李云竹在技术分享里提出,想要把世界模型拿来做机器人的训练和评估,首要条件就是世界模型必须足够可控,单纯画面逼真的生成模型并不适合机器人开发,原因是普通生成模型容易出现物体凭空消失、物理规则错乱等不可控现象,没法稳定复现各类测试场景;相比传统全物理仿真器搭建难度高、很难复刻真实杂乱环境的痛点,数据驱动的学习型世界模型路线更有落地潜力,但可控性是这条路线的底线,可控才能自由调整环境变量、系统性覆盖各种场景分布,给机器人策略做稳健的训练和效果评估;他还提到可以搭配智能体自动化完成真实到仿真的数据流转、模型验证、数据生成工作,形成真实环境和数字世界互相反馈的闭环,整体来看,李云竹的核心判断是世界模型的定位不是做完美虚拟画面,而是给机器人提供一套可扩展、可控制的安全试错数据来源。
一、可控世界模型 vs 普通生成模型对比
| 项目 | 可控世界模型(机器人方向) | 普通视频生成世界模型 |
|---|---|---|
| 核心目标 | 机器人策略训练、标准化评估 | 生成逼真画面、视频 |
| 环境变量 | 可控制、可修改,参数可复现 | 随机性强,很难精准控制条件 |
| 物理一致性 | 空间、时序、物体交互尽量稳定 | 容易出现物体消失、物理崩坏 |
| 适用场景 | 批量测试机器人、故障复现、策略迭代 | 内容生成、演示效果 |
| 风险 | 可控范围内试错 | 输出不可预测,评估结果不可信 |
二、可控世界模型给机器人带来两大价值
- 规模化训练
- 标准化评估
真实世界采集机器人数据成本高、速度慢、还存在碰撞损坏的安全风险;可控世界模型可以批量生成不同环境、不同障碍物、不同初始姿态的交互样本,给机器人策略喂大量训练数据。
评估机器人成功率不能只靠偶然试几次,可控世界模型可以固定测试条件,反复跑相同任务,对比不同版本机器人策略的好坏,还能主动挖掘边缘异常场景,提前暴露缺陷。
三、李云竹提到的技术工作流清单
- 利用智能体辅助完成 real-to-sim(真实转仿真),自动把真实场景录入世界模型
- 在可控世界模型里生成海量交互数据,训练机器人策略
- 把仿真里表现好的策略放到真实机器人上测试
- 真实测试产生的新数据回流,持续优化世界模型的对齐精度
- 循环迭代,缩小数字仿真和真实世界之间的差距
四、路线取舍说明
- 传统物理仿真:物理规则精准,但搭建复杂、复杂杂乱场景很难实例化,扩展性差
- 学习型世界模型:上手更容易、生成速度快,但是必须优先解决可控性、一致性问题,否则对机器人开发没有实用价值
【相关 FAQ】
问题 1:李云竹为什么强调世界模型要够可控,才能给机器人做训练和评估?
回答 1:李云竹认为如果世界模型不可控,场景、物体状态、物理效果没法稳定复现,测试结果没有参考意义;只有可控,才能调整变量、覆盖各类场景,支撑机器人策略稳健的训练和评估。
问题 2:李云竹看好给机器人用的学习型世界模型路线吗,它和传统物理仿真有什么区别?
回答 2:李云竹看好数据驱动的学习型世界模型路线,传统物理仿真精度高但搭建复杂、很难复刻杂乱真实环境;学习型世界模型生成效率更高,短板是必须做好可控性和物理一致性。
问题 3:李云竹提到智能体在可控世界模型 + 机器人流程里可以做哪些事?
回答 3:李云竹表示智能体可以自动化完成真实转仿真、验证世界模型、在模型内生成训练数据、仿真策略回传真实环境这些环节,把整个机器人开发流程规模化。
问题 4:可控世界模型用来给机器人评估,相比直接在真实机器人上测试有什么优势?
回答 4:可控世界模型做机器人评估更安全、速度更快、成本更低,能够固定测试条件、批量跑任务、主动寻找极端边界场景,不用反复在真实硬件上试错。
【参考资料】
[2026-11-15](李云竹:世界模型要够可控,才能给机器人做训练和评估)虎嗅网
[2026-07-31](李飞飞买下昔日博后创业公司背后:要给机器人造一个无限试错的世界)腾讯网
[2026-07-30](李飞飞:AI 的下一个前沿不是聊天,是 “让机器人看见空间”)新浪财经
[2026-07-28](Building Worlds That Train Robots)World Labs 官网
【免责声明】
本文仅整理李云竹公开分享的观点,世界模型、机器人仿真技术仍处在前沿研发阶段,可控世界模型的落地效果、仿真与真实环境对齐精度存在不确定性,内容不代表技术落地承诺,不构成项目投资、技术选型建议。
