑万维同时投入音乐、视频、游戏和世界模型，资源是否会过于分散？          方汉：这些方向表面上不同，底层存在较强的技术共性。         视频、音乐、游戏和具身世界模型，本质上都属于生成模型，底层架构、数据清洗方法和训练经验可以相互迁移。例如，视频模型的数据处理流程，可以迁移到游戏模型和世界模型中。         不同领域的数据规模也并不相同。视频模型可能需要数十亿个视频片段，音乐数据的总量小得多，世界模型目前也只有数十万小时级别。

| 因此，各方向需要的资源并非完全相同，可以根据技术阶段动态调整。

|          我们并非在同时做几个完全独立的方向，而是在一套生成模型能力上延伸出多个分支，通过技术复用降低成本。         04 应用创业、商业模式与AI内容的下一步          Q：随着垂直应用增加，AI竞争的重点是否会从模型层转向应用层？          方汉：我不完全认同这个判断。         应用层面临一个风险：今天看起来独立的功能，未来可能被基础模型吸收和内化。很多行业正在编写Skills和工作流，但这些流程也可能被模型厂商用于训练，最终变成基础模型自身的能力。         因此，模型能力仍然很重要。企业可以做应用，但需要确保应用产生的数据、用户行为和行业流程能够反过来沉淀到模型中，形成持续积累。如果应用只是在外部调用通用模型，缺少独有数据和模型能力，随着基础模型升级，它的价值可能被快速压缩。         Q：您对应用层创业者有什么建议？          方汉：很多团队习惯“拿着锤子找钉子”：先有一个模型或技术，再寻找可以落地的行业。这种产品定义方式风险比较高。         更合理的路径是先理解行业，找到真实、具体、长期存在的需求，再倒推需要什么模型和产品能力，也就是“拿着钉子找锤子”。         例如，用户希望智能体完成完整的视频制作，单靠一个通用模型可能还不够，还需要剪辑、超分辨率、音频处理等专门能力。创业者应该从完整任务出发，拆解用户真正缺少的环节，再决定模型和产品如何组合。         Q：AI产品在中国更适合免费模式，还是订阅模式？          方汉：商业模式与国家的人均收入和生产力水平高度相关，简单区分国内和海外并不准确。发达市场对订阅制的接受程度通常更高。

| 在中国，编程等能够直接提高生产效率的产品，也已经证明订阅模式存在市场，因为程序员和企业能够明确计算产品带来的价值。         与此同时，中国用户对免费加广告的模式更加熟悉。当前免费模式面临的主要限制是Token成本较高，企业难以长期承担。         但Token成本正在快速下降。当推理成本降到足够低时，免费服务仍然会大规模出现，AI也只有在成本下降之后，才可能真正成为普惠服务。

| 未来很可能是订阅、API、广告和免费服务并存，具体选择取决于产品所在的国家、用户收入水平和使用场景。         Q：视频生成模型还需要持续投入多久，市场上限在哪里？          方汉：视频生成仍处于Scaling红利期。文本大模型的Scaling速度已经有所放缓，但视频、音乐和游戏模型仍然可以通过扩大数据和算力获得明显提升。         视频生成的市场空间远没有到达上限。创作门槛下降后，创作者数量会快速增加。网络文学的发展就是一个例子：过去能够发表作品的作者数量有限，现在中国每个月有数百万网络文学作者持续创作。         视频的受众范围比文字更广，能够跨越语言和识字能力的限制。

| 随着制作门槛降低，视频创作者的规模有可能达到甚至超过网络文学作者。         未来的内容市场也未必只追求少数全民爆款。创作者增加后，大量长尾需求会得到满足，不同用户可以看到更符合自己兴趣的内容。爆款的绝对高度可能下降，但内容的数量和类型会更加丰富。         Q：AI电影和长剧为什么还没有大规模出现？          方汉：技术已经不是唯一限制，商业机制和行业接受度更加关键。         电影和长剧制作周期长、投入高，市场反馈速度较慢。短剧成本低，可能几周就能完成一部作品，投放后很快就能看到回报，因此迭代速度更快，更多团队也愿意尝试。

|          传统导演和制作人还面临行业评价压力。早期音乐人也曾认为使用AI意味着作品“没有灵魂”，电影行业同样存在类似顾虑。

| 谁先大规模采用AI，可能会面临舆论压力。         但这种阻力会逐渐减弱。未来一定会出现具有商业影响力的AI电影和AI电视剧，只是需要有人率先完成商业验证。         Q：为什么至今还没有真正的AI原生游戏？          方汉：现在几乎所有游戏公司都在使用AI辅助写代码、制作美术或生成内容，但这些仍然属于AI辅助开发，不能算真正的AI原生游戏。         真正的AI原生游戏，应该由端到端的游戏世界模型实时生成画面、环境和交互结果。

|          目前最大的障碍是推理成本和运行速度。世界模型实时生成游戏画面的效率，必须接近甚至超过传统3D引擎，同时还要能够在普通用户可以负担的硬件上运行。         现阶段，一张普通消费级显卡就能运行传统3D游戏，而端到端世界模型可能需要非常昂贵的算力，商业上无法成立。

|          我认为，游戏世界模型真正面向普通用户落地，可能还需要三至五年。AI已经广泛进入游戏生产流程，但端到端的AI原生游戏仍需要等待推理成本出现数量级下降。

Current article:http://dqsl.ruwentaqintiaozhupapaigai.shop/eby04m/gcj.html

Published on:03:17:01