2026年上半年，中国AI领域的资金与人才正以前所未有的速度涌向同一个方向——世界模型。据行业统计，仅前六个月，国内世界模型赛道披露的融资总额便达到约300亿元人民币，若将“具身智能+世界模型”融合赛道纳入统计，这一数字更是膨胀至900亿元以上，同比增速超过5倍。百亿资金、海量人才如潮水般涌入，然而一个绕不开的问题也随之浮出水面：在如此狂热追逐之下，究竟有多少人真正想清楚了这个概念的本质？从业者在寻找技术方向，投资人在筛选潜力团队，猎头在摸排组织架构，大厂战略部门则忙于研判谁能在这场竞赛中存活下来。所有人都在追问同一个问题：有没有人能真正把世界模型这件事讲清楚？
IDEA研究院讲席科学家、视启未来创始人张磊，正是极少数能给出清晰、可操作且不随主流妥协答案的人。张磊是IEEE Fellow，Google Scholar引用量超过77000次，H-Index高达107，拥有60多项美国授权专利。他的DINO系列模型曾在COCO数据集上霸榜长达五个月，Grounding DINO与后续的DINO-X力压谷歌和Meta，被李飞飞团队、英伟达、银河通用等全球顶尖机构视为“标配”引用。2025年，他带着团队从IDEA研究院孵化创立视启未来，天使轮融资一个月内便到账近亿元，身后还站着两位AI巨擘——学术导师张钹院士（中国人工智能奠基人之一）与产业导师沈向洋院士（前微软全球执行副总裁、前微软亚洲研究院院长）。从微软研究院首席研究员，到IDEA研究院讲席科学家，再到创业者，张磊的职业道路几经换轨，但研究命题始终如一：“让AI理解物体”。在他看来，世界模型正是这个做了二十多年的命题在物理世界中的关键答案。
张磊对世界模型的定义提出了一个极具冲击力的核心观点：不以动作为输入条件，就不叫世界模型。这一论断直指当前行业概念的混乱边界。他认为，许多团队所宣称的“世界模型”实际上只是视频生成模型或预测模型的变体，它们虽然能够生成逼真的画面或预测下一帧，却缺乏与物理世界交互的关键能力——动作输入。真正的世界模型应当以动作作为核心条件，模型需要理解“如果我执行某个动作，世界将如何响应”，而非仅仅被动地观察和预测视觉信号。这一区分至关重要，因为它决定了模型能否真正用于具身智能的决策与控制，而非停留在视觉生成的表层。张磊强调，具身智能当前最大的瓶颈并非机器人本体硬件，而是“大脑”——即能够理解物理规律、支持动作规划与执行的世界模型。运动控制上的惊艳表现固然引人注目，但若缺乏对世界因果关系的深层理解，机器人仍无法在开放环境中实现真正的自主智能。
这一观点为行业厘清了概念边界，也为投资人与从业者提供了判断标准。当大量团队以“世界模型”之名行“视频生成”之实时，张磊的定义无疑是一面照妖镜。他进一步指出，世界模型的路线之争最终将回归到“理解”与“生成”的本质差异：生成追求视觉逼真，理解追求因果正确。对于具身智能而言，后者才是通往通用机器人的必经之路。张磊的DINO系列之所以被全球顶尖机构广泛引用，正是因为其在物体理解上的深度突破了传统视觉模型的局限，为世界模型奠定了感知基础。随着视启未来的成立，张磊正将这一理念从学术研究推向产业落地，其背后张钹与沈向洋两位导师的加持，更让这家初创公司备受瞩目。在百亿资金涌入的喧嚣中，张磊的清醒与坚持，或许正是这个赛道最稀缺的资产——一个真正想清楚了“世界模型是什么”的人，正在用行动定义这个时代的答案。
