近日，观察者网了解到，在最新公布的WorldArena Track1（世界模型感知与动作响应赛道）评测中，智元自研的世界模型**Genie Envisioner-Sim 2.0（GE 2.0）以总分第一的成绩获得全球冠军。

相关榜单

相关资料显示，WorldArena Track1 是面向具身世界模型的权威国际评测榜单，全称为"世界模型感知与动作响应赛道"（World Model Perception and Action Response Track）。它主要评估世界模型在"认知世界"和"响应动作"两方面的综合能力。

世界模型在"认知世界"和"响应动作"两方面的能力，本质上是在回答一个核心问题：机器人能否像人类一样，在行动前先在脑海中"模拟"未来，从而避免在真实世界里做昂贵的试错。

先说"认知世界"。这并非简单的"看见"或"识别"，而是机器人对物理规律建立内部表征的能力。

人类大脑天然具备这种心智模型，是因为人出生在物理世界。棒球击球手能在几毫秒内本能地预测时速160公里的球路，根本来不及等视觉信号传到大脑再做计算，靠的就是潜意识中的世界模拟。

世界模型要做的，就是让AI也拥有这种"直觉"：它不仅要识别出杯子、桌子和行人，更要理解杯子接近桌边可能掉落、玻璃落地会破碎、人在柱子后不是消失而是被遮挡、车辆在雨夜刹车距离会改变。 

这种能力被形式化为一个决策过程，智能体通过压缩高维感官数据为紧凑的潜在状态，从而推断出真实环境中不可直接观测的因果关系和物理动态。

再说"响应动作"。认知世界本身并不输出动作，世界模型只是回答"如果我这样做，世界会变成什么样"。要让机器人真正动起来，还需要一条从世界模型到策略的通路，业界通常称之为世界动作模型（WAM）。 它的核心逻辑是"想象-执行"：先在内部模拟不同动作序列带来的未来画面，再从中选择最优路径。

这种能力在自动驾驶中尤为直观。车辆每秒模拟成千上万种潜在交通场景，从中选择最安全的路径。 

对于机器人而言，这意味着机械臂无需重新训练就能适应新物体或意外障碍，因为它已经在内部"梦境"中预演过抓取和运动的物理后果。这两者的结合，构成了具身智能的完整闭环。认知世界让机器人"知其然"——理解物理规律；响应动作让机器人"行其然"，将理解转化为精准控制。

智元GE 2.0的特别之处，在于它不只做认知或只做动作，而是试图做一个全功能的世界模拟器。长时序生成、多视角生成、本体状态生成、近实时推理、奖励判别，这些环节被串成一条链。更重要的是数据回流机制，仿真器在虚拟环境里跑出有效数据，经过奖励模型筛选，再反哺给策略模型。这就像一个学生在模拟考里反复试错，错题自动归类，针对性补强，而不是每次都拿一张全新卷子从头做。

这种路线的好处是快和便宜。在虚拟世界里推一万次杯子，电费成本远低于真机损耗。智元官方称，GE 2.0在特定测试指标上超越了英伟达等海外巨头的基线方案。但代价也很明显，仿真器里的玻璃破碎和真实车间里的玻璃破碎，物理参数可能完全不同。值得注意的是，WorldArena榜单上刷屏的不只是智元。星动纪元Ctrl-World拿了具身任务能力全球第一，北京人形Pelican-Unify成了双冠王。中国军团在世界模型赛道正在形成集体冲击力。这不再是单家企业的孤勇，而是国内本体厂商、科研院所和算法团队共同发力的结果。

但榜单的局限性必须被正视。WorldArena测的是仿真环境下的能力，而仿真到真实的鸿沟至今仍是具身智能的公敌。刚体碰撞在仿真里相对成熟，布料、流体、软体形变、手指与瓶盖的摩擦力，这些真实操作中的日常难题，在仿真器里仍然是硬骨头。

本文系观察者网独家稿件，未经授权，不得转载。