梅涛提出智能体化世界模型：LLM、全模态与具身如何合流
走向“智能体化世界模型”。
智能体化世界模型，是梅涛给出的方向。
程浅 发自 凹非寺 量子位 | 公众号QbitAI
2026 世界顶尖科学家论坛第二届国际工程智能大会近日召开。这场年度盛会汇集了全球顶尖科学家、院士与产业领军者，围绕“工程智能”这一核心议题，讨论智能时代的前沿走向。
智象元一（HiDream.ai）创始人兼 CEO、加拿大工程院外籍院士梅涛在会上发表演讲，提出要构建智能体化的全模态世界模型（Agentic Omnimodal World Models），以此迈向下一代世界智能。
全球大模型调用规模正在爆发。AI模型聚合平台OpenRouter的数据显示，截至今年10月，中国周Token调用量达到93万亿，是美国的4.16倍，并且连续26周排在全球第一。这些数字说明，AI正从“工具”迅速变成像水、像电一样的新型社会基础设施。
模型迭代也在提速。2023 年时，大模型基本以 12 个月为周期迭代；递归自我改进（RSI）把 AI 推上自我加速的轨道之后，迭代已经按周来计算。
AI 能力越强，短板也越明显。数字智能（Digital AI）这边，从文本交互、代码编写到视频生成，再到数学研究，AI 已经达到甚至超过人类专家水平。数学研究就是一个例子：OpenAI 最近一次性公开 377 项数学成果，覆盖数百个长期悬而未决的开放问题。
物理智能（Physical AI）的进展则慢得多。物理理解薄弱、交互数据匮乏、闭环执行能力不足，这些都卡着它的脚步。
Digital AI 与 Physical AI 之间横着一道鸿沟，下一代人工智能必须回答怎么跨过去。世界模型，就是那座桥。
世界模型要做的事，是让 AI 弄懂世界怎么运行，并推演未来可能发生什么。它统一理解和生成全模态信息，对世界状态、物理规律和因果关系建模，进而感知、推演和预测真实世界。
通往世界模型的技术路径不止一条，这里也成了 AI 竞争的下一个焦点。产业界目前有大语言、多模态和具身大模型三条演进路线。在梅涛看来，这三条路线并不孤立，长远看会汇流到一起，走向智能体化世界模型（Agentic Omnimodal World Models）。
智能体化世界模型由三个部分组成:
其一是 LLM，充当智能体的决策大脑，管的是理解意图、生成推理和制定任务规划。
其二是 Omni-Model，即通用世界模型，扮演世界模拟器：按照 LLM 的意图模拟物理世界如何运行，推演行动会带来什么后果，并预判下一步动作。
其三是 Embodied Context，即具身上下文。它对接真实物理环境，执行具身行动，同时把真实观测数据传回来，用来校准世界模型。
三者配合起来，就是「One Token Space, One World」——思维世界与物理世界在同一个Token空间里统一。通往下一代世界智能的关键，正在这里。
对世界模型的这些思考，已经内化为智象的产品哲学和技术基因。智象自研原生全模态（Unified Transformer）模型架构，把文本、图像、视频、空间、位姿、力触、传感器等所有模态统一表征。在 UiT 底座之上，智象搭起了完整的世界模型矩阵：从图像模型起步，延伸到视频模型、交互模型 HiDream-O1-World，再到具身模型 HiDream-O1-Embodied，能力从静态图像、动态视频一路演进到空间交互和具身行动。
商业化上，智象形成了“1+1+3”架构：底层是原生全模态世界模型矩阵；中间是企业级模型平台HiHarness，汇聚自研 HiDream-O1 全模态系列模型及全球顶尖模型；最上层是三个智能体——AIGC 的商业营销智能体HiBurst、影视创作智能体“帧赞”和内容创作智能体vivago。
智象同时在前沿领域推进世界模型的落地。具身智能方面，世界模型能规模化合成毫米级高精度动作视频，绕开真机数据成本高、规模小的瓶颈，为真机训练供给数据；生命科学方面，智象与合作企业用多尺度生物影像的统一表征来理解和预测细胞演化，为药物响应评估提供前置参考，在实验前筛出更值得验证的方案。
