智源研究院之所以能以孵化器身份影响中国AI版图，核心在于其独特的『智源学者』机制。2018年成立后，智源采取非传统科研机构的运作方式：给青年学者（如当年的杨植麟、刘知远）自由度极高的经费与课题选择权，不考核论文数量，而以对产业的前沿引领为评价标准。唐杰带领的悟道大模型、王鹤创办的银河通用，背后都有智源早期的资源扶持。这套『投人而非投项目』的逻辑，让一个非营利机构成了中国大模型创业最重要的『黄埔军校』。

当前世界模型的技术路线本质分歧在于『预测什么』。语言派（VLM/VLA）预测文本token，学到的是语言规则而非物理因果；像素派（Sora类）预测下一帧画面，但会给猪插上翅膀；3D派（World Labs）重建几何结构，却不懂钢球掉在沙地和钢板上的不同结果；LeCun的隐空间派（JEPA）放弃像素重建，在抽象特征空间预测状态，但纯视觉嵌入的演化不等同于物理规律演化。智源选的第五条路试图把语言和视觉表征融合到同一个潜空间，核心问题是：同一个潜空间能否同时承载『符号推理』和『物理直觉』？

LeCun在多个场合明确反对以Sora为代表的像素级视频预测路线。他的核心论据有三：长期预测的敌人是『细节』——像素级模型被迫为光照噪声、纹理扰动等无关细节买单，算力浪费却换不来决策正确性；多解未来场景下生成模型要么输出模糊的『平均未来』，要么陷入不可控的概率建模膨胀；高维连续空间上的显式概率模型在数学上不可tractable。JEPA的选择是在抽象特征空间里做预测，放弃像素重建，只保留决策相关的核心物理量。这也回应了智源文章的核心批评：『视觉能力≠物理理解』。

在2026智源大会的圆桌上，腾讯、星源智、蚂蚁灵波的一线研发者给出了比CEO更保守的判断。世界模型距离严肃的生产系统仍有距离：它可能在容错度高的数据生成、设计验证场景率先应用，但直接驱动机器人产线或医疗操作还需要几年。核心瓶颈有三个：①数据瓶颈——物理交互数据比语言数据稀缺几个数量级，且不同机器人的数据格式不互通；②评估体系真空——不像NLP有bleu/rouge，世界模型的『预测准不准』至今没有行业公认基准；③算力与实时性矛盾——隐空间推理虽快，但要支持毫秒级物理闭环，端侧部署仍需专用芯片。拐点可能出现在2027年国产车规级AI芯片规模化后。

行业正在用世界模型来补VLA的硬伤，但『补』的前提是搞清楚伤的有多深。复旦团队发布的LIBERO-Plus测试显示，主流VLA在训练时达到92%抓取成功率，一旦桌子高度微调10厘米或加入干扰物，成功率直接腰斩到30%。塔夫茨大学的汉诺塔比赛更触目惊心：VLA在3块任务上34%成功率，面对4块新版本直接零分，而神经符号方法在4块场景仍保持78%。这不是『规划错误』，是『低级执行偏差』——机器人反复抓空、放置不准，因为它的『大脑』从未真正理解『力反馈』和『位置关系』。世界模型要填补的正是这个空缺：在行动之前，先『脑补』后果。