但看完清华高阳的采访，我觉得这个词反而需要被讲得更简单一点。
对机器人来说，世界模型不是为了生成一个很炫的未来画面，而是为了预测动作后果：我这么抓、这么推、这么走，物理世界会发生什么变化？
这也是为什么千寻智能成立之初架构里就融入了隐空间世界模型的损失函数，走“VLA + 隐空间世界模型”的融合路线。VLA 负责把视觉、语言和动作连起来，世界模型负责让机器人理解动作之后世界会怎么变。
而“隐空间”可以简单理解为：模型不必复原每个像素，而是抓住和动作相关的关键变量。
这也是我觉得“具身大脑”这个概念值得看的地方。它不是让机器人只会看见世界，而是让机器人理解世界，并在真实场景里把活干好。
