智象创始人梅涛演讲：提出构建智能体化的全模态世界模型

智东西 作者 | ZeR0 编辑 | 漠影 智东西11月5日报道，近日，2026世界顶尖科学家论坛第二届国际工程智能大会举行。会上，加拿大工程院外籍院士、智象元一（HiDream.ai）创始人兼CEO梅涛发表演讲，提出构建智能体化的全模态世界模型（Agentic Omnimodal World Models），迈向下一代世界智能。 AI模型聚合平台OpenRouter数据显示，全球大模型调用规模正进入爆发阶段。截至今年10月，中国周Token调用量达93万亿，是美国的4.16倍，连续26周位居全球第一。 这些数字背后，是AI正从“工具”快速演变为像水、像电一样的新型社会基础设施。 与此同时，模型的迭代，正不断提速。在 2023 年，大模型基本以12个月为周期迭代。随着递归自我改进（RSI）推动AI进入自我加速轨道，模型迭代已按周推进。 AI的能力越强，其短板也越不容忽视。 在数字智能（Digital AI）领域，从文本交互、代码编写到视频生成，乃至数学研究，AI已达到甚至超越人类专家水平。以数学研究为例，最近OpenAI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）的发展则相对迟缓，受制于物理理解薄弱、交互数据匮乏与闭环执行能力不足等问题。 如何跨越这道横亘于Digital AI与Physical AI之间的鸿沟，正是下一代人工智能必须回答的时代命题。 而世界模型，正是跨越这道鸿沟的桥梁。 世界模型的核心，是让AI理解世界如何运行，并推演未来可能发生的事件。它通过对全模态信息的统一理解与生成，对世界状态、物理规律和因果关系进行建模，从而实现对真实世界的感知、推演与预测。 不同的技术路径通往世界模型，这成为了AI发展的下一个竞争焦点。当下产业界已经形成大语言、多模态和具身大模型三条演进路线。梅涛认为，三条技术路线并非彼此孤立，长远来看终将汇流，走向智能体化世界模型（Agentic Omnimodal World Models）。 智能体化世界模型主要有三个部分: 第一，LLM，它是智能体的决策大脑，负责理解意图、生成推理、制定任务规划。 第二，Omni-Model，也就是通用世界模型。它是世界模拟器：基于LLM的意图，模拟物理世界的运行，推演行动带来的后果，并预判下一步动作。 第三，Embodied Context，具身上下文。它对接真实的物理环境，负责执行具身行动，同时将真实观测数据回传，用于校准世界模型。 三者协同，实现「One Token Space, One World」——在同一个Token空间里，思维世界与物理世界实现统一。而这，正是通往下一代世界智能的关键所在。 对世界模型的思考，内化而成了智象的产品哲学与技术基因。智象自研了原生全模态（Unified Transformer）模型架构，让文本、图像、视频、空间、位姿、力触、传感器等所有模态，实现统一表征。 基于UiT底座，智象搭建了完整的世界模型矩阵：从图像模型起步，延伸至视频模型、交互模型HiDream-O1-World，再到具身模型HiDream-O1-Embodied，完成从静态图像、动态视频，到空间交互、具身行动的能力演进。 智象已经形成了“1+1+3”的商业化架构：底层是原生全模态世界模型矩阵，中间通过企业级模型平台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，包括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。 与此同时，智象也在大力推动世界模型在前沿领域的实践。在具身智能领域，世界模型可规模化合成毫米级高精度动作视频，突破真机数据成本高、规模小的瓶颈，为真机训练提供数据供给；在生命科学领域，智象与合作企业通过多尺度生物影像的统一表征，实现细胞演化的理解与预测，为药物响应评估提供前置参考，在实验前筛选更值得验证的方案。 从生成画面到构建世界，智能体化的世界模型不是能力的线性升级，而是一次AI演进的全新方向 。当物理规律成为 AI 的底层语言，真正的世界，便会真正向它敞开。