对话昆仑万维方汉：世界模型“成本逻辑”之下，异构数据成为具身智能解药

随着文本大模型逐步收敛、世界模型统一到DiT架构，底层技术逻辑愈发清晰。企业真正的壁垒已转向异构数据清洗能力、算法迭代速度，以及最直接的资金和硬件筹措能力。

昆仑万维董事长兼CEO方汉

过去两年，人工智能行业的绝对主角是大语言模型（LLM）；到了今年，各种形态的具身智能机器人与空间智能设备无疑站到了舞台中央。

WAIC 2026展区里，具身智能成为围观层层叠叠、讨论最密集的赛道。无论技术极客还是产业资本，都提出同一个疑问：具身智能的“ChatGPT时刻”到底会在何时出现？

围绕下一代计算范式和人工智能物理形态的竞争中，底层路线正在以空前速度发生分化与收敛。

“2026年将成为‘世界模型元年’，这标志着AI从生成内容转向理解物理世界并与其交互的关键节点。”昆仑万维董事长兼CEO方汉在“世界模型与多模态范式跃迁”专场论坛中作出这一判断。

论坛结束后，我们与方汉展开对话，议题从世界模型的端到端演进、Scaling Law向视频和物理世界的延伸，一直谈到高达数百亿的“数据经济账”，由此呈现出一幅较为清晰的产业路线图。

被问及行业真正的分化节点何时出现，方汉回到最本质的技术信条：数据量级。百万小时、千万小时、上亿小时，构成一个层级鲜明的坐标系。

文本大模型日益收敛，世界模型也统一到DiT架构，技术底层逻辑随之透明。真正的企业壁垒已转移至异构数据清洗能力、算法迭代速度，以及最直接的资金与硬件筹措能力。

站在2026年世界模型元年的风口，具身智能已经从技术黑盒的思维转向工程流水线。至于这场重构物理世界交互规则的战役，如今才刚开始。

以下归纳本次对话的五项核心观点。

一、路线走向统一：端到端世界模型与“千万小时”定律

具身智能目前仍处于早期探索阶段，路线百花齐放，却也如同在迷雾中前行。方汉认为，可以选取一个坐标系作为对照：——自动驾驶。

“我认为自动驾驶可以作为参照。众所周知，自动驾驶在多条技术路线竞争后，最终都收敛到端到端的FSD系统。”方汉如此表示。

他强调，世界模型与具身智能最终必然采用端到端架构，因为唯有这种架构才能在真正意义上实现“Scaling Up（规模扩展）”。

此前，各流派在处理长尾场景和泛化性时往往力不从心；端到端模型要实现突破，关键是跨过数据规模的“奇点时刻”。方总以视频生成模型作类比：视频模型沉寂了多年，直至训练规模达到“20亿个15秒的切片”，才真正产生质的跨越。

当前进展到了哪一步？方汉透露，头部厂商普遍处于10万到20万小时阶段，行业正竞相冲击百万小时和千万小时门槛。他预计，今年底或有厂商达到百万小时，而头部厂商极可能在明年底率先突破千万小时拐点。

二、异构数据打开局面：从500亿到1亿元的“成本革命”

若Scaling Law是无需怀疑的规律，那么所有企业面前只剩下一个挑战：——算账。面对千万小时乃至亿级小时的数据需求，具身智能原有的数据采集模式在商业逻辑上几乎难以成立。

方汉算出一笔颇为残酷的账：早期具身智能数据主要由UMI数据和真机数据构成，而这类数据的生产成本非常高。

以基础数据采集设备为例，单副采集手套原先要十几万元，直到今年才勉强降到一万多元。即便有了设备，每小时UMI和真机数据的最低采集成本仍需500元rmb，高时甚至达到一两千元。

“可以简单计算：生产1000万小时真机数据，按每小时500元计，至少要50亿元；若数据规模达到1亿小时，成本就是500亿元，任何企业都难以承受。”方汉坦率地说。

最终被确认能够打破这一资本黑洞的工具，是异构数据（HeterogeneousData）。

“异构数据可以来自手机，甚至胸挂摄像头拍摄的人手操作过程，它的出现让采购成本显著降低。”方汉表示，异构数据当前采集成本已降至每小时50元左右；他进一步预计，从今年到明年，视频采集的异构数据成本有望下降至每小时10元。

“每小时成本若降至10元，1000万小时数据只需1亿元rmb，大家能够承担。因此，用异构数据来Scaling具身模型或世界模型，必然是最现实的路线。”方汉表示。

异构数据除拥有绝对成本优势外，对生态多样性与复杂环境的覆盖也远超昂贵的真机数据。例如黎曼动力机器人训练1.0模型时发现，大量引入异构数据不仅增强了泛化能力，甚至对“叠衣服”这类过去被认为只需UMI数据的具体操作，也产生了显著提升。

三、供应链和人口结构：中国难以复制的具身智能优势

在具身智能和世界模型赛道上，方汉认为宏观战略天平正在倒向中国，其基础是中国难以复制的完整工业门类和庞大人口规模。

具身数据本质上记录的是物理世界操作，因此任何数据采集都高度依赖硬件设备与真实场景相结合。“中国是各类数据采集设备的主要硬件产地；若与中国厂商竞争硬件成本，全球没有对手能够胜出。”方汉直言不讳。

如同汽车雷达行业曾经历的成本骤降，具身视频采集设备也在重走相似道路。众多消费电子大厂已经进入，研发低成本、配备运动加速度传感器的双目摄像头，以及更隐蔽、更便携的穿戴采集设备。

更深一层的护城河是“场景产能”。

“中国具备全球最完整的工业门类，也就拥有最齐全的工业产品；同时服务业高度发达，因此能够构造极其丰富的各类操作数据。”方汉判断，最大的数据库产地必定是既拥有硬件制造能力，又可以深入具体场景的中国。

四、基础模型的护城河及“拿着钉子找锤子”这一应用陷阱

讨论大模型商业化时，行业常有观点认为底层模型格局已定，未来重心会从模型层全面转向应用层和垂直领域，方汉对此并不赞同。

“我不太赞同这种观点。应用层同样非常危险，因为谁也不知道应用能力何时会被大模型的发展吸收并内化。”

他以近期热门的Skills（技能树）为例指出，最新一批文本大模型使用各行业专家编写的Skills训练，使大模型厂商可以轻易掌握这些行业最有价值的流程与能力。

针对大量创业者尝试进入垂直行业的现状，方汉还指出其产品定义存在一种逻辑错误：——“拿着锤子找钉子”。不少创业者自认为模型能力强，便四处寻找行业进行赋能，这种路径风险重重。

正确做法应从结果反推：“首先要深入了解一个行业的真实需求，再从需求向后推导，寻找能够满足它的模型或AI应用。”

五、泛娱乐的降维冲击：从短剧平权到游戏模型算力困局

方汉披露了一项商业现实：“今年消耗量最大的API必然来自视频生成。国内某大厂的视频生成收入，已经超过其总收入的一半。”

这一爆发的内在逻辑，是门槛降低推动创作者规模呈指数级增长。“视频模型的热门作品或许达不到当年电视剧《渴望》万人空巷的程度，但满足了大量长尾需求，视频创作者人数绝不会少于网文作者。”

不过在影视、游戏这两种备受期待的终极娱乐形态中，AI渗透速度受到商业规律与物理法则影响，已经出现分化。

方汉认为，AI电影在技术上早无障碍，出现爆款AI院线电影与长剧只是时间问题；但原生AI游戏受巨大推理成本差距制约（游戏世界模型推理速度须超过传统3D引擎），真正落地至少还要3到5年。（本文最初发布于钛媒体APP，作者｜李程程，编辑｜杨林）