在10月20日南京首届2026物理AI与世界模型大会上，清华系具身智能公司千诀科技发布预测式世界模型Polibrain。创始人高海川称，该模型不生成未来画面，而是在潜在表征空间预测任务相关状态变化，并已开始在多种机器人形态上适配。
AI解读：千诀科技于2026年10月20日在南京首届物理AI与世界模型大会发布预测式世界模型Polibrain，创始人高海川在开幕式演讲中介绍，该模型面向机器人环境感知、行动预测、自主规划与执行反馈。
高海川称，Polibrain不追求逐帧生成未来画面，而是预测影响任务完成的关键信息，如物体位置、机械臂与目标的相对关系、抓取动作带来的状态变化；模型支持在执行结果与预测不一致时重新评估并调整行动。
千诀称Polibrain已在四足、人形、轮式、双臂等形态上开展适配，探索陪伴服务、餐饮服务、物品整理及精细操作任务。这属于公司公布的适配范围，复杂场景中的可靠性尚无完整实测数据。
公司称其2025年联合清华大学团队在ICML发表世界模型理论研究，涉及隐变量可辨识性与低阶偏好，发表时间比LeCun团队2026年5月的相近论文早约一年；高海川表示两项研究数学工具不同，但学习判据与导出的表征在信息层面具有一定等价性。
千诀采用松耦合架构，将面向环境与任务的共用表征与具体机器人动作执行分离，公司定位为向机器人本体厂商提供智能能力，不造机器人本体。高海川也提到，本体厂商之间的数据壁垒仍是跨本体数据协同的现实障碍。
2026年10月20日，首届2026物理AI与世界模型大会在南京开幕，清华系具身智能公司千诀科技在会上发布预测式世界模型Polibrain。创始人高海川在开幕式演讲中称，该模型让机器人预测行动结果、减少实际试错，目前已开始在多种机器人形态上适配。
据量子位报道，图灵奖得主Yann LeCun与姚期智远程参会并分享观察。千诀的发布是本次大会上该公司公布的新产品动作。
Polibrain预测什么、不预测什么
高海川在演讲中用“广州运送荔枝到长安”作比：把可能路线都走一遍对应VLA路线，先画出地图再规划路线则对应世界模型的预测与规划方法。他称区别在于机器人能否提前推演行动可能带来的结果。
按千诀的介绍，Polibrain学习环境状态、历史信息和行动结果之间的关系，在任务相关的潜在表征空间中预测状态变化，而不追求把未来每一帧画面完整生成出来。公司称，对捡垃圾这类任务，地面颜色、背景纹理未必重要，真正影响任务的是垃圾位置、机械臂与目标的相对关系以及抓取后目标状态如何变化。
高海川在演讲中称：“世界模型要做好，关键在于状态表征。”Polibrain将感知、状态理解、行动预测、任务决策、动作执行与反馈调整连成持续决策闭环，并支持通过关键特征解码追踪预期状态与实际结果的偏差。
- 千诀公布的一段演示中，一台带机械臂和回收筐的四足机器狗在户外执行垃圾回收：寻找垃圾、识别位置、移动、规划机械臂抓取并放入筐中。
- 量子位提到，这套机制在复杂场景中究竟多可靠，还需要更完整的实测数据验证；上述演示来自千诀提供的视频。
跨本体复用的架构与适配范围
千诀将Polibrain描述为“松耦合世界模型架构”：面向环境与任务的共用表征，与具体机器人的动作执行能力相对分离。高海川举例，人形机器人可以一只手拿衣服、另一只手开洗衣机门；只有单臂的轮式机器人则可以通过智能家居IoT系统让洗衣机自己开门。硬件不同，执行方式不同，但最终对物理世界产生的变化可以相同。
公司称，目前已在人形、轮式、单臂、双臂等机器人形态上开展适配，探索陪伴服务、餐饮服务、物品整理及精细操作任务。千诀的产品定位是不造机器人本体，向不同形态机器人提供智能能力；高海川认为具身智能落地可以是渐进的，不必一开始就追求完整人形。
- 高海川称，减少一只机械臂可做酒店配送机器人，换成双臂可进入餐饮服务场景，调整本体结构还能用于巡检、安保、环卫清洁等任务。
- 公司认为共享高层表征有望让不同形态积累的数据服务同一套模型，但高海川也提到不同机器人企业之间的数据壁垒，数据开放共享并不容易。
公司援引的理论研究
千诀称，2025年联合清华大学团队在ICML发表《When Do Neural Networks Learn World Models?》，研究神经网络在什么条件下能从观测数据中恢复隐藏的世界结构，涉及多任务学习、低阶偏好与隐变量可辨识性。公司称，这比LeCun团队2026年5月发表的《When Does LeJEPA Learn a World Model?》早约一年。
高海川在演讲中解释，千诀团队从因果推断和布尔空间角度提出学习判据，LeCun团队从时间维度切入；研究对象与数学工具不同，但两项研究提出的学习判据具有一定等价性，最终导出的表征在信息层面也具有一定等价性。
千诀还介绍了2026年提出的“有效阶”（Effective Degree，ED），试图用可计算的指标衡量模型所学函数的复杂度：沿真实数据点之间的插值路径观察网络，用正交多项式拟合输出，再按不同阶次成分的权重计算。低阶成分占主导时ED较小，高阶成分越多、幅度越大ED越高。公司称该指标可用于比较模型复杂度并引入训练过程。
- 报道未给出ED在具体机器人任务上的效果数据；千诀称函数更简单不意味着模型一定掌握正确物理规律，但为分析和优化泛化能力提供了工具。
- 千诀还提到基于反事实推断的历史信息筛选机制，判断某段历史观测是否影响后续预测和决策，以应对遮挡、延迟反馈和多步骤任务。公司称这些基础研究提供技术依据，实际效果仍需更多真实任务验证。