近日，国内最年轻AI教授转身投入创业赛道，对外披露的研究方向引发关注。这位学者将事业重心放在世界模型的进化上，明确提出要让世界模型走向“全身全模态”，并特别强调需要“给Ego补上缺失的交互信息”。这一表述看似抽象，却直指当前人工智能在感知与决策之间的关键断点。
事件概览
据悉，该创业项目的核心愿景并不局限于扩大模型输入数据的类型，而是试图重构AI理解世界的基本方式。传统世界模型多以文本、图像或视频为训练素材，模型虽能对客观场景进行描述和预测，却始终缺少一个重要的维度——处于场景中的“自我”如何与周围环境发生动态交互。此次创业正是要补上这一环。
从公开信息来看，团队优先突破的方向是“Ego交互信息”。Ego通常指代第一人称或自我中心视角，在机器人、自动驾驶等具身智能场景中，AI必须理解自身的位置、姿态、动作以及由这些动作引发的环境反馈。然而，现有的大多数世界模型在训练时缺乏这类结构化数据，导致模型虽然能“看懂”世界，却难以“行动”其中。
核心信息
什么是全身全模态
“全身全模态”可以理解为超越语言、视觉的单一通道，将身体姿态、触觉、本体感觉乃至肌肉骨骼的动力学信息全部纳入建模范围。不同于目前主流的多模态模型仅拼接图文或音视频，全身全模态强调整体感知的一致性：模型需要同时处理来自眼睛、耳朵、皮肤、关节等不同部位的信号，并将它们融合成一个统一的世界状态表征。
这种建模方式更接近人类的学习过程。人类在婴幼儿时期正是通过不断触摸、抓握、行走来建立对物理世界的认知。全身全模态试图让AI也经历类似的“身体化”学习，从而获得对空间关系、物体属性、因果机制的直觉理解。对于需要与真实环境互动的智能体而言，这种能力远比单纯的语言推理更为根本。
Ego缺失的交互信息
“Ego”在AI研究中常常被忽略。目前的视觉模型大多采用第三人称视角，学会的是客观世界的几何和语义信息，却无法回答“如果我移动，屏幕上的景象会如何变化”这样的问题。而第一人称视角天然携带了行动者与环境的耦合关系：看到障碍物靠近，需要调整步伐；触摸到物体，需要感知重量与表面摩擦力。
“缺失的交互信息”恰好是这种耦合的具体表现。一个具身智能体在做决策时，仅知道场景里有桌子还不够，还需要知道自己的手臂能否够到桌面、推动桌腿需要多大的力、桌面上物体的滑动轨迹会如何响应推力。这些信息难以从静态图像中提取，必须在实时交互中采集。将这类信息补充进世界模型，能够帮助AI建立从感知到动作的闭环，使预测不再停留在像素层面，而是延伸到物理操作的后果。
影响与观察
这一创业方向对多个AI应用领域具有深远影响。在具身智能领域，人形机器人、灵巧操作等任务长期受制于对交互细节的缺乏理解。若世界模型能真正学会全身全模态的交互动态，机器人便可以在新环境中直接调用模型的预测能力，减少试错成本，提升操作的鲁棒性。
对自动驾驶而言，车辆需要理解自身运动对外界带来的影响，比如转向半径、制动距离、旁车对自车行为的反应。传统模型往往基于手工规则或者大量标注数据，而一个包含Ego交互信息的全模态世界模型有望提供更具泛化能力的解决方案。此外，虚拟世界中的数字人、游戏智能体也将受益于更完整的自我感知，从而表现出更自然的行为。
从行业趋势看，世界模型本身已经成为AI竞争的前沿方向。此前多数研究集中在离线训练和预测，而此次创业强调“补上缺失的交互信息”，意味着将重心从感知智能转向行动智能。这一调整符合近年来“具身智能”兴起的整体脉络，也反映出学术界对纯粹大模型的兴趣正逐渐向与物理世界互动的能力迁移。
当然，挑战同样明显。全身全模态需要采集大规模、多通道的交互数据，部署成本高，数据清洗和同步难度大。Ego视角数据还涉及个人隐私与安全问题，如何合法合规地获得高质量素材，是团队必须面对的课题。此外，多模态融合的计算开销会远超现有模型，需要在算法设计和硬件效率之间找到平衡。
结语
国内最年轻AI教授的这一创业举动，为世界模型的发展写下了一个值得关注的新注脚。从补上Ego的交互信息出发，向全身全模态目标迈进，不仅是技术路线的选择，更是对人工智能“知行合一”这一终极命题的回应。尽管前路依旧漫长，但这条路径已经清晰地将世界的表象与自我行动的因果联系起来，让AI向真正理解世界又靠近了一步。
信息来源：量子位，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。