<mark id="oztn4"></mark>
0
作者丨幸麗娟
編輯丨林覺民
2026年上半年，中國AI圈的錢和人都涌向同一方向：世界模型。
僅前六個月，國內世界模型賽道披露融資總額約300億元，如果把“具身智能+世界模型”融合賽道算進來，這個數字膨脹到900多億。
相比去年同期，融資增速超 5 倍。
百億資金，海量人才，如潮水般涌入。
一個繞不過去的問題是：這么多人沖進來，究竟有多少人真的想清楚了這個東西到底是什么？
從業者在找方向，投資人在找人，獵頭在摸組織，大廠戰略部門在研究誰能活下來。
一件奇怪的事是，所有人都在問同樣的問題：有沒有誰能把世界模型這件事講清楚？
有。
我們今天深訪IDEA研究院講席科學家、視啟未來創始人張磊，一起來聊清這件事。
他是IEEE Fellow，Google Scholar引用超77000次。他的DINO系列在COCO霸榜5個月，Grounding DINO 和后續的 DINO-X 力壓谷歌和Meta，被李飛飛團隊、英偉達、銀河通用等多個全球頂尖機構“標配”引用。
2025年他帶著團隊從IDEA孵化創立視啟未來，天使輪一個月就到賬近億元。
身后還站著兩位 AI 巨擘：學術導師張鈸院士（中國人工智能奠基人之一），產業導師沈向洋院士（前微軟全球執行副總裁、前微軟亞洲研究院院長）。
（這是一次深度訪談，為了不影響探討行業問題的深度，精彩曲折的人物故事這里就不展開了，想看科技八卦的請關注左林右貍下一篇文章《我所知道的張磊》）。
但這都不是我們找他的主要原因。
我們找他的原因很簡單：在所有人都在爭論“什么是世界模型”的2026年，張磊是極少數給出了清晰、可操作、不與任何主流妥協的答案的人。
從微軟研究院首席研究員，到IDEA研究院講席科學家，再到創業者——他的職業道路幾經換軌，研究命題從來沒有變過：“讓AI理解物體”。
世界模型，是這個做了二十多年的命題，在物理世界里的關鍵答案。
如果你正在看世界模型賽道，想理解它到底是不是泡沫，想知道路線之爭誰會贏，想判斷哪類團隊最值得跟——這個人的談話，你值得讀完。因為，It's totally worth your time。
以下是對話實錄，AI科技評論進行了不改變原意的刪改。
張磊博士，IEEE Fellow，視啟未來創始人兼CEO，現任IDEA研究院計算機視覺與機器人研究中心（CVR）講席科學家，香港科技大學（廣州）兼職教授，前微軟亞洲研究院、微軟總部研究院首席研究員，在計算機視覺等領域發表論文200多篇，Google Scholar引用超過77000次，H-Index為107，擁有60多項美國授權專利。因對大規模圖像識別和多媒體信息檢索方面做出的杰出貢獻，獲選為IEEE Fellow。
01
▎AI科技評論：去年以來具身智能爆發，各家機器人公司在運動控制上越來越驚艷，宇樹的機器人在馬拉松賽道上跑，智元的機器人能翻跟頭。但我們觀察到，落地應用上似乎還差一口氣。您覺得具身智能真正走向現實，還有哪些必須攻克的挑戰？
張磊：機器人要解決的核心就兩件事：成功率和泛化能力。成功率，指做一件事是否足夠可靠地完成；泛化性，是同一任務換了環境、換了本體，依然能可靠完成。
具體的挑戰有四個：
第一，單一場景泛化性不足?，F在很多團隊能在單一場景把成功率做到70%甚至80%，聽上去是很大的突破。但80%在真實應用中意味著什么？意味著每五次操作就有一次失敗，仍然需要大量人力兜底，完全無法獨立部署。
第二，橫向延展場景的通用性不夠。應該先把單點的能力推到天花板，再橫向延展場景應用的廣度，讓它在更復雜的環境下做更多、更復雜的任務。這是阻礙機器人從“實驗室演示”走向“真實應用”的最大鴻溝。
第三，“大腦”的深層次能力缺失。當前深度學習更多在學習智能的“行為”，而非“機理”（智能背后的工作原理）。具身大腦需要擁有對物理世界真正的因果推斷（不只是統計關聯，而是理解“因為A所以B”的邏輯鏈條）、常識理解和自適應能力，而這個方面，我們才剛剛起步。
第四，遠未達到“終端”級應用。目前大多數機器人仍依賴巨大的外部算力支持，需要解決“不需要人兜底”這個根本問題，才能在海量場景中推廣，形成“應用-數據-迭代”的良性循環。
▎AI科技評論：坦白講，業內對這個問題的看法挺分裂的。搞硬件的團隊認為中國供應鏈優勢明顯，應該先把本體成本打下來；搞算法的團隊覺得大腦才是真正卡脖子的地方。您怎么看？
張磊：大腦更難，也更重要。
本體方面，中國硬件迭代令人自豪。宇樹、智元這些企業通過仿真強化學習（在虛擬環境中訓練控制算法再遷移到真實機器人上）迭代運控，對電機、傳動機構等關鍵部件不斷打磨，成本和可靠性大幅優化，走出了一條非常扎實的路。但本體在馬拉松、表演中展現的能力，也只能說基本具備了動物的基礎能力，動物本能的反應、跳躍、躲避和與環境交互的能力，本體還沒達到。
▎AI科技評論：您說“大腦”更難，難在哪？是數據不夠，還是我們對智能本身的理解還太淺了？
張磊：難在背后的機制我們并未真正理解。人的大腦跟其他動物相比，區分度最大、智能程度最高?，F在所有深度學習的突破，都是從表象上來看大腦的智能達到了什么程度，然后用算法去實現。AI實際上是在學習人的行為，而不是在學習人的智能本身。 就像張鈸老師常說的，大語言模型能像人一樣說話，但它理解語言的方式跟人完全不同。
02
▎AI科技評論：伴隨具身爆發，“世界模型”這個概念突然火了。但圈內人都知道這不是新詞，90年代就有學者提過。我們挺好奇的，這個概念為什么沉寂了二十年，又在今天突然成了風口？
張磊：這個問題挺好。世界模型確實不是新概念。90年代初就有學者嘗試對智能體（能夠感知環境并采取行動達到目標的AI系統）交互所需的環境建模，幫助強化學習改進算法，但那時深度學習還沒興起，概念提出后很難驗證。
這一概念真正得到驗證是2018-2019年前后，出現了真正叫“World Models”的論文，并在游戲場景里得到應用，因為游戲是驗證強化學習最好的環境。
強化學習發展若干年后，AI已經能在游戲里打敗人類選手。這時研究者開始思考：能否讓AI智能體在與游戲環境不斷交互的過程中，自主“學出”一個世界模型，把環境演化的過程裝進模型里？這個想法在2018到2020年前后得到了完整驗證。
▎AI科技評論：那這跟今天的具身智能有什么關系？我們聽下來，好像具身才是真正把世界模型帶火的那根導火索？
張磊：這個關聯要從語言模型說起。行業先做了VLA（Vision-Language-Action，即視覺-語言-動作模型，機器人看著畫面預測下一步動作），沿用語言模型的模仿學習范式：語言模型做Next Token Prediction；具身的VLA則是機器人看著當前畫面預測下一個動作應該怎么做。
但這種方法很快走到瓶頸。瓶頸不僅僅在數據，我認為數據只是一方面，另一方面是強化學習應用還不夠。我有一個比喻：模仿學習讓語言模型學會開口說話，強化學習讓語言模型能說對。
機器人的智能程度、動作的成功率，同樣需要強化學習。
但強化學習用在具身上，面臨兩個致命障礙：一是數據收集效率極低，遠低于語言模型，機器人必須在真實環境中實際執行每個動作并等待物理反饋；二是失敗成本不可承受，洗碗學不會就打碎碗，自動駕駛學習避免事故可能要經歷大量真實事故才能學會。這跟語言模型在數字世界里低成本試錯完全不同。
世界模型提供的虛擬環境，正是解決這些問題的出口。 如果一個模型能預測“如果我做了這個動作，環境會變成什么樣”，那機器人就可以先在虛擬世界里“腦補”無數次試錯，而不需要真的打碎一萬個碗。
（筆者注：簡單理解這段話的邏輯鏈。第一，機器人學會做一件事需要大量試錯。第二，在真實世界里試錯太貴太危險。第三，世界模型就是給機器人造一個“虛擬訓練場”，讓它在腦子里把各種動作的后果都推演一遍。第四，只需要把最優方案拿到真實世界執行。這就是為什么世界模型在這個時間點突然成了全行業追逐的焦點。）
03
▎AI科技評論：現在行業對“世界模型”的定義相當混亂。視頻生成的叫世界模型，3D空間建模的叫世界模型，LeCun的JEPA（聯合嵌入預測架構）也叫世界模型。那您認為，一個模型要配得上這四個字，至少需要具備什么條件？
張磊：我認為世界模型一定要有動作依賴，即Action Conditioned（以動作為輸入條件，模型必須能回答“如果執行某個動作，環境會變成什么樣”）。
智能體能夠與環境交互的原因是動作：智能體的動作導致環境變化，環境變化后產生新的狀態并反饋給智能體，告訴它當前的動作是否朝目標靠近了一步。這是一個完整閉環，環境狀態的每一次轉移，都依賴于上一步所執行的具體動作。
大家常說世界模型就是把語言模型的 Next Token Prediction變成Next State Prediction，但我認為這個定義不夠嚴謹，缺少了一個關鍵條件。正確的表述應該是：Action Conditioned的Next State Prediction。 只有加入了動作這個前提條件，狀態預測才有意義，才是真正符合強化學習需求的世界模型。
▎AI科技評論：講真的，很多人，包括一些投資人在BP里，習慣把Sora這類視頻生成模型也叫作世界模型。但按您剛才給出的標準，它們明顯缺了動作這個維度。我們想聽聽您怎么拆解這個問題？
張磊：我們這里討論的世界模型，源自強化學習領域的 model-based 的方法，是為了幫助智能體更加有效地和環境進行交互。雖然世界模型有很多應用場景，但是具身智能是目前最為清晰、也最有價值的應用場景。
在這個意義下，純視頻生成模型比如早期的Sora，不能被稱為世界模型。核心原因在于它沒有建?！皠幼鳌?，它本質上是在生成一個自洽的視頻序列，預測像素如何變化，但完全不去建模機器人和環境交互的動作。那它能不能間接幫助機器人？能學到一些世界的變化規律，但很難幫助機器人更好地和環境交互。
▎AI科技評論：那最近很火的World Action Model（世界動作模型）呢？我們聽說它也在談動作，是另一種世界模型嗎？
張磊：WAM也不是強化學習意義下的世界模型。它是利用預測未來畫面提供的像素級監督來幫助改進動作預測，在有些任務上已經展現了比VLA更好的性能。但是，它的建模是先果后因的，先生成未來畫面再反推動作，不能用于強化學習，所以不符合我們這里討論的世界模型的定義。
04
▎AI科技評論：聊到路線之爭，這是現在世界模型領域最熱的話題了。LeCun是隱空間派的旗幟人物，Sora代表了像素派。兩條路線看起來水火不容，您怎么看？
張磊：首先，我們應該看到，兩條路線有共性。
實際上現在大家普遍感覺它們對立性很強，可能也是因為LeCun比較旗幟鮮明地堅定他的主張，有時候一個學者為了讓外面記住自己的主張，一定要講得比較清楚一些。
但像素路線實際上也要借助隱空間來操作。Stable Diffusion、Sora都是先將圖像或視頻壓縮到低維表征空間再處理。所以，表征空間才是更本質的問題。 兩條路線的真正分歧，根本不在于要不要用隱空間，而在于進入隱空間之后要保留什么、丟掉什么。
差異在于：隱空間路線希望排除光影、紋理這些并非由物理規律驅動的像素細節，有助于模型學到狀態變化背后更本質的規律，但它面臨表征坍塌的風險，如果一萬個不同畫面映射成完全一樣的表示，表征就坍塌了，意味著模型喪失了辨別不同狀態的能力。像素路線追求纖毫畢現，本質是在討好人的眼睛，因為人對視覺細節非常敏感。
▎AI科技評論：聊到這里我們有個直覺。人腦做推演不也是在隱空間嗎？你閉眼想象一個動作的后果，誰會在腦子里逐像素渲染一遍？
張磊：沒錯。如果人腦存在一個世界模型，人想象動作如何改變環境，其實是在隱空間里操作，而不會把整個畫面逐像素地在腦子里過一遍。所以，以人眼對畫質的判斷作為世界模型的評價標準是不充分的。 像素路線若要做世界模型，真正應該追求的不是像素有多逼真，而是生成的視頻序列要符合物理合理性。
（筆者注：這段對話講的是AI世界模型的兩條路線之爭。以Sora為代表的像素派只管畫面逼真，常會出現杯子懸浮、物體穿模、蠟燭吹不滅這類違背物理常識的bug；而LeCun與張磊主張的隱空間派，是先把畫面抽象成規律再推演，更懂物理因果。張磊的關鍵創新，是在隱空間里加入“物體結構”，讓AI先分清杯子、桌子、人這些獨立物體，再學習它們之間的互動規律，既避免Sora式的視覺穿幫，又比純抽象隱空間更適合機器人在真實世界里避障、抓取與規劃動作。）
▎AI科技評論：您跟LeCun走的是同一條隱空間路線。但我們聽說，您的做法跟他有一個關鍵區別，您強調要“引入物體結構”。核心差異在哪？
張磊：我們的路線跟LeCun共享同一條第一性原理：人腦做反事實推理（“如果我這么做會怎樣”的推演）是Action-Conditioned的，在抽象表征里推演，不在像素里重演。
LeCun過去幾年用I-JEPA、V-JEPA、LeJEPA驗證了這條公理：預測應該發生在表征空間。但具身方向物理空間的復雜度極高，真正要把這個方法用到大規模真實環境，我們認為還需要在隱空間里引入必要的結構。
這個觀點來自我們已驗證過的能力。我們的核心團隊主導研發的DINO-X，已經解決了開放世界“看見物體”的問題。所以現在，我們讓物體成為世界模型預測與規劃的基本單元。直觀來講，物理規律是作用在物體上的，讓隱空間表征理解物體，就可以更有效地學習物理規律。
▎AI科技評論：等一下，我們想追問一句。LeCun的AMI Labs拿了十幾億美金融資也在死磕這個方向。你們這個“引入物體結構”的改進，憑什么覺得能在他的大框架上跑得更遠？
張磊：因為我們之前做DINO-X，這是一個開放式的物體感知通用模型，已經把“理解物體”這件事做到了全球最好。我們對視覺模型機理的理解、為什么視覺模型能做出物理合理性，都跟原來做通用物體理解這條線高度吻合。
簡單來說，LeCun的路線是基礎框架，我們在這個框架上引入物體結構，并讓它在真實環境上閉環。這個“閉環”的能力，是我們過去幾年打出來的。
05
▎AI科技評論：您的團隊在視覺大模型階段成績太突出了。Grounding DINO 和后續推出的DINO-X 力壓谷歌、Meta，被李飛飛團隊、英偉達、銀河通用等全球頂尖機構標配引用。這事我們內部聊過，都覺得有點“不正?！保和ǔＪ侵袊鴪F隊追著國外跑，你們是怎么反過來讓國外團隊來追你們的？
張磊：兩個維度比較突出。
范式上，我們是視覺領域第一個把Transformer（一種基于自注意力機制的深度學習架構，也是大語言模型的底層基礎）檢測做到SOTA（State of the Art，領域最佳水平）的團隊。Grounding DINO將語言模型的范式引入，第一次把物體檢測拓展到開放域，模型不再局限于“只能識別訓練過的物體類別”，而是可以檢測任意從未見過的物體。至今它仍是開源模型里引用和下載量最高的，這可以稱得上范式級突破。
數據和工程策略上，在Grounding DINO之后，我們轉向閉源路線，將驗證過的想法往Scaling方向推進。同時，我對工作水準要求很高。雖然當時團隊年輕，沒做過這么強的工作，但我還是堅持把門檻卡住，強調必須達到大版本級別的突破才發布。所以我們花了約一年時間才推出Grounding DINO 1.5，然后又花了半年時間推出 DINO-X。事實證明，這一年多磨出來的版本，行業認可度確實很高。
▎AI科技評論：你們做的這些視覺大模型，跟今天做世界模型是什么關系？
張磊：我們的工作一脈相承。此前做物體感知，核心目標就是給機器人提供感知基礎，后來很多團隊用我們的Grounding DINO解決具身環境理解問題。
技術路線上，世界模型比語言更偏視覺原生，幾乎所有世界模型工作都不是基于GPT那種純語言架構。
團隊積累上，我們對視覺模型機理的理解跟原來做通用物體理解這條技術路線吻合度非常高。這也是我們有信心把世界模型持續迭代下去的原因。
團隊是從IDEA孵化的20多人，非常穩定。我們做閉源模型的時候也不斷吸引外部做算法和工程都很強的人加入。這20多個人，就是今天視啟未來的“種子”。
從DINO系列模型到世界模型的進化路線
06
▎AI科技評論：您說現有的隱空間方案“并不真正理解物體”，它們不知道場景里哪些是獨立物體、物體之間是什么關系。我們挺好奇的，這怎么判斷？怎么知道模型是真的“理解”了物體，還是在“假裝”理解？
張磊：理解本身難以直接驗證。語言模型到底怎么理解語言的，現在誰都講不清楚，只能通過行為表象判斷，它連續輸出文字，你覺得跟人說的沒差別，就說它理解了。
世界模型面臨類似困境。模型到底有沒有真正理解物理規律，是不是真的捕捉到了物體結構，也很難直接講清楚。我們會通過中間步驟的可視化來分析，如果結果跟人類直覺一致，就說明它可能捕捉到了物體結構。
▎AI科技評論：有沒有什么具體的測試方法？能不能做個實驗來看看？
張磊：有的。反事實測試就是一個很好的方法，讓模型嘗試不同動作，看能否給出物理合理的結果。如果軌跡偏一點也能做對，說明學到了規律；做不對，說明學的可能仍是統計相關性。
這很考驗洞察力。就像Richard Sutton教授說的，人做研究時總忍不住想幫模型、把自己的經驗灌進去。語言模型研究者曾經恨不得把句法結構分析出來，分詞、詞組都喂給它，但最后還是打不過“預測下一個Token”這個簡單范式。
我自己非常相信這種簡潔的范式往前迭代的力量。 過多人為設計，短期有效，長期會阻礙迭代。
▎AI科技評論：那物理世界里還有一些很棘手的物體，流沙、水流、煙霧、布料，它們沒有清晰的邊界。我們擔心的是，您的“物體為中心”框架會不會反而被“物體”這個概念束縛住？
張磊：這個問題我們自己也在思考。從技術角度，最簡單的切入方式是Mask，把物體區域的像素分割出來。過去幾年視覺領域在物體語義理解和Mask預測上已經很成熟，流沙、水域這類非剛性物體都能處理。
因此，從Mask入手，是一個務實的起點。而我們在通用物體感知上的積累，比外面任何團隊都深。
07
▎AI科技評論：您的技術框架里有一個很關鍵的概念叫“動作對齊”，把人的手、兩指夾爪、多指靈巧手這些不同構型的動作映射到同一個隱空間。我們是這么理解的，這聽起來有點像給機器人做翻譯，讓它們能理解不同“語言”的動作，對嗎？
張磊：世界模型的輸入主要有兩個：畫面（狀態）和動作，所以對動作的理解非常關鍵。
動作對齊是多本體問題的基本需求。人手與機械臂的對齊更有難度：機械臂的關節位置在物理空間的XYZ坐標是精確可知的，但人手數據一般是2D視頻，大家拍一段做飯的視頻，里面只有二維畫面，沒有三維坐標。直接混用效率很低。
我們的做法是提取3D關鍵點，將人手的2D視頻轉化為3D空間的操作序列，與機械臂數據對齊到同一物理空間。這就是現在行業講的Ego數據（以第一人稱視角采集的人類操作數據）的采集和處理。
我們之前發布的EgoTwin，主要解決的就是這類數采問題，目前已經跟百度云的數采團隊在合作。
▎AI科技評論：EgoTwin解決了“手怎么動”的數據問題。但我們想追問一句，人類視頻里還隱含了更高層的信息，“手為什么這么動”的意圖，這部分怎么辦？
張磊：更高層的動作意圖理解，我們會把它留給世界模型或VLA模型去解決。但前提是數據本身質量要足夠高。數據原料非常關鍵。行業里在數據采集上投入了大量人力和成本，但是有很多情況下數據利用效率并不理想。我們在Grounding DINO和DINO-X工作中積累的核心經驗，是找到懂算法的人去深入做數據，否則采集的數據可能訓練時根本用不上。需要算法和數據兩條線并行迭代。
08
▎AI科技評論：我們注意到，您身后站著兩位對您影響深遠的人物，張鈸院士（中國人工智能奠基人之一）和沈向洋院士（前微軟全球執行副總裁、前微軟亞洲研究院院長）。一位偏學術，一位偏產業，我們挺想知道，他們各自給了您什么？
張磊：張鈸院士永遠是我的導師和榜樣。 我最早認識張老師是在本科剛進清華教研室時，他是實驗室主任。當時我在做AGV（自動導引小車），大量課余時間都在實驗室調試硬件做實驗，那時候就經常能看到張老師在實驗室指導博士生做機器人相關的工作。后來很幸運，我也成為了張老師的博士生，印象最深的是他對新技術非常敏感，有很強的好奇心。每次找他看實驗結果討論的時候，他都會興致勃勃地坐在一旁，說“你把這個改一改，看看怎么樣”。他也在通過這種方式加深自己的理解。你能看到一個學者對算法、對問題的理解，完全是由好奇心驅動的。
另一點受用至今的，是他強調“理解東西要理解透”，理解不透就會被騙，理解透了才知道底層原理是怎么回事。這句話后來也成了我帶學生的準則：透徹理解，力求最好。
沈向洋院士對我的影響也非常大。我在微軟期間，他一直是我的大老板，可以說影響了我整個職業道路：從中國到美國是他招我過去的，從美國回深圳也是他動員我回來的。并且，他在產業方向上也有非常敏銳的判斷力，從團隊構建到融資，都給了我很多具體的建議和經驗分享。
▎AI科技評論：聽說張鈸老師90歲高齡還去你們團隊交流？這事我們聽著都覺得挺感動的。
張磊：是的。去年11月，清華研究生院邀請他到深圳講課，他上午講完課，下午就把時間留給了我們團隊?；艘徽麄€下午交流，晚上一起吃飯。他視野非常廣，對我們的通用視覺理解和機器人方向給了很多建議。雖然年紀大了，但思路非常清楚，邏輯性和對問題理解的深度，可以說一點都不比年輕人差。
09
▎AI科技評論：最近幾年，從深度學習到大模型再到具身和世界模型，每一波浪潮您都深度參與其中。我們想知道，有沒有哪個moment讓您覺得“這就是我要做的”？
張磊：物體檢測的工作，非常接近你說的這種狀態。這個工作讓我覺得非常自豪，因為能看到整個領域有了突破性的進展。
接下來的世界模型，也是一個讓我比較激動、愿意全力投入的方向。過去幾十年強化學習與世界模型交替發展的過程，以及語言模型成功的范式，都可以借鑒過來。我認為這個方向會給整個AI行業帶來很大影響。
▎AI科技評論：研究者的高光時刻經常被提及，但低谷似乎很少被說到。您經歷過技術低谷嗎？
張磊：有的。2018年前后，我嘗試用弱監督數據做物體檢測，只靠圖片類別標簽就能做檢測，避開給每個物體標框。這個方法聽上去很吸引人，我花了相當長一段時間，但一直解決得不夠徹底。
后來到IDEA做Grounding DINO，把語言理解和檢測能力結合，反而從另一個角度把問題解決了。這個突破一方面源自我們在DINO檢測模型上的創新給我們打下的堅實的基礎，另一方面很大程度上受益于語言模型的發展。Grounding DINO的突破是在2022年底、2023年初，正好是ChatGPT出來的時刻。有一個說法叫“數據足夠大的時候，智能就會自然涌現”，數據足夠大，算法就可以足夠簡單。
我認為遇到挫折是正常的，關鍵是得有一個跟很難的問題死磕的狠勁，這一輪做不通，就換個角度，吃飯睡覺都在想，圍著它不停地轉。真正好的問題，會持續想很多年，然后在某個時刻，可能就自然而然地涌現出質變式的突破。
▎AI科技評論：現在很多年輕人也在做世界模型創業，比如逆矩陣的陳博遠、吉嘉銘，白澤科技的白寅岐，他們甚至還是本科生。我們覺得這事挺有意思的，您怎么看這種“后浪”？
張磊：這說明進入研究的門檻確實降低了。在深度學習崛起之前，新進入者需要花幾年打基礎?，F在開源技術把技術簡化了，理解Transformer就能進入這個領域。年輕人的優勢在于沒有包袱，從第一性原理出發更容易接受新范式。但真正難的問題，也需要有洞察力、理解力和把控方向能力的前輩研究者。
社會熱點總在變，但如果只是為追熱點而追，反而追不上。本質是：不管方向怎么變，每個團隊永遠需要最能干的人。你只要保持好學、基礎扎實，最前沿的方向會主動來找你。
10
這次采訪中最觸動我們的，不是張磊那些耀眼的技術成就，甚至不是他帶過的那批后輩天驕——實習生黃崢、李學龍，以及微軟第一代人臉檢測算法項目中的團隊成員朱瓏、肖嶸、顏水成。
最觸動我們的，是他反復提起的一個詞：“理解透”。
這個詞，張磊記了三十年。
1990年代初的清華園，人工智能還是一個冷門到沒人在意的學科，張磊還是計算機系一個在教研室擺弄AGV小車的本科生。當時實驗室主任指導博士生做機器人相關的工作，給他留下了深刻的印象，后來他也拜入其門下。
那位實驗室主任叫張鈸，中國人工智能奠基人。每當張磊邀請他一起看實驗結果的時候，他總會興致勃勃地坐到張磊旁邊，盯著屏幕看一會兒，伸出手指：“你把這個改一改，看看怎么樣?！辈皇菣z查作業，是真的想知道，你改了參數以后，會發生什么。
張鈸教給張磊的東西，后來濃縮成三個字：“理解透”。
“理解不透就會被騙，理解透了才知道底層原理是怎么回事?！?/span>
中國一代科研人的精神就是在這種細微小事上傳遞下去的。
2018年，張磊在微軟做弱監督物體檢測，做不通，他沒有換題目。
“這一輪做不通，就換個角度，吃飯睡覺都在想，圍著它不停地轉。”
這不是修辭，是他的日常。
后來到IDEA做Grounding DINO，他從另一個角度把問題解決了。突破的時刻，是ChatGPT出來的2022年底——語言模型的能力上來了，數據足夠大了。
張磊用了一個描述：“自然而然地涌現”。
從改AGV小車參數到解世界模型，中間隔了三十年。這三十年里他從大規模圖像檢索到通用視覺理解，對每一個問題都追求徹底理解并做到最好，直到又回到“為機器人建世界模型”這個方向。正如喬布斯所說的“connect the dots”——每一件認真做過的事情，都不會白費。
2025年底，90歲的張鈸飛到深圳講課。上午講完課，下午就扎進視啟未來的辦公室。七八個年輕人圍著他，他講了一整個下午，晚上一起吃飯，講自己讀書時的事，講對這個方向的判斷。思路清楚，邏輯縝密，一點都不比年輕人差。張磊也給老師講起了自己正在做的事情。
張鈸院士在視啟未來，張磊給老師講述研究進展
三十年前，清華園里，老師坐在學生旁邊說：你把這個改一改，看看怎么樣。
三十年后，深圳辦公室，學生給90歲的老師講他正在做的世界模型。
這是一個何等令人動容的場景重現。
人會老去，潮水會退去，熱點會冷掉，但中國科研人想要把一個個世界難題“理解透”的執念，從來沒有變過。雷峰網雷峰網(公眾號：雷峰網)雷峰網
上車，帶你看遍全球 AI 頂會精華
可獨家暢覽：
專家演講PPT
大會報告全文
熱門論文解讀
學術新星訪談
掃描上方二維碼
或點擊「閱讀原文」關注專區。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
