《长安的荔枝》这个故事，讲述了小吏李善德如何克服重重困难，将“一日色变”的鲜荔枝从岭南运往长安，这背后需要一套完善的系统来解决保鲜、驿站、路线和补给等一系列相互关联的问题。前英伟达研究员、清华大学人工智能学院助理教授李一鸣认为，这个故事与当前的“世界模型”赛道有着异曲同工之妙。

李一鸣在接受《智能涌现》采访时指出，“世界模型”并非一个独立存在的组件，它更像是一个解决问题的工具，“一匹运送荔枝的马”，其价值在于能否与其他环节协同工作，共同解决实际问题。他认为，当前AI领域存在对“世界模型”的过度追捧（FOMO），许多公司将视频模型、3D模型或具身大脑等与仿真、物理相关的技术都归类为“世界模型”，导致该赛道估值泡沫严重。

相较于纠结于“世界模型”的定义，李一鸣更看重于构建一套能够让机器人在不同场景下泛化的系统。为此，他提出的“Physical AI Infra”（物理AI基础设施）是一个由数据和物理双轮驱动的系统，包含两个核心自研组件：

1. 数据管线：旨在将数据采集规模从行业平均的几十万小时提升至百万甚至千万小时。
2. 物理引擎：实现“Real-to-Sim-Real”（真实到仿真再到真实）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，最终在真实世界中执行任务。

“世界模型”在这套系统中扮演着重要角色，既是数据采集后的预训练目标，也是机器人进行强化学习的仿真环境。该基础设施能够训练机器人完成切割、旋拧、插拔、搅拌、按压、捏取、穿引等精细操作，并能跨不同类型的灵巧手和机械臂部署，适用于生产制造、零售服务、酒店运营、餐饮备料、医疗辅助等多种场景。

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额高达数亿元，投资方包括顺为资本、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等机构，以及智元机器人、灵心巧手、世纪金源等多家产业资本。

厘清智能受到资本青睐的原因在于其稀缺性，一方面是李一鸣团队在空间感知、多模态推理、自动驾驶和具身智能等领域的深厚积累，另一方面是其“重”的技术路线——从数据采集到模型训练，再到物理引擎，实现全栈自研。李一鸣认为，只有打通所有环节，才能保证信息流畅，并实现各环节的协同优化。

李一鸣的规划是，在2026年底前发布支持跨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。其最终目标是为客户提供一套软硬一体的解决方案，能够跨越不同本体和场景解决问题。

李一鸣在采访中阐述了他的核心观点：

Physical AI 公司，并非仅限于“世界模型”或“本体”公司，而应是一个系统

他强调，公司的目标是以解决实际问题为导向，而非技术路线。训练“世界模型”是为了解决Physical AI的问题，提升任务成功率，关键在于如何将数据、模型、硬件和基础设施整合为一个能在实际场景中有效运作的系统。厘清智能致力于构建一套数据与物理双轮驱动的生态系统，其中“世界模型”渗透于预训练和后训练等各个环节。

新一代Physical AI团队的核心特征是全栈自研

厘清智能从数据采集设备、数据管线、可微物理引擎到模型训练，全部自主研发。这包括自研触觉手套以规模化数据采集，自研可微物理引擎以实现Real-to-Sim-Real闭环并支持复杂材质建模，以及自研的世界模型操作系统以实现快速泛化和跨本体能力。

新时代的具身公司应定位为“World Model as Service”

随着数据量的积累，公司将实现快速的跨本体泛化，最终交付给客户的将是一套软硬一体的系统，能够根据落地场景和客户预算自动匹配最优硬件方案，即插即用。

Physical AI的人才画像为软硬一体

李一鸣认为，Physical AI所需的人才与LLM领域不同，侧重于软硬一体的综合能力，这类人才目前非常稀缺。清华大学为团队提供了良好的人才平台，团队成员平均年龄仅23岁。

不能仅依赖数据采集，忽视物理规律

他指出，具身模型的参数量可能需要达到甚至超过语言模型，以实现“智能涌现”。人类数据的规模化效率远高于机器数据采集。同时，仅靠数据采集不足以应对现实世界的复杂性，物理规律的引入至关重要，可以弥补数据局限性。厘清智能设计的方案通过少量真实数据校准世界模型，能够显著减少机器人学习所需的数据量，例如，机器人学习切苹果，只需真实切十次，其余练习可在物理世界模型中完成。

VLA、视频模型、JEPA并非“原生世界模型”

李一鸣认为，“世界模型”负责机器与世界的交互，而语言模型负责机器与人的交互。基于LLM的VLM和VLA模型与物理世界适配性不高，因为语言是一个高度离散化的空间，充满偏见且难以清晰表达所有事物。语言的本质是交流，是人机交互界面，而非世界本身。

“原生世界模型”需要打通感知、推理、决策和动作输出，并面向机器与世界的交互任务设计。VLA因其离散的语言表征而非真实世界，JEPA因只能预测状态而非输出动作，视频生成模型因其推理过程的局限性，都不能算作“原生世界模型”。

高效的物理世界Tokenization是构建“原生世界模型”的关键

多模态观测如何被有效转化为模型可理解的Token序列，是决定模型能力上限的关键。厘清智能是少数能够进行表征端Tokenization的公司，将物理世界高效压缩为机器易于理解的Token。该体系的壁垒在于认知和Know-How，涉及数据清洗、模型优化等复杂问题。其内部训练的视觉Tokenizer效果已优于Meta的DINOv3。

构建Physical AI Infra是训练世界模型的另一难题

除了数据平台，还需要设计高效的物理引擎，以建模柔性物体、流体等，支持机器人进行强化学习。真正的Physical AI Infra能够提升数据效率，优化训练效果，并实现从短程任务到复杂长程任务的泛化部署。

2028年将是Physical AI规模化落地的里程碑

李一鸣认为，轮臂（带轮子的机械臂）是适配多数操作场景的硬件形态，而人形机器人技术难度较大。公司将以轮臂为主要部署形态，并在不同场景中进行泛化。

公司将积极与场景方合作，先从B端切入工业、物流、生活消费等领域，这些领域存在强烈的替代和降本提效需求。通过B端积累的数据和技能，最终将应用于C端。

最终目标是打造一款通用的Physical AI Infra，使其成为类似iOS的平台，支持各类物理操作任务的规模化开发和部署。他预测，2028年将是Physical AI规模化落地的关键节点，届时数据采集规模和电机密度将实现飞跃。