来源：环球网

【环球网科技综合报道】北京智源人工智能研究院近日正式发布全新多模态表征世界模型——智源悟界・RoboBrain Orca。智源状态该模型突破了现有大模型仅针对文本、发布画面或动作进行单模态预测的世实现世界技术局限，率先实现了对整体世界状态的界模前后演化推演，为通用人工智能（AGI）基础模型的推演研发开辟了一条全新的技术路线。

从“单点预测”到“全局推演”的预测技术跃迁

当前行业主流大模型已形成成熟的技术逻辑，但均局限于单一模态的智源状态预测：
* 大语言模型：通过预测下一个字符，实现对话、发布代码生成及逻辑解答；
* 视频生成模型：依靠预测下一帧画面，世实现世界产出逼真影像；
* 机器人具身模型：聚焦预测下一步动作，界模以完成具体实操任务。推演

相比之下，预测悟界・RoboBrain Orca跳出了单一模态的智源状态预测框架，确立了“预测下一个世界状态”的发布核心技术目标，并提出了“The 世实现世界World is in Your Mind”的核心技术理念。

构建统一的世界潜在表征空间

该模型的核心创新在于构建了一个统一的世界潜在表征空间，相当于为人工智能搭建起一个虚拟的“脑海世界”。

• 多模态统一整合：当输入视频、图片、文字指令或事件描述等任意多模态信息后，模型能够将视觉、语言、任务意图等多元信号进行统一整合。
• 自主逻辑学习：模型可自主学习物体运动规律、场景演变逻辑、动作因果关联及事件时序关系。
• 范式升级：它不仅能推演当前场景走向未来的演化路径，还能模拟不同条件下世界发展的多元可能性，完成了从“单一输出预测”到“全局状态推演”的范式升级。

“有意识”与“无意识”双路径互补训练

为高效完成对世界规律的学习，研发团队设计了有意识与无意识双路径互补的训练体系：

1. 无意识学习：依托海量真实世界视频素材，复刻人类婴幼儿观察自然积累常识的过程。通过无标注数据，自主感知物体掉落、物体移动、空间交互等客观世界运行规律。
2. 有意识学习：依托文字事件、任务指令、视觉问答等标注数据，针对性学习具备明确语义的状态转换逻辑。

这种机制兼顾了海量无标签真实场景与高价值稀疏标注信息，实现了全方位世界认知能力的构建。

大规模数据支撑与多解码器适配

本次模型预训练依托大规模高质量数据集支撑，累计使用：
* 12.5 万小时真实视频素材
* 1.6 亿条事件标注数据

模型性能具备持续规模化提升的潜力。依托训练形成的统一世界表征，模型可适配多类解码器完成信息输出：

• 文本解码：擅长动态变化、状态转换类的逻辑推理；
• 图像解码：可精准还原真实场景交互预判效果；
• 机器人动作解码：无需预先学习动作标签，即可大幅提升下游机器人复杂任务的泛化能力。

应用前景拓展

值得一提的是，悟界・RoboBrain Orca 作为多模态表征世界模型的阶段性成果，其全新的世界学习范式不仅适用于机器人具身智能领域，还可进一步拓展至科学规律挖掘、复杂系统仿真建模等前沿领域。

（纯钧）