在 2026 世界人工智能大会前夕，大晓机器人相关负责人陶大程在媒体群访中，系统回应了大晓如何看待世界模型，以及未来机器人产业将如何发展。
在 2026 世界人工智能大会前夕，大晓机器人相关负责人陶大程在媒体群访中，系统回应了大晓如何看待世界模型，以及未来机器人产业将如何发展。
他谈到，世界模型不是用来生成好看的未来，而是要服务行动；数据不是简单比拼小时数，而是要解释失败；场景不是演示舞台，而是验证技术能否闭环的真实考场。
这也是理解大晓此次 WAIC 发布的一条线索。7 月 19 日，大晓机器人发布开悟世界模型 3.1（Kairos 3.1）、以人为中心的环境式数据采集方案 2.0，以及面向即时零售、酒店洗衣、开放巡检的三类行业方案。表面上看，这是一次模型、数据与应用的集中发布；但放回陶大程的回答里，它指向的是大晓对物理 AI 下一阶段的判断：机器人竞争正在从「能不能展示能力」，转向「能不能在真实任务中持续降低行动代价」。
世界模型不是为了生成一段未来视频
陶大程在群访中表示，大晓的目标，是把世界模型从「生成内容」推进到真正「服务行动」，用任务成功率、人工接管率、恢复能力、安全性、时延和运营成本检验技术，而不是用视频效果证明技术。
这背后，是对当前世界模型热潮的一次重新定义。过去，行业理解世界模型，容易从生成能力出发：模型能否预测下一帧，能否生成一个逼真的物理世界，能否让机器人在「脑海」里看到未来。但对于机器人来说，这仍然不够。
因为物理世界里的错误有真实代价。数字世界模型失误，可能只是生成内容不准确；机器人判断失误，却可能带来碰撞、滑落、任务中断、人工接管，甚至安全风险。陶大程认为，判断具身世界模型是否有效，不能只看视频效果，而要看它是否真正降低了行动代价。
这也是他提到「控制充分状态」的原因。具身世界模型的核心，不是全量复刻物理世界的每一个像素，而是围绕行动控制保留足够的信息。机器人不需要记住环境中的所有纹理细节，但必须知道物体状态、空间关系、接触条件、任务进度、动作后果、失败风险和预测不确定性。
换句话说，世界模型真正要回答的问题，不是「世界看起来会怎样」，而是「我这样做之后，世界会怎样变化」。
因此，大晓选择推进统一世界模型（Unified World Model）。陶大程解释，这一路线的价值在于把理解、预测和行动三个体系整合起来，使三部分共享一个通用世界状态。在真实任务中，共享状态有助于保持观测、行动和结果之间的因果关系，模型训练和数据采集也都围绕控制信息的充分性展开。
这与大晓此次发布的 Kairos 3.1 相互对应。据公司披露，Kairos 3.1 采用原生统一架构，将视觉观测、语言指令、力触状态、策略轨迹等多源具身数据压缩进统一隐空间，从底层打通世界理解、物理生成和动作预测，构建「理解—推演—执行—反思」的闭环。
陶大程也进一步区分了 ACE-Brain 与 Kairos 的角色：ACE-Brain 负责组织机器人的认知和行为，回答「我在哪里、我要做什么、做到哪一步」；Kairos 负责建立机器人对物理世界及行动后果的内部模型，回答「这样做会发生什么、风险在哪里、是否有更好选择」。
这说明，大晓并不期待一个模型替代所有软件和控制系统，而是希望形成「共享认知、分层计算、闭环协同」的机器人大脑。真正重要的是，模型能否在行动前比较多个动作分支，并把结果及时用于真机控制。
陶大程在群访中提到，如果端侧延迟超过决策周期，再准确的失败预测也无法阻止事故。官方信息显示，Kairos 3.1 在 NVIDIA Jetson Thor 平台 BF16 精度下，8B 模型平均推理延迟为 125 毫秒。对物理 AI 来说，低时延不是单纯的性能指标，而是世界模型能否参与真实闭环的前提。
数据的价值，藏在失败发生的边界里
如果世界模型要服务行动，那么数据也必须重新被定义。
在陶大程看来，当前物理 AI 商业化的首要瓶颈，不是单一算法或硬件，而是可形成闭环的高质量交互数据不足。更准确地说，是缺少把数据评价与真实部署连接起来的基础设施。
这也是大晓提出「控制信息密度」的原因。陶大程认为，普通成功示教只能告诉模型一条标准路径，却很难揭示接触临界点、摩擦变化、遮挡误判、执行器偏差和安全边界。真实世界中的错误往往具有长尾性，大量时间都在正常运行，真正决定系统可靠性的，反而是低频但高代价的失败。
所以，数据不是越多越好。它的价值不只取决于采集时长，更取决于是否能提供与任务相关的世界历史、动作后果、失败边界、收益回报、数据偏差和安全风险信息。
尤其是失败数据。陶大程强调，失败数据的价值不在于「失败」这个标签本身，而在于它是否提供可解释、可验证、可迁移的控制信息。一段有价值的失败数据，需要包含失败前状态、动作命令、机器人状态、接触或受力变化、失败结果、人工接管和后续恢复，并且这些信号要在时间上对齐。
换句话说，对机器人训练真正有帮助的，不是「它失败了」，而是系统知道「它为什么失败」「失败发生在什么边界」「下一次该怎样恢复」。
这也让大晓的数据体系不再只是采集工具，而是一套围绕控制目标组织经验的基础设施。据介绍，大晓已汇聚约 11 万小时 human-centric 实景数据和数百万小时互联网真实视频。但陶大程同时强调，不同来源的数据价值并不相同：开放世界视频主要用于建立广泛物理先验，人类第一视角数据服务于意图理解、工具使用和任务分解，机器人接触、失败恢复和动作对齐数据虽然规模较小，却对 world-action 训练贡献更直接。
此次发布的环境式数据采集方案 2.0，也是在回应这个问题。ACE Ego Kit 负责采集多模态交互数据，ACE Data Engine 负责结构化处理和标注，ACE Ego Matrix 则尝试统一空间坐标、本体结构、动作时序与数据质量，让不同来源、不同本体、不同控制频率的数据能够进入同一体系。
陶大程认为，机器人世界模型不能像大语言模型那样，把不同来源的数据简单混合后直接训练。互联网视频、环境式素材、真机数据和仿真数据解决的是不同问题，关键不在于选择唯一模式，而在于围绕控制目标进行分层、对齐和调度。
未来的数据竞争，也会从「谁拥有更多小时」转向「谁能够持续获得更高信息密度的经验」。陶大程把未来的数据系统描述为「主动实验者」：它会根据模型当前最不确定、最容易出错的区域，决定下一阶段应该采集什么，而不是反复采集机器人已经完成得很好的任务。
真正的技术飞轮，要在真实场景里转起来
在群访中，陶大程还回应了一个行业里常被讨论的问题：机器人技术尚未完全成熟，为什么企业却已经开始加速量产和部署？
他的判断是，不能把量产理解为技术成熟后的结果。对机器人来说，量产和部署本身就是技术迭代的一部分。
这与大语言模型的发展有相似之处。早期必须先达到一定数据规模，才有条件进一步讨论数据质量。如果没有真实部署和重复训练，世界模型、VLA 等模型都很难达到基本可用状态。因此，不是「先完成技术迭代，再考虑量产」，而是必须在部署中形成数据闭环，让机器人从真实任务中积累原始数据资产。
这也解释了大晓为什么选择即时零售、开放巡检和酒店洗衣三个场景。陶大程说，这些场景不是为了完成一次性演示，而是因为它们分别对应不同类型的控制问题。
即时零售需要处理大量商品、柔性包装和连续履约任务；开放巡检需要在长时间运行中维护状态空间、异常信息和多机任务；酒店洗衣则涉及定位识别、顺序规划、连续操作以及失败恢复。三个场景提供的不是同一种商业价值，却共同验证世界模型在不同控制问题中的闭环能力。
大晓此次发布的「晓满」「晓新」「晓途」，正对应这三类任务。「晓满」面向即时零售履约，「晓新」面向酒店无人洗衣，「晓途」面向开放场景自主作业。它们不是简单证明机器人能完成某个动作，而是在真实流程中检验任务成功率、人工接管率、恢复能力、安全性、时延和运营成本。
这也是大晓理解未来机器人发展的方式。陶大程认为，通用物理 AI 不会是「一次训练，处处通用」。家庭和工厂可以共享同一个世界模型的认知主干，但不能期待一套未经适配的模型直接覆盖所有场景。更可行的技术形态，是通用物理与语义基础模型、共享控制充分状态、本体适配层，以及场景蒸馏与安全校准共同组成的分层系统。
因此，未来机器人产业也很难由单一角色通吃。基础模型公司会在通用能力上形成优势，但仍需要场景合作伙伴、本体厂商和工程交付体系共同解决具体问题。真正的核心能力，不只是单点模型，而是系统整合能力和对下游场景的适应能力。
陶大程在群访中给出了一个更长期的判断：未来三到五年，单一网络结构、蒸馏和量化等能力会随着更强基础模型开源和训练方法普及而降低门槛；端侧工程、场景交付、客户流程理解和异常处理，反而更难复制。
在他看来，真正具备复利效应的是「部署—数据—模型—再部署」的闭环。谁能进入真实工作流程，长期积累异常分布，并把每一次新错误转化为有效数据，谁才拥有更有价值的资产。
这或许也是大晓此次发布最核心的信号。Kairos 3.1、环采方案 2.0 和三大行业方案，表面上是模型、数据和应用的组合；放到陶大程的群访回应中，它们其实指向同一个方向：机器人世界模型的下一场竞争，不是生成一个更逼真的未来，而是在真实世界中更低成本地行动、失败、恢复，并持续变强。
