《长安的荔枝》这个故事，讲述了如何将易腐烂的荔枝从岭南运往长安，需要一套完整的系统来解决保鲜、运输和补给等难题。清华大学人工智能学院助理教授李一鸣认为，这个故事与当前“世界模型”赛道的现状有着异曲同工之妙。他指出，Physical AI（物理AI）所要解决的问题，如同故事中的“鲜荔枝”，而实现这一目标，需要构建一套包含数据采集、模型研发和硬件部署的系统化解决方案。
李一鸣向《智能涌现》表示，世界模型的核心在于解决实际问题，而非仅仅是一项技术路线。他强调，脱离了其他环节的配合，单纯的世界模型将毫无价值。然而，他在 2026 年初回国后，观察到国内AI领域存在对“世界模型”的普遍焦虑。他认为，“世界模型”作为 2026 年最具迷惑性的概念之一，已成为估值泡沫最大的赛道，许多与仿真或物理相关的技术，无论视频模型、3D模型还是具身大脑，都试图归入“世界模型”的范畴。
相比于纠结于“世界模型”的定义，李一鸣认为更重要的是构建一套能够让机器人在不同场景下泛化的系统。近期，他的团队提出了一个由数据和物理双轮驱动的 Physical AI Infra（物理AI基础设施），其中包括两个核心自研组件：
- 数据管线：旨在将数据采集量级从行业平均的几十万小时提升至百万到千万小时。
- 物理引擎：实现“Real-to-Sim-Real”的闭环，即基于真实世界数据构建仿真环境，供机器人进行强化学习，最终在真实世界执行任务。
李一鸣解释说，尽管世界模型本身并非独立组件，但它贯穿于这套系统的各个环节。在预训练阶段，世界模型被用作训练目标；在后训练阶段，它则成为机器人进行强化学习的仿真环境。这套基础设施能够训练精细操作技能，并能跨形态地部署在不同类型的机器人上，适用于生产制造、零售服务、酒店运营、餐饮备料和医疗辅助等多元化场景。
基于这套技术方案，成立于 2026 年 4 月的“厘清智能”在短短两个月内完成了多轮融资。据《智能涌现》独家获悉，厘清智能的种子轮融资金额高达数亿元，吸引了顺为资本、红杉中国、高瓴创投、峰瑞资本、星连资本、水木清华校友种子基金、SEE FUND 等基金，以及智元机器人、灵心巧手、世纪金源等多方产业资本的投资。
厘清智能之所以受到一级市场的青睐，主要在于其稀缺性。一方面，公司拥有跨越空间感知、多模态推理、自动驾驶和具身智能的软硬一体化人才。李一鸣本人在具身视觉推理领域有深入研究，并与英伟达合作发表了多篇重要论文。厘清团队的 50 余名成员，大部分是清华大学的学生，平均年龄仅 23 岁。李一鸣认为，国内对软硬一体化人才的需求非常迫切，而清华大学为其提供了宝贵的人才平台。
另一方面，厘清智能的技术路线也独具特色。公司选择了“重”的全栈自研路线，覆盖从数据采集、模型训练到物理引擎的每一个环节。这种做法在国内并不常见，因为前期投入巨大且技术难度高，已让不少公司望而却步。但李一鸣坚信，只有打通所有环节，才能确保信息流畅，实现各模块的协同优化。他计划在今年年底前发布跨 B 端场景的世界模型，并在 2028 年实现解决方案的规模化落地，最终为客户提供一套软硬一体化的解决方案，跨越本体和场景解决问题。
李一鸣在与《智能涌现》的交流中，分享了他对技术判断以及对世界模型和Physical AI的看法。他强调，厘清智能并非仅仅是一家“世界模型公司”，而是致力于构建一套包含数据管线、世界模型和物理引擎的完整系统。他认为，新一代的 Physical AI 团队核心特点在于“全栈”，从数据采集设备到模型训练，全部实现自主研发。这包括自主研发的触觉手套以实现数据采集的规模化，以及自主研发的可微物理引擎，能够建模复杂材质并作为高效的强化学习后训练平台。
对于新时代的具身公司，李一鸣提出，它们不应局限于本体或模型本身，而应成为“World Model as Service”（世界模型即服务）的公司。他设想，通过快速积累数据，实现跨本体的快速泛化，最终为客户提供开箱即用的软硬一体化系统。在人才方面，他指出 Physical AI 所需的人才画像与 LLM 不同，强调软硬一体化能力，并表示公司会自行培养有潜力的年轻人才。
李一鸣还强调，在Physical AI领域，不能仅仅依赖数据采集而忽视物理规律。他认为，具身模型的参数量级需要远超语言模型，才能实现“智能涌现”。同时，他认为人类数据的规模化潜力巨大，远超机器数据。然而，他也指出，仅靠数据采集不足以实现 Physical AI 的自主泛化，物理规律能够弥补数据的局限性。厘清智能设计了一套满足物理约束的世界模型方案，能够用极少量的真实数据来“校准”世界模型，从而让机器人在虚拟环境中进行高效学习，例如，机器人学习切苹果的次数可以大大减少。
在谈及 VLA、视频模型和 JEPA 时，李一鸣认为它们并非“原生世界模型”。他解释说，语言模型本质上是离散化的，更适合人机交互，而非直接模拟物理世界。世界模型的训练需要结合监督微调（SFT）和强化学习（RL），并且必须遵循物理规律。他提出，“原生世界模型”需要打通感知、推理、决策和动作输出，并专门为机器与世界的交互设计。他认为，视频生成模型无法保证复杂任务策略学习所需的几何与物理一致性。
李一鸣指出，训练“原生世界模型”的关键在于如何高效地将物理世界“tokenization”（表征化）。他表示，厘清智能是全球少数能够实现表征端 tokenization 的公司之一，能够将物理世界高效压缩为机器易于理解和学习的 Token。这项技术的壁垒在于认知和 Know-How，而非单纯的技术。他透露，团队内部训练的视觉 tokenizer 效果已优于 Meta 的 DINOv3。
此外，李一鸣认为构建 Physical AI 的 Infra 是训练世界模型的另一大挑战，这需要设计高效的物理引擎来建模物理世界的各种状态和转移。他强调，真正的 Physical AI Infra 能够支持复杂任务的预训练和后训练，并能实现跨任务的泛化部署。
展望未来，李一鸣预测 2028 年将是 Physical AI 规模化落地的关键节点。他认为，届时数据采集规模和电机密度将实现飞跃，为方案的规模化落地奠定基础。在硬件形态方面，他认为轮臂（带有轮子的机械臂）是适配大多数操作场景的落地形态，而人形机器人虽然潜力巨大，但技术难度也更高。他表示，厘清智能将首先与 B 端客户合作，切入工业、物流以及生活和消费类场景，这些场景具有强烈的替代性和重复性需求，客户对降本提效的需求也更为迫切。最终，公司的目标是打造一款通用的 Physical AI Infra，如同 iOS 之于移动应用，能够支持各类物理操作任务的规模化开发和部署。
