清华大学人工智能学院助理教授李一鸣，一位曾任职于英伟达的资深研究员，将唐朝小说《长安的荔枝》中关于系统性难题的解决之道，比作当前火热的“世界模型”领域。他认为，如同将鲜荔枝运往长安需要一套完整的保障体系，Physical AI（物理AI）的落地也依赖于数据采集、模型研发和硬件部署等一系列环节。

李一鸣在接受《智能涌现》采访时强调，世界模型的核心价值在于解决实际问题，而非单纯的技术路线。“世界模型只是运送荔枝的马匹，脱离了其他环节的配合，它本身毫无价值。”他指出，尽管如此，他回国后观察到AI领域存在着对“世界模型”概念的普遍焦虑（FOMO）。

2026年初，AI领域充斥着对“世界模型”的各种解读，这一概念也因其非共识性和巨大的想象空间，成为了当前估值泡沫最大的赛道之一。无论是视频模型、3D模型，还是VLA（视觉-语言-行动）路线的具身智能，只要与仿真或物理沾边，都倾向于将自身归类为“世界模型”的范畴。

对此，李一鸣认为，相比于界定“世界模型”的精确定义，更重要的是构建一套能够让机器人在不同场景下实现泛化的系统。为此，他团队提出了名为Physical AI Infra的方案，该方案以数据和物理双重驱动，包含两大核心组件：

• 数据管线：旨在将数据采集的规模迅速扩大，从行业平均的几十万小时提升至百万至千万小时级别。
• 物理引擎：实现“Real-to-Sim-Real”的闭环，即基于真实世界数据构建仿真环境，用于机器人的物理世界强化学习，最终在真实环境中执行任务。

尽管“世界模型”并非一个独立的组件，但它贯穿于Physical AI Infra的各个环节。在预训练阶段，它可作为训练目标；在后训练阶段，它则充当机器人进行强化学习的仿真环境。该基础设施能够训练精细操作技能，如切割、旋拧、搅拌等，并支持跨不同灵巧手和机械臂的部署，同时适用于生产制造、零售服务、酒店运营、餐饮备料及医疗辅助等多元化场景。

采用这套技术方案的初创公司“厘清智能”于2026年4月成立，并在短短两个月内完成了多轮融资。据《智能涌现》独家获悉，厘清智能的种子轮融资额高达数亿元，投资方阵容强大，包括顺为资本、红杉中国、高瓴创投、峰瑞资本、星连资本、水木清华校友种子基金、SEE FUND等知名基金，以及智元机器人、灵心巧手、世纪金源等多方产业资本。

厘清智能之所以受到一级市场的青睐，主要源于其独特性。一方面，公司汇聚了具备软硬一体化能力的复合型人才。李一鸣本人在空间感知、多模态推理、自动驾驶及具身智能领域拥有丰富的跨学科经验，其在纽约大学读博期间的研究成果与AMI Labs联合创始人兼首席科学家谢赛宁合作发表，并与英伟达共同发表多篇顶级会议论文，还荣获了2024年度英伟达奖学金。

厘清团队的50余名成员，绝大多数为清华大学的学生，平均年龄仅23岁。“软硬一体的人才在国内非常稀缺，清华大学为我们提供了优秀的人才平台，”李一鸣表示。

另一方面，厘清智能的技术路线也独具特色。李一鸣选择了“重”的全栈自研模式，覆盖数据采集、模型训练到物理引擎的每一个环节。这种模式在国内并不常见，巨大的前期投入和跨越软硬的技术门槛，让许多公司望而却步。但李一鸣认为，只有打通所有环节，才能确保信息在不同模块间畅通无阻，并实现协同优化。

按照李一鸣的规划，厘清团队将在2026年底前发布面向B端场景的世界模型，并计划在2028年实现解决方案的规模化落地。其最终目标是为客户提供一套软硬一体化的解决方案，以跨本体、跨场景的方式解决实际问题。

在与《智能涌现》的交流中，李一鸣详细阐述了他对技术判断、世界模型及Physical AI的看法：

Physical AI公司：非本体公司，亦非模型公司

李一鸣强调，厘清智能提供的并非仅仅是世界模型，而是一套完整的系统。公司以解决实际问题为导向，而非技术路线。训练世界模型的目的在于解决Physical AI领域的问题，进而提升任务成功率。因此，公司更关注如何将数据、模型、硬件和基础设施（Infra）整合为能在实际场景中有效运作的系统。

厘清智能的目标是构建一套数据与物理双轮驱动的生态系统，其中“世界模型”渗透于每个环节。在预训练中，它作为自监督训练目标，对状态（state）和行动（action）进行建模；在后训练中，它则被封装成交互式环境，供机器人进行强化学习。厘清智能并非单纯的“世界模型公司”，而是致力于提供一个包含数据管线、世界模型和物理引擎的完整系统，其中“模型”只是技术组件之一。

新一代Physical AI团队的核心特征是“全栈”。从数据采集设备、数据管线，到可微物理引擎、模型训练，厘清智能全部自主研发。公司自研的触觉手套等设备，将单套成本从美元级别压低至人民币级别，实现了数据采集的规模化，达到百万小时级别。其自研的可微物理引擎，实现了“Real-to-Sim-Real”闭环，能够模拟流体、软体和弹塑性形变等复杂材质，并作为高效的强化学习后训练平台。基于广泛场景采集的数据和后训练物理引擎，公司自研的世界模型操作系统，能够快速泛化到各个场景，并实现跨本体（cross-embodiment）。

李一鸣认为，新时代的具身公司应定位为“World Model as Service”公司，而非单纯的本体或模型公司。随着数据量的积累，公司能够实现快速的跨本体泛化，最终交付给客户的是一套软硬一体的系统，该系统可根据落地场景和客户预算自动匹配最优硬件方案，实现即插即用。

Physical AI领域所需的人才画像是“软硬一体”。李一鸣指出，国内的培养体系尚不成熟，导致这类人才极为稀缺。清华大学为公司提供了优秀的人才平台，团队成员平均年龄为03年，甚至有07年入学的学生。公司倾向于自主培养具有潜力的学生，相信他们在良好团队中的半年到一年内能够迅速成长。

不应只顾数据采集，而忽视物理规律

李一鸣提出，具身模型的参数量至少需要达到语言模型的量级，甚至更高，才有可能实现“智能涌现”。他解释道，语言是经过压缩的世界规则，即便如此，其参数量也已达数百亿。而基于自然信号训练的具身模型，需要更多的数据和参数。

他认为，“人类数据比真机数据更容易规模化”。中国拥有数亿在一线工作和生活中积累的经验，相比操纵机器人采集数据，真人携带设备采集数据的效率更高，因为扩大参与人数比扩大机器数量或采集时长更容易。目前，厘清智能已与工厂、酒店、物业、商场、厨房等场景方展开合作，可在短时间内快速积累百万小时级别的数据。

李一鸣强调，构建一套完整的Physical AI Infra，仅靠数据采集是不可行的，还必须融入物理规律。“现阶段采集到的数据量，尚不足以支持Physical AI自主泛化到所有场景。现实世界中，即使是两个相同的物体也可能存在差异，不可能采集所有场景的数据。”物理规律，如牛顿定律或纳维-斯托克斯方程，是人类对物理世界规则的总结，具有通用性，能够弥补数据局限性。

厘清智能设计了一套满足物理约束的世界模型方案，能够以1%的真实机数据量训练策略模型，并达到相同的成功率。具体做法是，通过真实机采集少量数据，然后将真实机数据的状态转移与物理世界模型的状态转移进行对齐，并将损失函数回传，不断优化世界模型。这样一来，只需少量真实数据来“校准”模型的状态转移，机器人在虚拟世界中即可自主学习。例如，机器人学习切苹果，过去需要切坏成百上千个，现在只需真实切十次，其余练习均可在物理世界模型中完成。

VLA、视频模型、JEPA并非“原生世界模型”

李一鸣认为，世界模型负责机器与世界的交互，而语言模型则负责机器与人的交互。他指出，基于LLM构建VLM（视觉-语言模型）或VLA（视觉-语言-行动模型），在本质上与物理世界适配性不强。语言模型是一个高度离散化的空间，充满了人类对世界的偏见，且许多事物难以用语言清晰表达。语言的本质是交流，是人机交互的界面，而非一种模态。模态是对世界的观测，而语言是对摄入信号的总结。因此，在训练世界模型时，语言应处于辅助地位，而非中心。

世界模型的训练需要SFT（监督微调）和RL（强化学习）相结合。世界模型需要在物理世界中进行SFT，但物理数据量不足，因此需要自主采集数据并建立标准。与LLM在后训练阶段可以生成任意词元不同，世界模型必须遵循物理规律。为此，厘清智能自研了可微物理引擎，确保后训练过程满足物理约束。因此，世界模型的训练是一个系统工程，需要联合预训练、后训练以及数据和硬件基础设施，才能实现训练效益最大化。

李一鸣定义，“原生世界模型”是指能够打通感知、推理、决策和动作输出全栈，并面向机器与世界交互任务设计的模型。VLA并非原生世界模型，因其表征是离散的语言空间，而非真实世界。JEPA（联合嵌入预测架构）只能预测状态，但无法输出动作。视频生成模型也不是原生世界模型，其推理过程并非原生，生成的像素只能拟合世界的表象，难以保证复杂任务策略学习所需的几何和物理一致性。

训练“原生世界模型”的关键在于如何高效地对物理世界进行“tokenization”（表征）。多模态观测，如视觉、触觉、力觉，如何被压缩成模型可消化、可推理的Token序列，直接决定了模型的理解能力，这层表征的质量是后续所有能力的天花板。厘清智能是全球少数能够实现表征端tokenization的公司之一，能够高效地将物理世界压缩为机器易于理解和学习的Token。

该体系的壁垒不在于技术本身，而在于认知。它需要深厚的Know-How，以及对整个生态系统搭建的清晰认知，包括数据清洗、模型优化等环节，都存在很高的认知壁垒。目前，厘清智能团队内部训练的视觉tokenizer效果已优于Meta的视觉基础模型DINOv3。未来，高效的物理世界表征也将是团队的重点研究方向。

构建Physical AI的Infra是训练世界模型的另一大难题。除了数据平台，还需要设计高效的物理引擎，以模拟柔性物体和流体的状态，并高效计算状态转移，从而让机器人在物理引擎中进行强化学习。李一鸣强调，仅仅支持本体进行简单抓取的所谓“Infra”，并非真正的Physical AI Infra。真正的Physical AI Infra能够不断优化数据效率，提升复杂任务上预训练和后训练的效果，或在短程任务训练后，能够泛化部署到复杂的长程任务中。

2028年将是Physical AI规模化落地的里程碑

李一鸣认为，轮臂（带轮子的机械臂）是适配大多数操作场景的硬件落地形态。人形机器人的想象空间巨大，但技术难度也极高。例如，当前的人形机器人负载能力限制了其执行高强度或复杂操作任务的能力，同时精准建模人体各部位也是一大难题。因此，厘清智能目前主要部署轮臂形态的硬件，通过不同机械臂和灵巧手在细分场景中实现泛化。

在早期阶段，公司将积极与场景方合作。数据的规模化和机器的后训练，都离不开与真实场景的合作。厘清智能采用“先ToB，后ToC”的场景切入模式，在B端积累的数据和技能最终将应用于C端。在B端，公司将优先切入工业、物流以及生活和消费类场景，这些场景的工种替代性强、重复性高，客户有强烈的降本提效需求。

虽然硬件成本完全低于人力成本尚需时日，但关键在于先铺开场景，从而不断优化模型性能并加快成本的边际效应。

李一鸣的最终目标是构建一套通用的Physical AI Infra。这套系统并非针对特定任务或硬件的专用方案，而是一个能够部署在不同物理环境中的基础平台，如同iOS之于移动应用，能够规模化地开发和部署各类物理操作任务。这便是厘清智能的“荔枝系统”，其底层核心能力支撑来自原生世界模型架构以及数据与物理双轮驱动的训练与评测基础设施。

他预测，2028年将是Physical AI规模化落地的里程碑。届时，数据采集的规模和电机密度预计将实现飞跃，从而为厘清智能的解决方案大规模落地创造条件。