在人工智能技術快速發展的當下，一位研究者將研究重心聚焦于世界模型與具身智能兩大前沿領域，并強調產業應用和市場接受度是檢驗技術價值的關鍵標準，這一理念引發了學界的關注。寧波東方理工大學的助理教授金鑫正是這樣一位探索者。

近期，金鑫團隊與上海交通大學、布里斯托大學、清華大學等高校合作，在美國圣地亞哥舉辦的NeurIPS會議期間組織了一場關于“具身世界模型”的研討會。這場活動吸引了眾多學界和產業界專家參與并分享報告，進一步推動了該領域的技術交流。

金鑫的研究路徑經歷了從底層視覺任務到高維認知決策的轉變。早期，他專注于圖像視頻處理、壓縮等基礎領域，近年來逐漸轉向表征解耦、世界模型、空間智能等方向。他希望通過這些研究讓機器具備更強的智能，更好地理解物理世界并服務于實際產業需求。這種從感知到認知的躍遷，反映了人工智能領域的發展趨勢。

盡管取得了顯著進展，金鑫在談到核心研究時仍保持謹慎態度。他表示，當前空間智能領域仍處于探索階段，尚未形成成熟的技術范式。任何聲稱找到唯一正確路徑的論斷都可能過于樂觀。他更傾向于將團隊的工作視為一種可供參考的交流，而非定論。

在構建世界模型的方法上，金鑫團隊采取了一種混合策略。對于能夠明確描述的物理規則，如碰撞檢測和摩擦力，他們通過知識嵌入的方式將這些先驗信息傳授給模型；而對于難以公式化的復雜現象，如軟體變形或大氣流動，則依賴數據驅動的方法讓模型自行學習。這種結合知識注入與數據驅動的方式，旨在提高模型的適應性和準確性。

目前，團隊將這套方法應用于工業制造場景，開發了“工廠世界模型”，并與寧波當地的制造業龍頭企業合作進行驗證。金鑫認為，工業場景中的規則和需求相對明確，是技術落地的理想切入點。通過在真實環境中測試模型的有效性，團隊能夠不斷優化技術方案。

在GAIR大會上，金鑫分享了團隊在空間智能技術領域的多項研究成果。他介紹了空間智能的概念起源，指出這一理念早在SLAM技術時期就已被討論，并在2024年由斯坦福大學的李飛飛教授進一步拓展。如今，空間智能技術已在自動駕駛、機器人、AIGC等多個行業得到應用，展現出廣闊的發展前景。

金鑫將空間智能或世界模型劃分為三個核心部分：空間感知、空間交互和空間理解、泛化與生成。空間感知負責構建3D世界的基礎框架；空間交互支持智能體與環境及多智能體之間的互動；空間理解則涉及對世界本質的把握和生成能力?；谶@一框架，團隊將研究細分為空間構建和智能體訓練兩個方向，形成了一個建模-訓練的閉環優化系統。

在具體研究工作中，團隊提出了多項創新方案。例如，UniScene項目專注于駕駛場景的生成，通過Occupancy（占據柵格）技術統一多模態數據，構建了一個全面的自動駕駛仿真器。該方案能夠生成高質量的駕駛視頻和雷達點云數據，為自動駕駛算法的訓練提供了低成本且高效的解決方案。目前，團隊已發布UniSceneV2版本，進一步提升了數據質量和規模，并新增了深度圖和語義分割等模態。

另一項工作OmniNWM引入了閉環的“規劃-生成”機制，通過將規劃軌跡作為條件輸入生成器，預測未來場景的變化。該模型能夠同時生成全景視頻、語義分割、深度圖和3D結構，并在動作維度和閉環獎勵優化方面實現了擴展。團隊還將這一思路遷移到機器人領域，開發了“機器人世界模型”，用于合成軟體和繩體等復雜物體的數據。

針對機器人數據采集的需求，團隊構建了InterVLA基準數據集，以第一人稱視角補充了機器人交互數據的缺失。該數據集包含視頻、動作捕捉和文本描述等多種信息，支持人體運動估計和人機交互等下游任務。團隊還提出了DreamVLA模型，通過引入“世界嵌入”中間產物，增強了視覺-語言-動作模型的推理能力，提高了任務完成的效率和泛化性。

在方位感知能力方面，團隊設計了一個模塊化方案，賦予機器人類似人類的方位判斷能力。例如，在抓取任務中，機器人能夠根據物體的形狀選擇合適的抓握方式，而非機械地從正上方操作。這一改進顯著提升了機器人的操作靈活性。

團隊還將解耦學習應用于世界模型中，通過提取關鍵環境因素，排除了光照、背景等無關干擾，提高了模型對任務相關信息的聚焦能力。在仿真環境中測試顯示，這一方法顯著提升了智能體的訓練效率，為復雜場景下的模型優化提供了新思路。

金鑫的研究轉變始于對物理空間認知能力的追求。他希望團隊的研究能夠從處理2D視覺信號升級到理解更高維度的視覺信息，從而讓AI獲得對物理世界的真實感知。這種轉變不僅體現了技術維度的提升，也為吸引跨領域人才提供了平臺。

在篩選實驗室學生時，金鑫最看重的是自驅力和科研熱情。他認為，背景和能力可以通過培養提升，但對技術的熱愛和探索精神才是關鍵。他鼓勵學生主動反饋研究進展，并通過實習期相互磨合，確保團隊成員的目標一致。

在構建世界模型的過程中，團隊結合了靜態資產和動態數據。靜態數據包括生產線上的物體模型，而動態數據則涵蓋視頻、雷達點云和動作捕捉信息。技術路徑上，團隊先定義物理規則，再疊加動態數據，最后以靜態數據為基礎，逐步構建出能夠生成物理真實場景的模型。這一過程中，數據采集和規則嵌入是成本和技術難度最高的環節。

對于視頻生成模型能否演進為世界模型的問題，金鑫認為這取決于應用場景。在游戲和娛樂行業，這類模型能夠發揮重要作用；但在需要精細空間感知和動作策略的領域，如機器人操作或自動駕駛，其局限性則較為明顯。因此，技術路徑的選擇需與具體需求相匹配。

在處理不同材質物體的物理屬性時，團隊強調世界模型的物理真實性。通過在仿真環境中還原玻璃、塑料等材質的特性，智能體能夠學習到真實的物理規律，從而在數字世界中表現出與真實環境一致的行為。這一過程需要結合知識注入和數據驅動的方法，確保模型對復雜現象的理解。