2026年上半年，中國AI領域世界模型賽道融資總額約900億元，增速超5倍。文章作者、來源：雷峰網
2026 年上半年，中國 AI 圈的資金和人才都湧向同一個方向：世界模型。
僅前六個月，國內世界模型賽道披露的融資總額約為300億元，若將「具身智能+世界模型」融合賽道計算在內，這一數字膨脹至900多億元。
與去年同期相比，融資增速超過 5 倍。
百億資金，海量人才，如潮水般湧入。
一個繞不過去的問題是：這麼多人湧入，究竟有多少人真的想清楚了這東西到底是什麼？
從業者在尋找方向，投資者在尋找人才，獵頭在摸清組織，大廠戰略部門在研究誰能存活下來。
一件奇怪的事是，所有人都在問同樣的問題：有沒有人能把世界模型這件事講清楚？
有。
我們今天專訪 IDEAS 研究院講席科學家、視啟未來創始人張磊，一齊來釐清這件事。
他是 IEEE Fellow，Google Scholar 引用超過 77000 次。他的 DINO 系列在 COCO 連霸 5 個月，Grounding DINO 及後續的 DINO-X 力壓谷歌和 Meta，被李飛飛團隊、英偉達、銀河通用等多個全球頂尖機構「标配」引用。
2025 年，他帶領團隊從 IDEA 孵化創立視啟未來，天使輪一個月內就到賬近億元。
背後還站著兩位 AI 巨擘：學術導師張钹院士（中國人工智慧奠基人之一），產業導師沈向洋院士（前微軟全球執行副總裁、前微軟亞洲研究院院長）。
但這都不是我們找他的主要原因。
我們找他的原因很簡單：在2026年所有人都在爭論「什麼是世界模型」時，張磊是極少數给出了清晰、可操作、不向任何主流妥協的答案的人。
從微軟研究院首席研究員，到 IDEA 研究院講席科學家，再到創業者——他的職業道路幾經轉向，研究命題從未改變：「讓 AI 理解物體」。
World models are the key answer to a proposition that has been pursued for over twenty years in the physical world.
如果你正在關注世界模型賽道，想理解它到底是不是泡沫，想知道路線之爭誰會贏，想判斷哪類團隊最值得跟——這個人的談話，你值得讀完。因為，It's totally worth your time。
以下是對話實錄，AI 科技評論進行了不改變原意的刪改。
張磊博士，IEEE Fellow，視啟未來創始人兼CEO，現任IDEA研究院計算機視覺與機器人研究中心（CVR）講席科學家、香港科技大學（廣州）兼職教授，曾任微軟亞洲研究院、微軟總部研究院首席研究員，在計算機視覺等領域發表論文200多篇，Google Scholar引用超過77000次，H-Index為107，擁有60多項美國授權專利。因在大規模圖像識別和多媒體信息檢索方面的傑出貢獻，當選為IEEE Fellow。
具身智能最大的瓶頸不是本體，是大腦
AI 科技評論：自去年以來，具身智能爆發，各家機器人公司在運動控制上越來越驚艷，宇樹的機器人在馬拉松賽道上奔跑，智元的機器人能翻跟頭。但我們觀察到，在落地應用上似乎還差一口氣。您覺得具身智能真正走向現實，還有哪些必須攻克的挑戰？
張磊：機器人要解決的核心就兩件事：成功率和泛化能力。成功率，指做一件事是否足夠可靠地完成；泛化性，是同一任務換了環境、換了本體，依然能可靠完成。
具體的挑戰有四個：
第一，單一場景的泛化性不足。現在很多團隊能在單一場景中將成功率做到70%甚至80%，聽起來是很大的突破。但80%在真實應用中意味著什麼？意味著每五次操作就有一次失敗，仍然需要大量人力兜底，完全無法獨立部署。
第二，橫向延伸場景的通用性不足。應先將單點能力推至極限，再擴展場景應用的廣度，使其在更複雜的環境中執行更多、更複雜的任務。這是阻礙機器人從「實驗室演示」走向「真實應用」的最大鴻溝。
第三，「大腦」的深層能力缺失。當前深度學習更多是在學習智能的「行為」，而非「機理」（智能背後的工作原理）。具身大腦需要具備對物理世界真正的因果推斷（不只是統計關聯，而是理解「因為 A 所以 B」的邏輯鏈條）、常識理解與自適應能力，而這方面，我們才剛剛起步。
第四，遠未達到「終端」級應用。目前大多數機器人仍依賴巨大的外部算力支持，需要解決「不需要人兜底」這個根本問題，才能在海量場景中推廣，形成「應用-數據-迭代」的良性循環。
AI 科技評論：坦白講，業內對這個問題的看法挺分裂的。搞硬體的團隊認為中國供應鏈優勢明顯，應該先把本體成本打下來；搞算法的團隊覺得大腦才是真正卡脖子的地方。您怎麼看？
張磊：大腦更難，也更重要。
在本體方面，中國硬體的迭代令人自豪。宇樹、智元等企業透過模擬強化學習（在虛擬環境中訓練控制演算法，再遷移至真實機器人上）迭代運動控制，持續優化馬達、傳動機構等關鍵部件，大幅提升成本效益與可靠性，走出了一條非常紮實的路。但本體在馬拉松和表演中展現的能力，僅能說基本具備了動物的基礎能力，動物本能的反應、跳躍、躲避與環境互動的能力，本體尚未達到。
AI 科技評論：您說「大腦」更難，難在哪？是數據不夠，還是我們對智能本身的理解還太淺了？
張磊：難在背後的機制我們並未真正理解。人腦與其他動物相比，區分度最大、智能程度最高。現在所有深度學習的突破，都是從表象上觀察大腦的智能達到了什麼程度，然後用演算法去實現。AI 實際上是在學習人的行為，而不是在學習人的智能本身。就像張钹老師常說的，大語言模型能像人一樣說話，但它理解語言的方式跟人完全不同。
為何世界模型被冷落了二十年，今天突然火了？
AI 科技評論：伴隨具身爆發，「世界模型」這個概念突然火了。但圈內人都知道這不是新詞，90 年代就有學者提過。我們挺好奇的，這個概念為什麼沉寂了二十年，又在今天突然成了風口？
張磊：這個問題很好。世界模型確實不是新概念。90年代初已有學者嘗試對智能體（能夠感知環境並採取行動達到目標的AI系統）交互所需的環境建模，以幫助改進強化學習算法，但當時深度學習尚未興起，概念提出後很難驗證。
這個概念真正得到驗證是在 2018–2019 年前後，出現了真正稱為 “World Models” 的論文，並在遊戲場景中得到應用，因為遊戲是驗證強化學習最好的環境。
強化學習發展數年後，AI 已能在遊戲中擊敗人類選手。這時研究者開始思考：能否讓 AI 智能體在與遊戲環境不斷交互的過程中，自主「學出」一個世界模型，把環境演化的过程裝進模型裡？這個想法在 2018 到 2020 年前後得到了完整驗證。
AI 科技評論：那這跟今天的具身智能有什麼關係？我們聽下來，好像具身才是真正把世界模型帶火的那根導火索？
張磊：這個關聯要從語言模型說起。行業先開發了VLA（Vision-Language-Action，即視覺-語言-動作模型，機器人透過觀察畫面預測下一步動作），沿用語言模型的模仿學習範式：語言模型進行Next Token Prediction；具身的VLA則是機器人透過觀察當前畫面，預測下一個動作應如何執行。
但這種方法很快遇到瓶頸。瓶頸不僅在於數據，我認為數據只是一方面，另一方面是強化學習的應用還不夠。我有一個比喻：模仿學習讓語言模型學會開口說話，強化學習讓語言模型能說對。
機器人的智能程度和動作的成功率同樣需要強化學習。
但將強化學習應用於具身智能時，面臨兩個致命障礙：一是數據收集效率極低，遠低於語言模型，機器人必須在真實環境中實際執行每個動作並等待物理反饋；二是失敗成本不可承受，學不會洗碗就會打碎碗，自動駕駛學習避免事故可能需要經歷大量真實事故才能學會。這與語言模型在數字世界中低成本試錯完全不同。
世界模型所提供的虛擬環境，正是解決這些問題的出路。如果一個模型能預測「如果我做了這個動作，環境會變成什麼樣」，那機器人就可以先在虛擬世界裡「腦補」無數次試錯，而不需要真的打碎一萬個碗。
（編者註：簡單理解這段話的邏輯鏈。第一，機器人學會做一件事需要大量試錯。第二，在真實世界裡試錯太貴太危險。第三，世界模型就是為機器人打造一個「虛擬訓練場」，讓它在腦子裡推演各種動作的後果。第四，只需將最佳方案拿到真實世界執行。這就是為什麼世界模型在這個時間點突然成為全行業追逐的焦點。）
「如果不以動作作為輸入條件，就不叫世界模型」
AI 科技評論：目前行業對「世界模型」的定義相當混亂。視頻生成的叫世界模型，3D 空間建模的叫世界模型，LeCun 的 JEPA（聯合嵌入預測架構）也叫世界模型。那您認為，一個模型要配得上這四個字，至少需要具備什麼條件？
張磊：我認為世界模型一定要有動作依賴，即 Action Conditioned（以動作為輸入條件，模型必須能回答「如果執行某個動作，環境會變成什麼樣」）。
智能體能夠與環境互動的原因在於動作：智能體的動作導致環境變化，環境變化後產生新的狀態並反饋給智能體，告訴它當前的動作是否更接近目標。這是一個完整的閉環，環境狀態的每一次轉移，都依賴於上一步所執行的具體動作。
人們常說世界模型就是將語言模型的 Next Token Prediction 改為 Next State Prediction，但我認為這個定義不夠嚴謹，缺少了一個關鍵條件。正確的表述應為：Action Conditioned 的 Next State Prediction。只有加入動作這個前提條件，狀態預測才有意義，才是真正符合強化學習需求的世界模型。
AI 科技評論：講真的，很多人，包括一些投資人，在商業計劃書裡，習慣把 Sora 這類視頻生成模型也稱為世界模型。但按您剛才給出的標準，它們明顯缺少了動作這個維度。我們想聽聽您怎麼拆解這個問題？
張磊：我們這裡討論的世界模型，源自強化學習領域的 model-based 方法，目的是幫助智能體更有效地與環境互動。雖然世界模型有許多應用場景，但具身智能是目前最清晰、也最有價值的應用場景。
在這個意義下，純視頻生成模型，例如早期的 Sora，不能被稱為世界模型。核心原因在於它沒有建模「動作」，本質上只是生成一個自洽的視頻序列，預測像素如何變化，但完全沒有建模機器人與環境互動的動作。它能否間接幫助機器人？可以學到一些世界變化規律，但很難幫助機器人更好地與環境互動。
AI 科技評論：那最近很火的 World Action Model（世界動作模型）呢？我們聽說它也在談動作，是另一種世界模型嗎？
張磊：WAM 也不是強化學習意義下的世界模型。它利用預測未來畫面所提供的像素級監督來幫助改進動作預測，在某些任務上已展現出比 VLA 更好的性能。但它的建模是先果後因的，先生成未來畫面再反推動作，無法用於強化學習，因此不符合我們這裡討論的世界模型的定義。
像素派 對 隱空間派：其實雙方都在做同樣一件事
AI 科技評論：談到路線之爭，這現在是世界模型領域最熱門的話題。LeCun 是隱空間派的旗幟人物，Sora 則代表了像素派。這兩條路線看似水火不容，您怎麼看？
張磊：首先，我們應該看到，兩條路線有共性。
實際上，現在大家普遍覺得它們對立性很強，可能也是因為 LeCun 比較旗幟鮮明地堅定他的主張，有時候一個學者為了讓外界記住自己的主張，一定要講得比較清楚一些。
但像素路線實際上也要借助隱空間來操作。Stable Diffusion、Sora 都是先將圖像或視頻壓縮到低維表徵空間再處理。所以，表徵空間才是更本質的問題。兩條路線的真正分歧，根本不在于要不要用隱空間，而在於進入隱空間之後要保留什麼、丟掉什麼。
差異在於：隱空間路徑希望排除光影、紋理等並非由物理規律驅動的像素細節，有助於模型學到狀態變化背後更本質的規律，但它面臨表徵坍塌的風險，如果一萬個不同畫面映射成完全相同的表示，表徵就坍塌了，意味著模型喪失了辨別不同狀態的能力。像素路徑追求纖毫畢現，本質上是在討好人類的眼睛，因為人類對視覺細節非常敏感。
AI 科技評論：聊到這裡，我們有個直覺。人腦做推演不也是在隱空間中嗎？你閉上眼睛想像一個動作的後果，誰會在腦子裡逐像素渲染一遍？
張磊：沒錯。如果大腦存在一個世界模型，人類想像動作如何改變環境時，其實是在潛空間中進行操作，而不會在腦中逐像素地重現整個畫面。因此，以人眼對畫質的判斷作為世界模型的評價標準是不充分的。若要以像素路徑建構世界模型，真正應該追求的不是像素有多逼真，而是生成的影片序列必須符合物理合理性。
（編者註：這段對話討論的是AI世界模型的兩條路線之爭。以Sora為代表的像素派只專注於畫面逼真，常出現杯子懸浮、物體穿模、蠟燭吹不滅等違反物理常識的bug；而LeCun與張磊主張的隱空間派，則先將畫面抽象為規律再進行推演，更懂物理因果。張磊的關鍵創新，在於隱空間中加入「物體結構」，讓AI先區分杯子、桌子、人等獨立物體，再學習它們之間的互動規律，既避免Sora式的視覺穿幫，又比純抽象隱空間更適合機器人在真實世界中避障、抓取與規劃動作。）
AI 科技評論：您與 LeCun 走的是同一條隱空間路線。但我們聽說，您的做法與他有一個關鍵區別，您強調要「引入物體結構」。核心差異在哪？
張磊：我們的路線與 LeCun 共享同一條第一性原理：人腦進行反事實推理（「如果我這樣做會怎樣」的推演）是動作條件化的，在抽象表徵中推演，而非在像素中重演。
LeCun 過去幾年透過 I-JEPA、V-JEPA、LeJEPA 驗證了這條公理：預測應發生在表徵空間中。但具身方向的物理空間複雜度極高，若要將此方法真正應用於大規模真實環境，我們認為還需在隱空間中引入必要的結構。
這個觀點來自我們已驗證過的能力。我們的核心團隊主導研發的 DINO-X，已解決開放世界「看見物體」的問題。因此，現在我們讓物體成為世界模型預測與規劃的基本單元。直觀來講，物理規律是作用在物體上的，讓隱空間表徵理解物體，就可以更有效地學習物理規律。
AI 科技評論：等一下，我們想追問一句。LeCun 的 AMI Labs 拿了十幾億美元融資也在死磕這個方向。你們這個「引入物體結構」的改進，憑什麼覺得能在他的大框架上跑得更遠？
張磊：因為我們之前做的 DINO-X 是一個開放式的物體感知通用模型，已將「理解物體」這件事做到全球最佳。我們對視覺模型機理的理解，以及為何視覺模型能產生物理合理性，都與過去從事通用物體理解的路線高度一致。
簡單來說，LeCun 的路線是基礎框架，我們在這個框架上引入物體結構，並讓它在真實環境中閉環。這個「閉環」的能力，是我們過去幾年打出來的。
為何 DINO 系列能壓過 Google 和 Meta？
AI 科技評論：你們團隊在視覺大模型階段的成績實在太突出。Grounding DINO 和後續推出的 DINO-X 力壓谷歌、Meta，被李飛飛團隊、英偉達、銀河通用等全球頂尖機構標準化引用。這件事我們內部討論過，都覺得有點「不正常」：通常中國團隊是追著國外跑，你們是怎麼反過來讓國外團隊來追你們的？
張磊：兩個維度比較突出。
在範式上，我們是視覺領域第一個將 Transformer（一種基於自注意力機制的深度學習架構，也是大語言模型的底層基礎）檢測做到 SOTA（State of the Art，領域最佳水平）的團隊。Grounding DINO 將語言模型的範式引入，首次將物體檢測拓展至開放域，模型不再受限於「只能識別訓練過的物體類別」，而是能夠檢測任何未曾見過的物體。至今它仍是開源模型中引用和下載量最高的，這可稱得上範式級突破。
在數據與工程策略上，於 Grounding DINO 之後，我們轉向閉源路線，將經過驗證的構想往擴展方向推進。同時，我對工作水準要求極高。儘管當時團隊年輕，未曾完成過如此強大的工作，我仍堅持設下高門檻，強調必須達到大版本級別的突破才可發布。因此，我們花了約一年時間才推出 Grounding DINO 1.5，隨後又花了半年時間推出 DINO-X。事實證明，這一年多精心打磨的版本，確實獲得了業界的高度認可。
AI 科技評論：你們做的這些視覺大模型，與今天做世界模型是什麼關係？
張磊：我們的工作一脈相承。此前從事物體感知，核心目標就是為機器人提供感知基礎，後來許多團隊使用我們的 Grounding DINO 解決具身環境理解問題。
在技術路線上，世界模型比語言模型更偏向視覺原生，絕大多數世界模型的研發都不是基於 GPT 那種純語言架構。
在團隊積累方面，我們對視覺模型機理的理解與原先從事通用物體理解這條技術路線的契合度極高。這也是我們有信心持續迭代世界模型的原因。
團隊是從 IDEA 孵化的 20 多人，非常穩定。我們在開發閉源模型的過程中，也持續吸引外部算法與工程能力強的人才加入。這 20 多人，就是今日視啟未來的「種子」。
從 DINO 系列模型到世界模型的進化路線
如何讓 AI 真正「看見」物體？
AI 科技評論：您說現有的隱空間方案「並不真正理解物體」，它們不知道場景裡哪些是獨立物體、物體之間是什麼關係。我們挺好奇的，這怎麼判斷？怎麼知道模型是真的「理解」了物體，還是在「假裝」理解？
張磊：理解本身難以直接驗證。語言模型到底是如何理解語言的，目前誰也說不清楚，只能透過行為表象來判斷：它連續輸出文字，如果你覺得與人類說的沒有差別，就說它理解了。
世界模型也面臨類似的困境。模型是否真正理解了物理規律，是否真的捕捉到了物體結構，很難直接說清楚。我們會通過中間步驟的可視化來分析，如果結果與人類直覺一致，就說明它可能捕捉到了物體結構。
AI 科技評論：有沒有什麼具體的測試方法？能不能做個實驗來看看？
張磊：有。反事實測試就是一個很好的方法，讓模型嘗試不同動作，看看能否得出物理上合理的結果。如果軌跡稍有偏移仍能做對，說明學到了規律；如果做不對，說明學到的可能只是統計相關性。
這很考驗洞察力。就像理查德·薩頓教授所說，人們在做研究時總忍不住想幫模型，把自己的經驗灌進去。語言模型研究者曾經恨不得把句法結構分析出來，把分詞、詞組都餵給它，但最終還是敗給了「預測下一個 Token」這個簡單範式。
我本人非常相信這種簡潔範式向前迭代的力量。過多的人為設計，短期有效，但長期會阻礙迭代。
AI 科技評論：在物理世界中，還有一些非常棘手的物體，例如流沙、水流、煙霧、布料，它們沒有清晰的邊界。我們擔心的是，您的「物體為中心」框架是否反而會被「物體」這個概念所限制？
張磊：這個問題我們自己也在思考。從技術角度來看，最簡單的切入方式是 Mask，將物體區域的像素分割出來。過去幾年，視覺領域在物體語義理解和 Mask 預測方面已經非常成熟，流沙、水域等非剛性物體都能處理。
因此，從 Mask 入手，是一個務實的起點。而我們在通用物體感知上的積累，比外面任何團隊都深。
EgoTwin：讓人的手教會機器人的手
AI 科技評論：您的技術框架中有一個非常關鍵的概念，稱為「動作對齊」，將人手、兩指夾爪、多指靈巧手等不同構型的動作映射到同一個隱空間。我們的理解是，這聽起來有點像為機器人做翻譯，讓它們能理解不同「語言」的動作，對嗎？
張磊：世界模型的輸入主要有兩個：畫面（狀態）和動作，因此對動作的理解非常關鍵。
動作對齊是多本體問題的基本需求。人手與機械臂的對齊更具挑戰性：機械臂的關節位置在物理空間中的 XYZ 坐標是精確可知的，但人手數據通常來自 2D 影片，人們拍攝的烹飪影片僅包含二維畫面，沒有三維坐標。直接混合使用效率極低。
我們的做法是提取 3D 關鍵點，將人手的 2D 影片轉化為 3D 空間的操作序列，並與機械臂數據對齊至同一物理空間。這正是當前行業所稱的 Ego 數據（以第一人稱視角採集的人類操作數據）的採集與處理。
我們之前發布的 EgoTwin，主要解決的就是這類數採問題，目前已與百度雲的數採團隊展開合作。
AI 科技評論：EgoTwin 解決了「手怎麼動」的數據問題。但我們想追問一句，人類影片中還隱含了更高層的信息——「手為什麼這麼動」的意圖，這部分該怎麼辦？
張磊：更高層的動作意圖理解，我們會交由世界模型或VLA模型來解決。但前提是數據本身的質量必須足夠高。數據原料至關重要。行業內在數據採集上投入了大量人力與成本，但在許多情況下，數據的利用效率並不理想。我們在Grounding DINO和DINO-X工作中累積的核心經驗是，必須讓懂算法的人深入參與數據工作，否則採集的數據在訓練時可能根本無法使用。需要算法與數據兩條線並行迭代。
張钹與沈向洋：兩位導師，一種底色
AI 科技評論：我們注意到，您身後站著兩位對您影響深遠的人物：張钹院士（中國人工智慧奠基人之一）和沈向洋院士（前微軟全球執行副總裁、前微軟亞洲研究院院長）。一位偏學術，一位偏產業，我們很想了解，他們各自給了您什麼？
張磊：張鐔院士永遠是我的導師和榜樣。我最早認識張老師是在本科剛進入清華教研室時，他是實驗室主任。當時我在做AGV（自動導引小車），大量課餘時間都在實驗室調試硬體做實驗，那時就經常能看到張老師在實驗室指導博士生進行機器人相關的工作。後來我很幸運，也成為了張老師的博士生，印象最深的是他對新技術非常敏感，有很強的好奇心。每次找他討論實驗結果時，他都會興致勃勃地坐在一旁，說「你把這個改一改，看看怎麼樣」。他也在透過這種方式加深自己的理解。你能看到一位學者對演算法、對問題的理解，完全是被好奇心驅動的。
另一點至今受用的，是他強調「理解東西要理解透」，理解不透就會被騙，理解透了才知道底層原理是怎麼回事。這句話後來也成了我帶學生的準則：透徹理解，力求最好。
沈向洋院士對我的影響也非常大。我在微軟期間，他一直是我的頂頭上司，可以說影響了我整個職業道路：從中國到美國是他招我過去的，從美國回深圳也是他動員我回來的。並且，他在產業方向上也有非常敏銳的判斷力，從團隊構建到融資，都給了我很多具體的建議和經驗分享。
AI Tech Review: We heard that Professor Zhang Bo, at the age of 90, still visited your team for exchange? We find this truly moving.
張磊：是的。去年11月，清華研究生院邀請他到深圳授課，他上午講完課，下午就把時間留給了我們團隊。花了一整個下午交流，晚上一起吃飯。他視野非常廣，對我們的通用視覺理解和機器人方向給了許多建議。雖然年紀大了，但思路非常清楚，邏輯性和對問題理解的深度，可以說一點都不比年輕人差。
每波浪潮都超出想象，但浪潮會自己找上你
AI 科技評論：最近幾年，從深度學習到大模型，再到具身和世界模型，您都深度參與其中。我們想知道，有沒有哪個 moment 讓您覺得「這就是我要做的」？
張磊：物體檢測的工作，非常接近你所說的這種狀態。這項工作讓我感到非常自豪，因為能看到整個領域取得了突破性的進展。
接下來的世界模型，也是讓我感到興奮、願意全力投入的方向。過去幾十年強化學習與世界模型交替發展的過程，以及語言模型成功的範式，都可以借鑒過來。我認為這個方向將對整個AI行業帶來重大影響。
AI 科技評論：研究者的高光時刻經常被提及，但低谷似乎很少被提到。您經歷過技術低谷嗎？
張磊：有。2018 年前後，我嘗試使用弱監督數據進行物體檢測，僅靠圖片類別標籤就能進行檢測，避開為每個物體標註框。這個方法聽起來很有吸引力，我花費了相當長的時間，但始終未能徹底解決。
後來到 IDEA 做 Grounding DINO，將語言理解與檢測能力結合，反而從另一個角度解決了問題。這個突破一方面源於我們在 DINO 檢測模型上的創新所奠定的堅實基礎，另一方面很大程度上受益於語言模型的發展。Grounding DINO 的突破發生在 2022 年底、2023 年初，正好是 ChatGPT 出現的時刻。有一種說法叫「當數據足夠大時，智能就會自然湧現」，數據足夠大，算法就可以足夠簡單。
我認為遇到挫折是正常的，關鍵是要有死磕難題的狠勁，這一轮做不通，就換個角度，吃飯睡覺都在想，圍著它不停地轉。真正好的問題，會持續想很多年，然後在某個時刻，可能就自然而然地湧現出質變式的突破。
AI 科技評論：現在很多年輕人也在從事世界模型的創業，例如逆矩陣的陳博遠、吉嘉銘，以及白澤科技的白寅岐，他們甚至還是本科生。我們覺得這件事挺有意思，您對這種「後浪」有什麼看法？
張磊：這說明進入研究的門檻確實降低了。在深度學習崛起之前，新進入者需要花幾年打基礎。現在開源技術把技術簡化了，理解 Transformer 就能進入這個領域。年輕人的優勢在於沒有包袱，從第一性原理出發更容易接受新範式。但真正難的問題，也需要有洞察力、理解力和把控方向能力的前輩研究者。
社會熱點總在變，但如果只是為追熱點而追，反而追不上。本質是：不管方向怎麼變，每個團隊永遠需要最能幹的人。你只要保持好學、基礎紮實，最前沿的方向會主動找上你。
一個啟示
這次採訪中最觸動我們的，不是張磊那些耀眼的技術成就，甚至不是他帶過的那批後輩天驕——實習生黃崢、李學龍，以及微軟第一代人臉檢測算法項目中的團隊成員朱瓏、肖嶸、顏水成。
最觸動我們的，是他反覆提起的一個詞：「理解透」。
這個詞，張磊記了三十年。
1990 年代初的清華園，人工智慧還是一個冷門到無人關注的學科，張磊當時是計算機系一名在教研室擺弄 AGV 小車的本科生。當時實驗室主任指導博士生從事機器人相關工作，給他留下了深刻印象，後來他也拜入其門下。
實驗室主任名叫張钹，中國人工智慧的奠基人。每當張磊邀請他一起查看實驗結果時，他總會興致勃勃地坐在張磊旁邊，盯著螢幕看一會兒，伸出手指說：「你把這個改一下，看看怎麼樣。」這不是在檢查作業，而是真的想知道，你調整參數後會發生什麼。
張鈔教給張磊的東西，後來濃縮成三個字：「理解透」。
如果不理解，就會被騙；理解透徹了，才會知道底層原理是怎麼回事。
中國一代科研人的精神，正是在這些細微小事中傳遞下去的。
2018 年，張磊在微軟從事弱監督物體檢測，但未能成功，他沒有更換題目。
如果這一轮做不通，就換個角度，吃飯睡覺都在想，圍著它不停地轉。
這不是修辭，而是他的日常。
後來到 IDEA 做 Grounding DINO，他從另一個角度把問題解決了。突破的時刻，是 ChatGPT 在 2022 年底推出——語言模型的能力提升了，數據足夠大了。
張磊使用了一個描述：「自然而然地湧現」。
從調整 AGV 小車參數到解開世界模型，中間隔了三十年。這三十年裡，他從大規模圖像檢索到通用視覺理解，對每一個問題都追求徹底理解並做到最好，直到再次回到「為機器人建構世界模型」這個方向。正如喬布斯所說的「connect the dots」——每一件認真做過的事情，都不會白費。
2025 年底，90 歲的張鐸飛到深圳講課。上午講完課，下午就直接前往視啟未來的辦公室。七八個年輕人圍著他，他整整講了一個下午，晚上一起吃飯時，談起自己讀書時的事，以及對這個方向的判斷。思路清晰，邏輯嚴密，一點也不比年輕人差。張磊也向老師介紹了自己正在做的事情。
Academician Zhang Bo at Vision Future, Zhang Lei updates his teacher on research progress
三十年前，在清華園裡，老師坐在學生旁邊說：你把這個改一改，看看怎麼樣。
三十年後，深圳辦公室，學生向九十歲的老師講述他正在開發的世界模型。
這是一個何等令人動容的場景重現。
人會老去，潮水會退去，熱點會冷掉，但中國科研人想要把一個個世界難題「理解透」的執念，從來沒有變過。雷峰網