圆桌论坛：关于“世界模型”突破方向的六个猜想 | GAIR 2025

“世界模型”是今年超级热门的话题和方向，但整体来看相关研究尚处于起步阶段，共识尚未形成。 在12月13日举行的第八届GAIR全球人工智能与机器人大会“世界模型”圆桌上，浙江大学研究员彭思达、腾讯ARC Lab高级研究员胡文博、中山大学计算机学院青年研究员，拓元智慧首席科学家王广润博士、香港中文大学（深圳）助理教授韩晓光、西湖大学助理教授修宇亮齐聚一堂。 五位年轻的学者在清华大学智能产业研究院（AIR）助理教授，智源学者（BAAI Scholar）赵昊的主持下，围绕着世界模型、数字人重建，新技术范式展望等展开了一场非常轻松但严肃的学术圆桌。 以下是具体内容，AI科技评论做了不改变原意的编辑和整理。 01 关于世界模型，哪些技术突破值得期待？ 赵昊：感谢各位。世界模型无疑是未来几年最重要的技术方向之一。今天我们聊得会比较技术。先从彭老师开始，彭老师刚才介绍了Match Anything和Detector Free的Structure from Motion工作，我自己在用它们解决一些反光严重场景的重建，位姿估计问题，无论传统方法还是VGGT等都不奏效。您认为，未来纯粹的、前馈式的匹配方法会彻底取代现有方案，还是最终会走向融合？ 彭思达：这取决于具体问题。在观测足够稠密的情况下，现有的COLMAP等方法已经足够精确；但在稀疏视角下，就必须依赖VGGT这类方法。目前VGGT的精度还有提升空间。我的一个观点是，我们不仅要看算法进步，也要关注硬件发展。比如20年前的IMU精度很差，现在则很准。我们完全可以将IMU、激光雷达等其他传感器信息融合进来，不必局限于纯视觉的VGGT。 赵昊：有道理。另一个方向是运动估计，最近arXiv上也有很多新工作，效果超过了SpatialTrackerV2。您觉得这个领域发展到什么程度了？明年（2026年）会被彻底解决吗？ 彭思达：肯定不会被解决，这领域才刚刚开始，精度还远远不够。但最近有一个重大突破，就是谷歌DeepMind团队的新工作 D4RT。这个工作非常优雅，它摒弃了以往基于特征相关性进行迭代优化的主流范式，而是将整段视频编码为一组全局Token，然后可以直接查询时空中任意点的信息。这是一个巨大的突破，我相信