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。而悟界·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。这就是悟界·RoboBrain Orca作为“多模态表征世界模型”的核心哲学:The World is in Your Mind。 悟界·RoboBrain Orca:从预测“下一个具体模态输出”,走向预测“下一个世界状态”。 悟界·RoboBrain Orca在看到一段视频、一张图、一个指令、一段事件描述后,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的核心变化:从Next Token/Next Frame/Next Action,走向Next State Prediction。 文章配图-1 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 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 O