企业官网建设流程全解析

演讲嘉宾：刘昊（视启未来联合创始人，世界模型与具身智能负责人）
所属大会：2026 奇点智能技术大会 · 北京

一、引言：从"看"到"做"的 AI 进化

在人工智能的发展历程中，“理解世界"与"改变世界"一直是两个相对独立的研究方向。计算机视觉让机器能够"看见”，自然语言处理让机器能够"理解"，而具身智能（Embodied AI）则让机器能够"行动"。视启未来（Visionary Future）作为一家专注于世界模型与具身智能的创业公司，正在推动这两个方向的深度融合。

2026 年 11 月，视启未来联合创始人刘昊将出席奇点智能技术大会，分享他在世界模型与具身智能领域的最新研究成果和工程实践。

二、世界模型：让 AI 理解物理世界

2.1 什么是世界模型

世界模型（World Model）是指 AI 系统对物理世界的内部表征和预测能力。一个完善的世界模型能够：

• 感知当前状态：通过视觉、触觉、本体感觉等传感器获取环境信息
• 预测未来状态：基于当前动作预测环境的下一步变化
• 模拟反事实：想象"如果采取不同行动，结果会怎样"

# 世界模型核心接口示意classWorldModel:def__init__(self,perception_net,dynamics_net,reward_net):self.perception=perception_net# 感知编码器self.dynamics=dynamics_net# 动力学预测器self.reward=reward_net# 奖励预测器defencode(self,observation):"""将原始观测编码为隐状态"""returnself.perception(observation)defpredict(self,state,action):"""预测下一状态和奖励"""next_state=self.dynamics(state,action)reward=self.reward(state,action)returnnext_state,rewarddefimagine(self,initial_state,action_sequence):"""想象一条动作序列的未来轨迹"""trajectory=[initial_state]foractioninaction_sequence:next_state,_=self.predict(trajectory[-1],action)trajectory.append(next_state)returntrajectory

2.2 世界模型的三代演进

2.3 视觉感知的世界模型

刘昊团队的核心创新在于将视觉感知深度融入世界模型。传统世界模型通常使用低维状态表示（如位置、速度），而视启未来的方案直接从高维视觉输入（RGB-D 图像、点云）中学习世界模型。

关键技术挑战：

1. 高维状态空间：视觉数据的维度远高于传统状态向量，需要高效的压缩表征
2. 部分可观测性：单视角图像无法完整描述三维场景，需要多视角融合
3. 动态物体：场景中可能存在多个运动物体，需要实例级跟踪

# 视觉世界模型：基于 NeRF 的场景表征classNeuralWorldModel:def__init__(self):self.nerf=NeRFNetwork()# 神经辐射场self.dynamics=TransformerDynamics()# 动力学预测defrender(self,camera_pose,time_step):"""从任意视角渲染场景"""scene_repr=self.nerf.encode_scene(time_step)returnself.nerf.volume_render(scene_repr,camera_pose)defstep(self,action):"""执行动作并更新世界状态"""self.dynamics.predict_next_state(action)returnself.get_current_observation()

三、具身智能：从仿真到现实

3.1 具身智能的三层架构

视启未来的具身智能系统采用三层架构设计：

┌─────────────────────────────────────────┐ │ 决策层：大语言模型 + 任务规划器 │ │ 输入：自然语言指令 │ │ 输出：子任务序列 + 目标状态描述 │ ├─────────────────────────────────────────┤ │ 技能层：视觉运动策略网络 │ │ 输入：视觉观测 + 目标状态 │ │ 输出：末端执行器轨迹 / 关节角度序列 │ ├─────────────────────────────────────────┤ │ 控制层：低层控制器 + 安全监控 │ │ 输入：期望轨迹 + 实时传感器反馈 │ │ 输出：电机力矩指令 │ └─────────────────────────────────────────┘

3.2 Sim-to-Real 迁移的工程实践

从仿真环境训练到真实机器人部署，是具身智能面临的最大工程挑战之一。刘昊团队在实践中总结出以下关键经验：

1. 域随机化（Domain Randomization）

在仿真中引入大量随机扰动，使策略对真实环境的变化具有鲁棒性：

# 域随机化配置示例randomization_config={"visual":{"lighting":{"intensity":(0.5,1.5),"color_temp":(3000,7000)},"texture":{"randomize":True,"pool_size":1000},"camera":{"position_noise":0.02,"fov_range":(50,70)}},"dynamics":{"friction":{"range":(0.3,1.2)},"mass":{"scale_range":(0.8,1.2)},"joint_damping":{"range":(0.01,0.1)}},"action":{"latency":{"range_ms":(0,100)},"noise":{"std":0.05}}}

2. 系统辨识与参数适配

在部署前对真实机器人进行系统辨识，获取准确的动力学参数，并据此微调仿真环境：

3. 渐进式部署策略

不直接将在仿真中训练的策略部署到真实机器人，而是采用渐进式策略：

1. 仿真验证：在多种仿真环境中验证策略鲁棒性
2. 硬件在环：将真实传感器接入仿真循环，验证感知模块
3. 受限真实环境：在简化真实场景（固定物体、已知光照）中测试
4. 完整真实环境：逐步增加场景复杂度，最终部署

3.3 世界模型驱动的机器人学习

视启未来的核心创新是用世界模型替代传统强化学习中的环境交互。传统 RL 需要机器人在真实环境中进行大量试错，成本高、风险大。而世界模型允许机器人在"想象"中学习：

# 世界模型驱动的强化学习classWorldModelRL:def__init__(self,world_model,policy_network):self.world_model=world_model self.policy=policy_networkdeftrain_in_imagination(self,initial_states,num_episodes):"""在世界模型中训练策略"""forepisodeinrange(num_episodes):state=random.choice(initial_states)trajectory=[]forstepinrange(self.max_steps):action=self.policy.sample(state)next_state,reward=self.world_model.predict(state,action)trajectory.append((state,action,reward,next_state))state=next_state# 基于想象轨迹更新策略self.policy.update(trajectory)defdeploy_to_real(self,real_robot):"""将训练好的策略部署到真实机器人"""# 仅需少量真实环境微调real_trajectories=real_robot.collect(100)self.policy.finetune(real_trajectories)

四、技术挑战与解决方案

4.1 视觉泛化

真实世界的视觉多样性远超仿真环境。视启未来采用以下策略提升视觉泛化能力：

• 多模态融合：结合 RGB、深度、触觉等多模态信息
• 自监督预训练：在大规模无标注视频数据上预训练视觉编码器
• 持续学习：部署后持续收集数据，在线更新视觉模型

4.2 长程任务规划

复杂任务（如"整理房间"）需要多步规划和错误恢复能力。解决方案包括：

• 分层强化学习：高层策略负责任务分解，低层策略负责具体执行
• 大语言模型规划：利用 LLM 的常识推理能力生成任务计划
• 重规划机制：当执行失败时，基于当前状态重新生成计划

4.3 安全与可靠性

机器人与物理世界交互必须保证安全：

五、应用场景与商业化路径

5.1 工业质检

世界模型可以预测产品的正常外观，通过对比实际观测与预测结果的差异检测缺陷。相比传统视觉检测，世界模型能够处理更复杂的缺陷类型和光照变化。

5.2 家庭服务机器人

具身智能的终极场景之一是家庭服务机器人。世界模型让机器人能够理解家庭环境的三维结构，预测物体运动，规划安全高效的行动路径。

5.3 自动驾驶

世界模型在自动驾驶中的应用包括：

• 场景理解：从多视角图像构建三维场景表征
• 轨迹预测：预测其他交通参与者的未来行为
• 决策规划：基于世界模型进行反事实推理，选择最优驾驶策略

六、总结与展望

刘昊在视启未来的工作展示了世界模型与具身智能融合的巨大潜力。从仿真到现实，从感知到行动，这一技术路线正在推动 AI 从"数字世界"走向"物理世界"。

2026 年 11 月，奇点智能技术大会，聆听刘昊分享世界模型与具身智能的最新突破。

大会信息
2026 奇点智能技术大会 + C++ 及系统软件技术大会
时间：2026 年 11 月 20-21 日
地点：中国·北京万达文华酒店
参会报名：https://boolan.com/enroll/c1051/event/1162?channel=seo

立即报名，探索世界模型与具身智能的融合未来！