演讲主题

世界模型需要理解物体与动作：统一架构与具身落地实战

世界模型的目标是学习物理规律和因果交互规律。视启未来认为，所有的物理规律是作用在物体上的，因此世界模型需要先理解物体再学习物理规律；因果交互规律在具身领域本质是动作交互引起的，因此世界模型需要先理解动作再学习因果交互规律。 本议题将基于视启未来“生成 + 理解”统一世界模型（视觉原生基模 DINO-X），分享在物理规律和因果交互规律学习中的最新进展。同时结合“万物泛化抓取大脑”的实际落地，探讨如何从第一性原理出发破解模型的“物理幻觉”，并分享背后的架构设计与工程优化经验。 大纲： 1. 当前痛点：世界模型为什么是视觉原生的？（简要回顾发展史，探讨为何单纯视频生成难以真正掌握物理规律） 2. 第一性原理：世界模型为什么需要先理解物体/理解动作？ 3. 架构解析：视启未来“生成 + 理解”统一世界模型（DINO-X）的核心网络设计与训练数据构造实践。 4. 具身实战与工程优化：多视角能力在复杂物理交互中的表现，以及结合底层硬件的推理框架部署经验。 5. 案例与复盘：视频生成与具身抓取 DEMO 演示，及典型实战 Bad Case 避坑分享。 听众收益： 1. 从第一性原理角度了解世界模型如何学好物理规律和因果交互规律，看清世界模型前沿和趋势。 2. 了解“生成+理解”统一多模态架构的设计思路。 3. 获取前沿模型在具身智能场景（泛化抓取）中从训练到推理部署的实战落地经验。