智源发布世界模型悟界·RoboBrain Orca，从预测下一词转向预测下一状态
这篇介绍智源悟界·RoboBrain Orca的文章，展示了世界学习范式从预测具体模态输出转向预测世界状态，为通用世界基础模型打下基础。
悟界·RoboBrain Orca是一种多模态表征世界模型，先通过12.5万小时视频进行无意识学习（观察世界如何自然演化），再通过1.6亿条事件标注进行有意识学习（理解有意义的任务变化），从而构建统一的世界状态表征，让AI能预测物体运动、场景变化和因果关系。
正文摘录
.png) 大语言模型学会了预测“下一个词”，于是有了会写代码、会做题、会对话的 ChatGPT、DeepSeek、Qwen。视频生成模型学会了预测“下一帧”，于是有了越来越逼真的图像和视频生成模型，例如 Seedance、Sora。具身模型学会了预测“下一个动作”，于是机器人开始能完成越来越复杂的任务。而悟界·RoboBrain Orca 的目标是做一件更底层的事：让 AI 在“脑海中”形成一个表征，该表征是对当前世界状态的高度“浓缩”，基于该表征，AI 能够建模向前和向后世界状态的演变。这就是悟界·RoboBrain Orca 作为“多模态表征世界模型”的核心哲学：The World is in Your Mind。 悟界·RoboBrain Orca：从预测“下一个具体模态输出”，走向预测“下一个世界状态” 。 悟界·RoboBrain Orca 在看到一段视频、一张图、一个指令、一段事件描述后，先在内部形成一个统一的世界潜在表征空间。这个世界潜在表征空间就像 AI 的“脑海中的世界”，它把视觉、语言、事件、任务意图等多模态的信号组织起来，学习物体如何运动、场景如何变化、动作会带来什么后果、事件之间有什么因果关系；当前状态如何走向未来状态；甚至在某些条件下，世界会不会朝另一个方向演化。悟界·RoboBrain Orca 的核心变化：从 Next Token/Next Frame/Next Action，走向 Next State Prediction。