10月31日、西湖世界モデル研究センターが雲谷キャンパスで成立した。この名前は多くの人を困惑させるかもしれない：「大規模言語モデル」は知っていても、「世界モデル」とは何か？
簡単に言えば、これは「大規模言語モデル」に続く人工知能分野のもう一つの「ホットワード」である。
ここ数年、大規模言語モデルの急速な発展により、私たちはその「幅広い読書」と「何でも語れる」ことに驚嘆してきた。しかし、言語を操れることは、世界を理解していることと同じではない。世界モデルとは、人工知能に「格物致知」の知恵と「見微知著」の洞察を与えるもの——物理世界の法則を探求し、現実世界の運行を推演し、「世界を見る」ことから「世界観」へと進むものである。
2025年末から2026年にかけて、李飛飛、Yann LeCunらAI界のリーダーたちが相次いで世界モデルの起業に参画した。そしてつい数日前、Google DeepMindはGenie4を発表し、世界モデルと推論モデルを融合させた。
西湖世界モデル研究センターの成立は、西湖大学がこの方向に力を入れて発展していくことを示すシグナルである。実際、3年前の時点で、西湖大学自主知能研究室AutoLabは世界モデルの研究を開始しており、スタートアップ企業を育成し、企業界との技術実装協力を進めてきた。
だからこそ、このセンターの設立は、多くのAI研究者だけでなく、業界開発部門の責任者や投資家約90人を引きつけた。成立大会の後に行われた「物理世界モデルフロンティアフォーラム」も、彼らが注目する焦点であった。
では、世界モデルとは一体何か？それはどのような変化をもたらす可能性があるのか？また、新事物として、なぜ人々はそれについて絶えず議論するのか？もちろん、3年間の「先行布局」の物語もある。
01 世界モデル
「世界はどのようなものか」から「世界はどうなるか」へ
すでに1990年、強化学習分野の主要な創始者の一人であるRichard Suttonは、世界モデルの一つの定義を示した：現在の状態と行動が与えられたとき、次の状態を予測する。これは、モデルが答えるべきなのは「世界はどのようなものか」だけでなく、「世界はどうなるか」であることを求めるものである。
今では、AIに動画を生成させるのは簡単だが、より難しいのは、カップがテーブルの端へ滑っていくとき、何が起こるかをモデルが事前に判断できるかである。于開丞はこう例える：これまでのAIの訓練方法は、AIに「大量の試験問題を暗記させる」ようなものだったが、世界モデルはむしろ物理世界の法則を「理解」することを通じて、最終的に正確な予測を行うものである。
「畳み込みニューラルネットワークの父」でありチューリング賞受賞者のYann LeCunはもっと率直に言う：「テキストの予測だけでは、AIは永遠に人間レベルの知能には到達できない。我々には物理的現実を理解できるモデルが必要だ。」
大規模言語モデルの本質は文字記号の確率的予測であり、世界モデルの目標は「現実世界の次の状態を予測する」ことである。その目標は、AIに時間、空間、因果関係、物理的常識を与えることである。
一般の人々が最も感知できる初期の世界モデルの原型は、おそらく2024年の動画生成モデルSoraであろう。最も经典的な画面は、コーヒーカップの中で波を切って進む木造帆船であり、海波の揺らぎの質感は非常にリアルだった。Soraは当時「物理世界の汎用シミュレーター」と位置づけられていた。
その直後、自動運転分野がいち早く世界モデルを実装応用した。この種の世界モデルは超リアルな走行動画を生成でき、さらには悪天候や突発事故などの「エッジシーン」を能動的に構築して自動運転モデルを訓練することもできる。これにより、自動運転の訓練過程における弱点が補われた。なぜなら、現実世界では、モデルを訓練するためにわざわざ交通事故を起こすわけにはいかないからである。
しかし問題は、リアルな現実シーンを生成できることが、モデルが本当に世界を理解していることを意味するのか？
雨天のシミュレーション画面を自動運転の訓練に使用（于開丞チームの初期の業績の展示）
02“「自己否定」——
——機械がより世界を理解できるようにするために
1993年に山東で生まれた于開丞には、ある種のギャップ感がある：彼は自分を「陽気で明るい情熱的な大きな男の子」と表現するが、技術面では少し「叛逆」的なところがある。
2012年に大学入試（高考）を受け、清華大学や北京大学に合格できる点数だったが、最終的に香港大学を志望した。香港大学で一等栄誉工学学士として卒業した後、于開丞はスイスのローザンヌ連邦工科大学に進学して博士課程に直行し、自動機械学習を専攻した。博士課程修了後、インテル智慧システム研究所、Abacus.AI、アリババ達摩院で関連分野の研究業務に従事した。
達摩院で、于開丞は主に自動運転に関する研究を行っていた。その過程で、彼は伝統的な訓練方法の限界を徐々に認識するようになった。伝統的な自動運転技術は本質的に「丸暗記」であり、訓練データセットに高度に依存している。「問題集」で見たことのあるシーンは処理できるが、稀な突発的な状況に遭遇すると、簡単に間違いを起こしてしまう。
2023年、彼はアリババを離れて西湖大学に加わり、自主知能研究室AutoLabを設立し、世界モデル方向の研究を開始した。今年とても人気になっている世界モデルは、当時はまだややニッチな概念だった。
自動運転のロングテールシーン訓練の難題に直面して、当時の分野内には主に二つの解決思路があった。第一条は、合成データを生成して稀なシーンのサンプルを作り出し、それをモデルに与えて訓練すること；第二条は、根源的にモデルに応用変通を会得させ、未知のシーンを推演する能力を持たせることである。もちろん、後者の方が難易度が高い。
西湖大学に入ったばかりの頃、于開丞とチームは難易度が比較的低い第一条のルートを選んで探索を行い、極端なシーンの動画を生成して自動運転モデルを訓練した。この道はすぐに成果を上げ、2024年にはECCV自動運転トラックの世界チャンピオンに輝き、得点は2位を大きく上回った。
国内の一流自動車メーカーと深く展開・実装していく過程で、于開丞とチームはこのルートの根基に疑問を持ち始めた。モデルがすでにリアルなデータを生成できるということは、それがある程度この世界を理解していることを示している。では、さらにピクセルを描き続けるのは一体何のためなのか？
2024年末、AutoLabは新しい技術ルートに転換し、「概念世界モデル」を提案した——つまりピクセルを生成するのではなく、抽象的な数学的潜在空間の中に物理概念の表現を構築するのである。于開丞は、このときモデルは人間のように複雑なシーンを有限の概念に分解し、それらの概念を再結合することで、訓練データには完全には現れたことのない新しいシーンを「理解」する必要がある、と語る。
言い換えれば、「概念世界モデル」は複雑な物理環境、物体の属性、空間関係、行動の結果を、空間関係、材質特性、接触状態などの再利用可能な物理概念へと分解する。全く新しいシーンに遭遇したとき、モデルはシーン全体を再学習する必要がなく、既存の概念を潜在空間の中で再結合して推演を行う。
研究が2025年に入ると、チームは実験の中で、概念の分解と関連付けのメカニズムが確立された後、モデルの複雑なタスクにおける成功率が伝統的な模倣学習と強化学習のベースラインに比べて顕著に向上し、同時に低い予測コストを維持していることを観察し始めた。
これは暗黙的世界モデルという技術ルートであり、AutoLabは国内で初期検証を完成させた数少ないチームの一つとなり、これらの研究の進展はその後の会社設立への布石ともなった。
03 自動運転だけではない
——AIが現実世界を切り拓くとき
2026年初頭、西湖数智Awomoが正式に設立された。同社のポジショニングは物理世界の基盤大モデル企業であり、大規模言語モデルに対標し、自動車メーカー向けのカスタマイズソリューションを提供するだけでなく、ネイティブな物理大モデルの構築を目標としている。
AutoLabが研究開発した「概念世界モデル」は、2026年に正式名称「Awomo」を得た。Awomoは4つの国際的な権威あるロボット評価ベンチマークのいずれでも首位に立つことで、環境擾乱、精密操作、長時系列タスクにおけるこの技術ルートの汎化能力をさらに実証した。
現在、このスタートアップ企業は累計で亿元を超えるシードラウンドおよびエンジェルラウンドの資金調達を実現しており、出資者には英諾基金、東方嘉富基金、正軒投資、天啓資本、西湖創新投資基金、金蚂投資などのハードテック系投資機関が名を連ねている。
そして自動運転は、世界モデルの応用シナリオの一つにすぎない。世界モデルはロボットの「物理的脳」にもなりうる。複雑な擾乱に直面した際、ロボットは潜在空間の中で物体の属性や動作の結果を素早く推演し、把持、組立、長時系列の協調タスクを正確に完了できる。
さらに大きな変化は、データ学習の方式にも起こるだろう。従来のAI学習には膨大な学習データが必要であり、それは非常に高い計算コストを意味する。しかし于開丞の構想では、汎用物理基盤を頼れば、下流の開発者や小規模企業は百万時間規模のデータ収集を必要とせず、わずか20から30時間のポストトレーニングだけで、特定分野のモデルを迅速にカスタマイズできる可能性があるという。
長期的に見れば、世界モデルは最終的に一般人の個別化された創造ニーズに奉仕するようになる——これが于開丞が固く信じる点である。膨大な学習の負担を抱えていないため、ユーザーは「モデルで世界を構築する」能力を活かし、個人のガレージ手工房を作るように、自分専用のプライベートロボットやパーソナライズされたインテリジェントアシスタントを自ら構築できるのだ。
これらすべての応用は、世界に直面したときAIが示そうとする行動として理解でき、そしてすべての行動は軌跡を残す。これこそが、于開丞が同時に古い書法の研究も進めている理由である。中国の漢字は象形文字であり、生まれつき構造感と空間感を備えている。漢字が甲骨文字から今日まで発展してきたことは、本質的に現実世界の実体を二次元平面の記号へと圧縮する過程である。
「甲骨文字は最古の潜在空間なのです」と于開丞は語る。
そして、意図や概念を筆画へと変換する過程は、ロボットの動作制御や軌跡計画の背後にある数学的論理と、根源的に通じ合っている。数千年が経過した今も、私たちは依然としてこの世界の法則を抽象化しようとしている——道具を変えただけである。
付記：西湖世界モデル研究センターの紹介
西湖世界モデル研究センター（Westlake World Model Center）は2026年10月に正式に設立され、西湖大学が物理インテリジェンス分野に向けて設置した学部レベルの学際研究プラットフォームである。センターは于開丞教授が主任を、金耀初院士がチーフサイエンティストを務め、さらに複数のPIが各研究分野の課題を共同で担当している。
センターは、人工知能が言語認知から物理的相互作用へと向かう発展の方向性を掲げ、世界モデルと物理インテリジェンスに焦点を当て、知的システムが物理法則を理解し、環境変化を予測し、相互作用による意思決定を行うための核心的ボトルネックの突破に取り組み、国際的なリーダーシップを備えた物理インテリジェンスの学術拠点とイノベーションエンジンの構築を目指している。
センターは世界モデルを核心的な研究方向とし、知覚・認知・予測・行動を結合した知能体系を探求し、人工知能が実環境において世界を理解し、未来を推演し、自律的に行動する能力を形成することを推進する。西湖大学の研究基盤と学際分野の強みに依拠し、センターは多分野の研究力を結集し、基礎理論、基幹技術、応用探索の協調発展を促進し、物理法則を理解し、行動の結果を予測し、現実のフィードバックの中で継続的に学習できる汎用世界モデルを研究開発し、わが国の次世代人工知能分野における自主イノベーションとフロンティア布局を支える。