循环世界模型（LoopWM）极有可能是下一代通用世界模型架构

过去一年，世界模型（World Model）几乎成为 AI 领域最拥挤的赛道之一。

从视频生成到机器人，从具身智能到空间智能，几乎所有人都在谈论同一个愿景：让 AI 不只是理解世界，而是能够预测世界、模拟世界，最终学会在世界中行动。

但今天的世界模型究竟是什么远未形成共识。架构没有收敛，数据没有收敛，评估体系没有收敛，甚至连“世界模型应该长什么样”本身都仍在争论之中。

在这样一个百家争鸣的阶段，大多数团队选择沿着视觉路线继续前进：生成更多视频、更长视频、更逼真的物理世界。而 FaceMind 创始人 Adam Lu 试图从另一条路径切入。

他们没有把重点放在逐帧生成世界，而是把推理留在隐空间（Latent Space）之中；没有把目标定义为更强的视频模型，而是试图解决世界模型长期存在的长时域误差累积、计算效率和推理稳定性问题。

这也是 LoopWM 诞生的背景。

这项工作提出了一种循环式世界模型架构（Loop World Model）。相比不断堆叠参数和计算量，它试图让模型像思考一样反复迭代，在隐空间中持续修正自己的状态，并通过 Early Exit、Deferred Decoding 等机制，把有限算力分配到真正重要的推理步骤上。

某种程度上，LoopWM 讨论的已经不只是一个具体模型，而是另一个更大的问题：当世界模型最终走向机器人、工业系统乃至真实物理世界时，未来的 Scaling Law 是否还会沿着“大模型+大算力”的路径继续前进，还是会诞生新的计算范式？

Adam Lu表示，从 Imperial College 与港中文的科研经历，到创业过程中对 world model 的判断；从 LoopWM 的设计逻辑，到他对于架构收敛、测试时扩展（Test-Time Scaling）、机器人文本理解以及世界模型未来三年的预测。

此外，Adam 在与 ZP 飞行 Host 的对谈中，还讨论了世界模型的 ChatGPT 时刻。它或许还没有到来，但真正重要的问题已经越来越清晰：未来的 AI 不只是生成世界，更要学会在世界里思考。而 LoopWM，正是他们给出的一个答案。我们也将这些片段完整整理出来，供大家更加直观感受一线研究者们在真实语境中的思考与碰撞。

FaceMind CEO Adam Lu（左）& FaceMind CTO Victor Wei （右）

Host是来自清华大学智能产业研究院（AIR）的邹恬圆，研究方向为世界模型、多模型融合、数据隐私、数据合成。

很多 world modeling 方法做 test-time scaling，是用指数级方法生成更多未来世界的可能性，再选一个最优解；我们想做的是一个线性的、适合机器人或世界模型领域的 test-time scaling 方法。Deferred Decoding 更多是为了避免每一步都把可能错误的状态 decode 出来，然后把错误放大；我们希望它在隐空间里继续推理，用更 continuous 的 representation 做进一步推演。

因为 loop model 本身有 loop 的性质，所以训练初期最核心的问题是，长 horizon 的任务很难直接优化。而如果把所有数据直接丢进去、随机打乱训练是不行的，所以我们做了 hierarchical curriculum learning。

有些比较简单的任务，在传统 deep stacked layers 里会被忽略掉，特别是在很深的模型里会出现梯度消失，而Loop 架构在这个问题上会好很多。我认为核心原因是，越深的 model 越适合处理比较难的问题，但 world model 的任务复杂度差别很大。

具身领域里的任务难度差异非常明显：让机器人在房间里走动一下，和让它拿起一杯水，难度差别非常大；这种差异就适合 loop 架构。现在大家看 world model，基本还在解决空间层面的问题；但我们肯定希望未来的机器人能够先拟合人类，再进一步超越人类，而机器人能不能在空间世界里理解文字，是现在还未被完全解决的问题。

World model 本质上是一种 World simulator，以此来解决现有的仿真环境中不够拟真的问题。有可能现在的 WAM 架构还不是未来最优解，因为 WAM 本质上是一种联合训练，但 World model 更多的要素对于具身场景来说可能是一个数据提供源。

从隐空间循环，LoopWM 试图绕开逐帧生成的旧惯性

ZP：在正式进入 LoopWM 之前，想先请你按时间顺序介绍一下自己？从 ICL 本硕、CUHK PhD、MSRA 实习，到后来创办 FaceMind，这几段经历分别如何影响你今天的选择？

Adam：我 2017 年到 2021 年在英国 Imperial College London 读计算机本硕。当时选择计算机，主要是因为我喜欢打游戏，也喜欢写程序。那段时间其实没有特别强的科研导向，更多是在写代码，也会写一些小游戏。现在写代码有 AI 辅助，会方便很多，但当时基本还是自己一行一行写，我也很享受这个过程。

在 Imperial 做毕设时，我遇到了一位对我影响很大的老师 Daniel Rueckert。有一次我拿着一篇大机构的 paper 去和他聊，说我觉得这篇文章很不错，可能因为它是 Google 做的。他提醒我，不要只看 title，也不要只看机构。即使作者来自 Google，也还是要看文章本身的贡献。他还告诉我，不管在哪个 institution，只要 contribution 足够好、足够新颖，就能做出非常有意思的东西；真正有品味的人，应该能够抛开 bias。这件事对我影响很大。它让我意识到科研和创新是非常 global 的，并没有那么强的边界。只要贡献本身有价值，就应该被看到。那时我还只是在做本科毕设，但已经对科研产生了很高的期待。

后来我选择继续做 AI research，一方面是因为我确实想做科研，另一方面也和我从小喜欢二次元、喜欢《刀剑神域》这类作品有关，里面有很多关于 AI 的想象。毕业之后，我去了香港中文大学读 PhD，跟着 William 教授做科研。他是一个比较低调的老师，在国内不太宣传，但我觉得他非常厉害。

我也会承认，自己在科研上应该还是有一点天分的。刚开始读 PhD 时，我比较快地做出了一篇一作工作，当时只有我和老师两个作者，也拿到了不错的 award。那个阶段我会觉得，自己在 research 上可能确实还可以。但在读博期间，我也开始思考创业。因为我在跑 benchmark 的过程中很快发现，benchmark 有时并不能代表一个东西真正落地到现实世界后的效果。比如我早期在 PersonaChat 这个 dataset 上做 benchmark 时就发现，行业里有很多东西不会写进 paper，也不会直接告诉 junior researcher。benchmark 本身也可能有 flaw，尤其是一些对话数据集，它的数据收集方式会带来限制，有些甚至是在虚假数据的基础上继续收集后续对话。所以那段时间我逐渐意识到，如果想让研究更有意义，或者真正落地到现实生活中，做一家公司可能会更合适。我当时觉得，自己已经接受了足够多的 academic training，接下来希望把技术真正落地。

2022 年到 2023 年，我在 MSRA 实习了一段时间。实习之后，我第一时间想的是成立自己的公司。当时我还在读书，所以没有全职运营。公司最开始选的题目其实不太符合我们的团队画像，我们做的是 AI 陪伴类产品，更偏应用和运营，不那么偏技术。后来到了 2025 年到 2026 年，我毕业后，公司正式开始运营，我们也把方向调整到了 world modeling。直到现在，公司一直在做这个方向。我认为它更符合我们团队的背景和能力结构。

公司也拿了几轮融资，包括星连资本、360 集团、奇绩创坛等，股东也都很支持我们做这件事。他们也认为，我们团队比较适合做 world model。今年 world model 的竞争确实很激烈，但我们也做出了一些我认为 contribution 比较高的产出。最近常有一些大机构的人来找我们交流，英伟达可能是最早注意到我们方案的国外大公司之一，他们评价这篇工作为“highly valued contribution”，可以看出这篇文章现在业界已经有了一定关注度，离我们最近的是英伟达。

ZP：你的 research taste 是怎么一点点形成的？怎么判断一个问题值不值得做？

Adam：可能最重要的还是多看、多做。比如我在读 PhD 之前那个暑假，基本上就是疯狂看很多论文。

我觉得对 junior researcher 来说，很重要的一点是先开始做。学界里面有些人会说，A 加 B 不是好东西，或者某种组合不够有意思。一个很 junior 的 researcher 可能会花很多时间想，我到底要做什么才足够有 impact。但我自己的经验是，有时候 A 加 B 也能让人眼前一亮，关键取决于具体的 A 是什么、B 是什么，以及你怎么把它们结合起来。

所以核心还是要有自己的判断。互联网上信息很多，每一条信息都可能带来一种认知偏差。比如今天你上知乎刷很多评价，看到别人说 A 加 B 不是好 work，你可能就会被影响。但实际上，A 加 B 也可能是好东西。

我的风格是先找一个自己觉得大概可行的方向，然后直接下手做。很多事情在你真正了解它之前，我觉得可以先快点开始，看看结果，再用结果给自己反馈，之后再迭代、调整方向。

ZP：公司后来定 world modeling 这个大方向的时候，也是类似的判断逻辑吗？

Adam：不是完全一样。我觉得公司定大方向和学术科研不太一样。学术科研更强调找一个比较新的东西。比如你找到一个很新的 idea，reviewer 通常也会花时间认真判断它的新颖性和贡献，因为学术评审大多是 anonymous 的，不太看 researcher 背景。只要新颖性足够强，是有可能中的。

但公司选方向，尤其是要融资的公司，逻辑会不太一样。World modeling 这件事本身是一个重要共识。投资界一般更倾向于投一个已经成熟的概念，再叠加一个不错的团队，里面的方案可以稍微新奇一点。如果是完全全新的东西，VC 反而可能会害怕。

所以公司在选择大方向的时候，不需要一开始就创新，更合适的做法是先进入一个主流、重要、大家认可的方向，在里面做具体创新；等公司到一定阶段、有足够背书之后，再追求更大的创新。

就我自己看，FaceMind 做 world model 这件事情本身没有那么大的创新，但 LoopWM 我觉得算是挺大的创新。至少从学界反馈来看，很多人都觉得这是一个大创新。在 X 上也有人觉得，这可能是一个全新的 world model 方向。

LoopWM

ZP：LoopWM 一个很重要的特点是通过 iterative loop 做 long-horizon reasoning。你们训练的时候，有没有遇到数值稳定性或者其他训练难题？

Adam：因为这个 model 本身有 loop 的性质，所以训练初期最核心的问题是，比较长 horizon 的任务很难直接优化。我们发现，如果把所有数据直接丢进去、随机打乱训练，是不行的。

所以我们做了 hierarchical curriculum learning。第一层是从简单任务到困难任务。分类方式是，我们先训练一个普通的 world model，也借助别人的 world model 做分类。那些短的、容易被判别、准确率比较高的任务，我们归为简单任务；准确率比较低的任务，我们归为困难任务。

第二层是按照步数来做 curriculum，比如从 1 步、2 步、3 步，一直到 100 步。现在我们实验已经做到一两百步。越长的 rollout，我们认为越难。所以最后是把两个维度组合起来：越短越简单，越容易被分类也越简单，然后按照从简单到难的顺序递进。这样训练出来效果会更好。

ZP：除了排序之外，你们对训练数据有没有一些特定观察？哪类数据更有用，哪类数据作用没有那么大？

Adam：我们最早是在普通架构上发现一个问题：有些比较简单的任务，在传统 deep stacked layers 里会被忽略掉，特别是在很深的模型里会出现梯度消失。Loop 架构在这个问题上会好很多。我认为核心原因是，越深的 model 越适合处理比较难的问题，但 world model 的任务复杂度差别很大。

具体到 loop 架构，我们发现仿真环境里的某些数据效果非常好。比如 ManiSkill、DexArt 上的一些灵巧手仿真数据，因为灵巧手操作涉及更多维度，复杂度范围比较广，所以对训练很有帮助。相反，如果只是普通夹爪类型的仿真数据，效果相对没那么好。一直往训练里加这类数据，不会带来那么明显的收益。

ZP：你们想到 loop 架构，是不是直接来自于这种简单任务梯度消失的问题？还有没有其他原因？

Adam：是多方面的，主要有两个原因。第一个跟机器人或者具身智能领域很相关。对本体来说，让它在房间里走动一下，和让它拿起一杯水，难度差别非常大。走动相对简单，拿杯子涉及更多维度、更多约束，所以更难。具身领域里的任务难度差异非常明显，这就适合 loop 架构。

第二个原因是 test-time scaling。这个我们没有完全写在论文里，但我们的方法可以做 test-time scaling，特别是在 loop 收束之后给它一些扰动，让它继续 loop。我们看到很多 world modeling 方法做 test-time scaling，是用指数级方法生成更多未来世界的可能性，再选一个最优解。我们想做一个线性的、适合机器人或世界模型领域的 test-time scaling 方法。

我们现在做的扰动，是每次模型收束之后，给它一个随机 perturbation，让它继续进行一个 loop。所以它的复杂度是线性的。而有些方法会用蒙特卡洛搜索树，那在 world model 的搜索里会变成指数级。结合这两个 motivation，我们最后决定做 loop 架构。

在隐空间继续思考：Deferred Decoding 的效率与稳定性

ZP：你们在 abstract 里写到，LoopWM 可以达到两个数量级的 parameter efficiency 提升。能不能展开讲讲，这个 100 倍提升是如何衡量的？

Adam：包括 paper 里的实验，以及我们内部的一些 in-house 实验，我们发现它能够跟一些更大的 world model 打到 on par。比如百 B 级别的模型，或者 web 上一些 world model 任务的最终拟合结果，我们用更小参数也能达到类似效果。

所以这个 parameter efficiency 指的是，我们用更小的参数量达到更好的最终结果。当然它也有 trade-off，就是训练难度会更高。相比传统模型，它在训练过程里更难训，所以训练 know-how 需要一定经验积累。

除了参数量，inference level 的 FLOPs 也会更低。在某些任务上，它能够用非常小的推理消耗达到类似效果，特别是一些简单到中等难度的任务。因为这类任务本来不需要那么多 computation，如果用太深、太大、太宽的模型，反而会浪费资源。而我们可以通过 adaptive early exit 动态分配计算量。

ZP：之前有些论文说，looped language model 相比非 loop 模型大概有 2 到 3 倍 parameter efficiency 提升。你们这里的 100 倍，关键差异在哪里？

Adam：我觉得核心还是任务难度的区别。在机器人领域，简单任务和困难任务的差异特别显著，仿真环境和真机环境都会有这个现象。任务本身就比较适合这种架构，所以提升会更明显。

ZP：我们聊聊 early exit。它能让模型把算力动态分配到不同难度的题目上，是一个很重要的设计。你们在设计 Early Exit Gate 的时候，有什么观察？

Adam：我们发现一个比较有意思的点：在多步任务里，它不一定每一步都必须完全 converge。比如我们做一个 action、再做一个 action、再做一个 action，可以做 deferred decoding，不希望每一步都 decode 当前 world model 的状态，而是多步之后再 decode。

在这个过程中，我们也可以选择什么时候暂缓 world model 的 computing。它不一定要完全 converge，我们可以在它尚未完全 converge 的状态下，继续喂给它下一个 action。最后也能得到一个不错的 trade-off。

比如在某些 case 上，相比每一步都等它 converge 再继续计算，最多能节省 30% 左右的 computation，代价是 accuracy 掉三四个点。我会认为，对于特别精密的操作，不一定要用这个策略；但如果是在比较自由、容错率比较高的环境里，它可能是进一步节省算力的办法。

ZP：也就是说，不把每一步都推到 converge，性能会掉一点，但 computation 能降更多？

Adam：没错。就是不 converge 之后，继续喂给它一个新的 action，让它做多步 rollout。

一开始我们也会担心它会崩得很厉害。比如业内普遍认知里，DreamerV3 这类模型 rollout 到 50 步以后，compounding error 就会比较明显。但我们这个模型，如果每一步都让它 converge，在实验室环境里两三百步也不太会有很大的 compounding error 累积。即使提前 early exit，在百步左右，compounding error 也还是比较可以接受的，最后 decode 效果也能接受。对整个 world model 社区来说，我觉得这是一个不错的结果。

ZP：直观上看，Early Exit Gate 学到的是什么信号？

Adam：它是 trainable 的。从比较容易理解的角度讲，它学的是机器人是否已经完成自己的任务。但从 empirical 的角度看，gate 在某些条件下学到的，可能是上一轮 loop 和这一轮 loop 结果之间的 difference。也就是说，当语义上、embedding 上已经比较稳定的时候，它就会启动 early exit，让模型提前停止 computation。

ZP：Looped Dynamics Core 里有 Prelude、Recurrent Block 和 Coda 三部分。你们当时怎么决定不同部分放多少 Transformer 层？

Adam：这个是在资源比较有限的情况下做的经验决策。现在我们更多在探索把它做得更宽，因为宽度更有助于并行计算。Loop 架构本身对 GPU 并行不是特别友好，所以与其说我们关注层数，不如说更关注宽度。

业内其实有很多选择，比如窄-宽-窄。我们当时选择的是三个部分比较相近的配置，现在还在微调。对于 loop 架构，也有一些业内解读会关注 residual 设计，但不是每个 loop 都一定要这么做。我们发现，在某些特定层上加 residual，确实会带来效果提升，但不是所有层都需要。

ZP：Deferred Decoding 也是一个很重要的设计。它更多是出于 efficiency，还是出于 performance 考虑？

Adam：Deferred Decoding 主要还是在 inference 阶段用。训练的时候，我们甚至会做一些 data augmentation，比如更早 decode，让它作为 loss 传递信号的一部分。

在推理维度上，Deferred Decoding 更多是为了避免每一步都把可能错误的状态 decode 出来，然后把错误放大。我们希望它在隐空间里继续推理，用更 continuous 的 representation 做进一步推演。但你刚才说得也对，训练过程中还是需要在不同位置做梯度回传，这样效果会更好。

ZP：所以不是每条链都在每一步回传梯度，而是在不同链条、不同步数上做回传？

Adam：没错。这个设计其实也可以看作是一种隐空间的数据增强。

ZP：Deferred Decoding 在训练过程中有什么难点？

Adam：最早做 Deferred Decoding 训练的时候，我们也做了 curriculum learning。如果一开始就让它在很早的思维步数做 Deferred Decoding，模型收敛会有问题。特别是它自己还要决定什么时候 early exit，如果这个方法一开始就过于激进，就会导致模型过早判断自己可以 early exit。

所以我们会冻结一部分相关参数，尤其是 early exit 相关的 prediction head，再结合数据层面的增强。可以理解成，在使用这个方法的时候，我们会把 Early Exit Gate 的 prediction head 先冻结住，避免两个难训练的东西一起训练。

ZP：Latent Consistency Loss 的权重是不是也要调得比较高？

Adam：对，它需要调得更高一些。这个 consistency hyperparameter 在整个 loop model 里面是很重要的环节。如果调低了，performance 会不好，甚至会训炸。模型确实对这些 hyperparameter 比较敏感。

ZP：回到整体训练，你们觉得 LoopWM 训练里最需要关注哪些点？

Adam：模型刚开始训练的时候，我们花了挺长时间，至少一个月左右，在探索它为什么一开始不稳定。我们最早是把整个数据都堆进去一起训练，后来发现，对于比较小量级的模型，如果一开始就给它很难的任务，它的泛化性会比较差。这是核心原因。

Loop 类模型一直被关注的一个问题就是泛化性。在我们的 world modeling 任务里，最核心的调整就是 curriculum learning。刚刚说的两个层级，基本就是为了解决这个问题。

另外，在推理过程中做一些 inference data augmentation，也能够增强最终效果。比如之前有一个 masked world model 的 work，会把推理数据替换成纯色背景，做 world modeling，也能得到提升。我们在仿真环境里也发现，如果训练数据里只有某一种背景，比如家居仿真环境，那么在 inference 时做场景替换，把家居背景和工业仿真背景做一些变化，也能增强效果。这可能是 loop model 的一个特性：它的泛化性本来就需要一点补强。

Hyperparameter 方面，我觉得最重要的是 loss 那块的 hyperparameter。我们调参还是比较经验型，会参考过往经验。因为小团队算力有限，所以不算特别 exhaustive 地做 grid search。

世界模型何时迎来自己的 ChatGPT 时刻

ZP：你们当时做出 LoopWM 的核心贡献者大概有多少人？作为 CEO 和技术负责人，你在小团队协作上有什么经验？

Adam：我们公司算法团队一共不到 10 个人，基本上都 all in 这个项目。团队分工比较明确，特别是跑实验的时候，会分几条 parallel 的线去调参。不同实验合到一起时，确实也会遇到沟通和合版的问题。我的感觉是，还是要多沟通，尤其线上沟通很重要。我们团队经常会有 random call。语言上的沟通有时候比文本沟通更重要。大家都非常积极，会主动 reach out 另一个人，也会很快回复。这是一个比较好的状态：大家都 all in 同一个 work。学界可能会不太一样，因为大家通常有很多课题并行展开。对公司小团队来说，stay focused 很重要，它能提升团队的聚焦性。我们内部不太会出现 10 个人同时做几个 project 的情况。

未来团队变大之后，今年我们可能还是会更聚焦在把 architecture 打好，把模型架构搭好，再进一步迭代参数。当然我们也会有一些比较 pilot 的 study，探索一些前瞻性方法，之后再合到模型里。我觉得未来可能还是要区分 pre-train 和 post-train，把团队做一些拆分。只是我们目前还没有这么分。

ZP：论文里提到 iterative latent depth 可以作为 scaling law 的补充。你怎么看这件事？

Adam：对机器人来说，现在也有一些 VLA 相关的 scaling 方法。比如有些工作会用蒙特卡洛搜索树做搜索，基本沿用 MuZero 那条线去做机器人操作。它的核心问题是搜索树会指数级膨胀。还有一些 work 会生成多条未来视频，再评估哪条最好，然后让机器人执行对应 action。

我们自己的判断是，对 world modeling 任务来说，需要更 efficient 的 test-time scaling 方法。指数级复杂度太膨胀了，尤其是机器人场景里，动作生成需要非常丝滑、非常流畅，可能是毫秒级延迟。我自己在 Chain-of-Thought 刚出来的时候，也做过一些类似探索，把 CoT 和某些方向结合。有些人也会在 VLA 的 Chain-of-Thought 过程里做 test-time scaling。我们在项目早期也尝试过，确实有效果，但它比较聚焦在 discrete 文本上，而且有些任务里 CoT 到底有没有用，本身也会被质疑。

我们现在这个方法让我比较满意的一点是，它在隐空间里可以持续做 test-time scaling，而且复杂度是线性的。它也和 rollout 过程天然相关。未来我们希望 test-time scaling 能和 rollout 结合起来：某些重要动作是不是可以多 scale 一些？每次 rollout 到不同位置，test-time scaling 到底 scale 多少，能不能端到端地动态决定？这是我们希望未来模型能解决的事情，也可能是之前很多 work 比较疏漏的点。

ZP：你们未来 scale up，是更想做 test-time scaling 的精细控制，还是 scale up model size？

Adam：这两个维度我们都有探索。参数维度上，我们也在补充团队算力，主要是往更宽的方向做。根据目前 in-house 结果，我们看到模型不仅能用比较少的数据达到比较好的结果，而且 scale 到更大的 size 时，这种特性仍然能维持。下一步我们预期要把它 scale 到 10B 量级，同时也会继续做 test-time scaling 的优化。

ZP：scale up 的时候遇到什么新困难了吗？

Adam：有一些设计都需要调整，特别是 curriculum 的设计。我们发现之前一些步骤、一些设计，在 scale up 之后都要重新调。 从底层角度看，这也是小团队路线的一个弊端。很多团队可能会先做一个大模型，再蒸馏成小模型，或者做参数裁剪优化。我们因为资源有限，是先做小模型，再尝试 scale 上去，所以中间确实会遇到一些问题。能复用的参数比较少，encoder 其实可以复用一部分，这样能节省一些后续成本。

ZP：你觉得 world model 最早能在哪些领域落地？

Adam：我觉得机器人、医疗健康、工业界会比较适合落地。当然这也跟我们团队背景有关。我们确实有一些工业界资源，另外在数据层面，我们也有一些跟医疗、残障人士相关的自动化机器辅助，以及机械臂设计相关的积累。

未来可能不只是某一种机器人。我认为这类模型对辅助类机械臂、工业场景、甚至家用机器人都会有帮助。现在也有很多人在做家用机器人，我们仿真环境里也有一些家用机器人任务。我也看到有网友开始尝试把现有的视频类 world model 改成 loop 版本。如果把视频生成模型、DiT 架构或者其他现有架构做成 loop，我觉得也可能减少 rollout 里的 compounding error。

ZP：你现在创业做 world model，和你 PhD 做的研究关系大吗？

Adam：这件事和我过去的积累关系很大。我从 2023 年就开始做 spatial reasoning，从 2022 年开始也一直在做 loop model，在这些研究方向上也发了几篇一作或者通讯的顶会论文。 机器人领域现在有一个趋势，是很多人尝试用 LLM 的思维把机器人 work 做得更好。我自己认为，未来 world modeling 团队一定会是 world model 或机器人背景，加上 LLM 背景的人组合在一起。我们团队本身就是 hybrid 的画像。我自己做过 LLM，也做过空间智能，这些都和公司需要的人才背景相关。

ZP：你觉得 world model 现在处在什么阶段？大概什么时候会迎来自己的 ChatGPT 时刻，或者真正落地？

Adam：我觉得现在还处在一个非常混沌的阶段，基本是百家争鸣。这个事情还是很困难。与其说现在就谈落地，不如说它要分步骤。

第一步肯定是先把 architecture 定下来。有些团队在这个过程中也会并行探索 data 相关的事情。我判断 architecture 可能在 2026 年末到 2027 年中之前，会有一个比较明确的结论：大家会知道大概要用哪种 architecture。

数据这个事情可能需要更久，可能还要 1.5 到 2 年。因为现在有很多方向，比如因果方向、隐空间方向、机电信号、sEMG 信号等等。什么时候大家能在数据层面有一个比较收敛的结论，可能还要等一段时间。

还有一个事情是具体下游场景。未来某个时间点一定会有一个特别突出的下游场景爆发。就像 coding 一样，三年前也没有人能想到 LLM 的 coding 会是这么好的场景。我觉得 world model 要等到大家真正看到哪个落地方向最好，可能还要三年左右。

ZP：在这个图景下，你期待 FaceMind 扮演什么角色？

Adam：初期还是往更通用的模型方向发展比较好。现在谁也不知道最终落地是什么样，也说不清楚具身是不是最好，或哪个场景的具身落地最好，也无法确定视频生成是不是最好。所以现阶段更通用一点会比较好。

我希望今年之内，我们的 architecture 能迭代到一个比较完善的版本。同步地，今年下半年我们会开始在数据层面做一些创新，引入新的 data format。至于具体确定哪个落地场景，更多可能在明年年末之前，内部再做一个大方向决策。我们会先按照自己的想法在工业界做一些尝试，但真正的大方向选择，可能还要等明年年末再看。

ZP：公司GTM的策略是什么？

Adam：我们之前的项目还在运营，也有一些广告投放需求，这个先不展开。就 world model 这个项目来说，我觉得核心还是 ToB 定制化。现在也有一些厂商接触我们，尤其是想要 world model 能力的厂商。模型定制化交付的客单价还是挺高的，这类交付本身也是能够赚钱的。所以我们大概率会主要从这方面产生营收。

ZP：你希望 FaceMind 在 world model 发展路线上处在什么位置？

Adam：肯定是 leading 的角色。我希望我们在国际上都能做最领先的创新，别人会借鉴我们，甚至抄我们。我觉得这是我们想扮演的角色。 从生态角度来说，最后收获最大的肯定是最领先的那批人。当然中间也会遇到问题，比如有人会担心大家是不是太上心（我们的技术路线）、竞争太激烈，这些也是我们要解决的问题。

ZP：未来两年，world model 最大的突破可能来自哪里？是 architecture、数据、benchmark，还是 closed-loop feedback？

Adam：现在没办法很确定地说。我觉得这是一个综合问题。architecture 肯定非常重要，而且应该是先定下来的；然后才是模型训练和数据层面的调整。我觉得对模型公司来说，先做什么再做什么其实是一个物流问题，很多东西都很重要，但是优先级和顺序是一个关键要素，用一样的资金和时间，顺序的不同会导致最后竞争格局的不同。

但我觉得还有很多路要走。现在的一些路线肯定不是终点，不只是模型调整，也包括范式调整。比如某些需要 shared path、多任务学习的方式，或者 world action model，它们也不一定是终点，接下来一年左右可能还会有一个接力棒。

这个领域未来还有太多可以做的事情。不仅是架构、训练、数据，从任务的基本定义上也可能会变。现在大家看 world model，基本还在解决空间层面的问题。但未来如果是机器人，我们肯定希望它能够拟合人类，至少先拟合人类，再进一步超越人类。这里面会涉及到一个现在还没有被完全解决的问题：机器人能不能在空间世界里理解文字。

ZP：你觉得目前最难、最没有解决的问题是什么？

Adam：现在大家主要在解决空间问题，但我觉得机器人端到端地做文本理解，是 world model 领域很需要立刻解决的问题。尤其是 visual world model 或者机器人做文本理解，几乎没有太多人 evaluate 或关注。大家更多是拿 VLA 去做机器人的文本理解，但 world model 本身在文本层面的理解问题，还没有被根本解决。我觉得这会是一个很重要的方向。