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。
近日，北京智源人工智能研究院发布了全新多模态表征世界模型悟界・RoboBrain Orca。据介绍，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。
The World is in Your Mind，这是该模型的核心哲学。在看到一段视频、一张图、一个指令、一段事件描述后，悟界·RoboBrain Orca 会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 的技术哲学：先利用多模态世界信号学习世界表征，再做好一切任务
同时，悟界·RoboBrain Orca 把世界学习拆成了两条互补路径：无意识学习和有意识学习。
婴儿会看到东西掉落，会看到人走动，会看到门被推开，会看到球滚到桌子下面。这些经验不是通过标签学习的，而是通过连续观察自然世界获得的。悟界·RoboBrain Orca 的无意识学习也是如此，它客观地看世界，通过海量真实世界的视频，让它先学会“世界自己怎么动”。悟界·RoboBrain Orca 的有意识学习，即主观地交互世界，就是用语言描述的事件、任务指令和 VQA 问答，帮助模型学习稀疏但有具体意义的状态转移。
智源表示，随着训练数据的增加，悟界·RoboBrain Orca 的下游任务能力可随之提升，且具备持续 Scaling 的潜力。
悟界·RoboBrain Orca 学到的表征可通过多种解码器读出。在文本读出上，悟界·RoboBrain Orca 更擅长状态转移的理解和动态运动的推理；在图像读出上，悟界·RoboBrain Orca 更能展现真实场景的交互预测能力；在动作读出上，悟界·RoboBrain Orca 没有在预训练中学习动作标签，也能帮助下游机器人更好地泛化。
悟界·RoboBrain Orca 所代表的世界学习范式有可能从具身智能进一步走向科学发现、复杂系统建模乃至更广阔的认知边界。它是多模态表征世界模型的一个早期版本，但有可能成为通用世界基础模型的一块重要基石。
