北京智源人工智能研究院近日发布全新多模态表征世界模型智源悟界 RoboBrain Orca，突破现有大模型仅预测文本、画面、动作单模态输出的技术路径，率先实现对整体世界状态的前后演化推演，为通用人工智能基础模型研发开辟全新技术路线。

　　当前行业主流大模型已形成成熟技术逻辑：大语言模型通过预测下一个字符实现对话、代码生成、逻辑解答；视频生成模型依靠预测下一帧画面产出逼真影像；机器人具身模型聚焦预测下一步动作完成实操任务。而悟界 RoboBrain Orca 跳出单一模态预测框架，确立 “预测下一个世界状态” 的核心技术目标，提出 “The World is in Your Mind” 核心技术理念。

　　据介绍，该模型的核心创新在于构建统一的世界潜在表征空间，相当于为人工智能搭建起虚拟 “脑海世界”。当输入视频、图片、文字指令、事件描述等任意多模态信息后，模型可将视觉、语言、任务意图等多元信号统一整合，自主学习物体运动规律、场景演变逻辑、动作因果关联、事件时序关系，既能推演当前场景走向未来的演化路径，也能模拟不同条件下世界发展的多元可能性，完成从 “单一输出预测” 到 “全局状态推演” 的范式升级。

　　为高效完成世界规律学习，研发团队设计有意识、无意识双路径互补训练体系。无意识学习依托海量真实世界视频素材，复刻人类婴幼儿观察自然积累常识的过程，无标注自主感知物体掉落、物体移动、空间交互等客观世界运行规律；有意识学习依托文字事件、任务指令、视觉问答等标注数据，针对性学习具备明确语义的状态转换逻辑，兼顾海量无标签真实场景与高价值稀疏标注信息，实现全方位世界认知能力构建。

　　本次模型预训练依托大规模高质量数据集支撑，累计使用 12.5 万小时真实视频素材、1.6 亿条事件标注数据，模型性能具备持续规模化提升潜力。依托训练形成的统一世界表征，模型可适配多类解码器完成信息输出：文本解码维度，擅长动态变化、状态转换类逻辑推理；图像解码维度，可精准还原真实场景交互预判效果；机器人动作解码维度，无需预先学习动作标签，即可大幅提升下游机器人复杂任务泛化能力。

　　值得一提的是，悟界 RoboBrain Orca 作为多模态表征世界模型的阶段性成果，其全新世界学习范式不只适用于机器人具身智能领域，还可拓展至科学规律挖掘、复杂系统仿真建模等前沿领域。（纯钧）