物理AIZJ交流再更新1020 更大的世界 更真实的体验 东

1️⃣ 核心观点：与现实世界的交互

• 主流VLM（如DeepSeek、豆包、Claude等）：以语言能力为核心，侧重语言理解、任务理解与规划，输入以观测文本为主。
• 世界模型：建立在语言模型基础上，核心目标是预测未来物理世界状态、生成并理解世界，掌握物理规律，增强人机交互能力。
• 数据差异：语言模型依赖互联网公开数据（一维文本），世界模型需机器人动作、力觉、触觉等物理数据，需更高维度的监督信息（动作、视频、3D/4D物理世界），对应数据需求量和算力需求显著高于语言模型。

2️⃣ 整体落地节奏与重要环节

• 落地顺序（由近及远）：内容生成→自动驾驶难例数据生成/仿真→工业制造→零售商场→家庭通用机器人。
• 模型演进方向：未来模型架构将向多模态输入、多模态输出演进，输入包含用户指令、当前观测、历史信息；输出以最具价值的动作为核心，叠加2D/3D/4D物理状态辅助预测，通过高维状态辅助实现动作预测降维提升（如特斯拉FSD已采用该逻辑）。

3️⃣ 数据环节

• 核心要求：构建从数据采集、存储、处理、人工标注到模型训练的全自动化流程，高质量数据是全场景（内容、自动驾驶、具身）的基础。
• 相关标的：#相关数采（奥比中光、海天瑞声、华依科技、当虹科技），#其他垂类场景相关标的参考此前观点更新。

4️⃣ 基础设施（Infra）环节

• 训练侧：需解决千卡、万卡级大规模分布式训练问题，包括模型参数跨卡拆分、训练不稳定（任务中断、loss异常飞涨）、异常数据筛查等痛点。
• 部署侧：需解决大规模并发访问问题，通过模型量化加速推理速度，端侧场景需满足实时性、因果性要求。