AI公司智象元一创始人梅涛提出智能体化世界模型：大语言、多模态与具身三条路线终将合流
梅涛在2026世界顶尖科学家论坛上提出，LLM、多模态和具身三条AI技术路线将汇流为'智能体化全模态世界模型'，由决策大脑、世界模拟器和具身上下文三个组件在统一Token空间中协同运作。
数字智能已经能写代码、做数学、生成视频，物理智能却仍然在抓取一个杯子时磕磕绊绊。这道鸿沟是当下AI领域最常被提及的结构性问题之一。在2026年11月举行的世界顶尖科学家论坛第二届国际工程智能大会上，AI公司智象元一（HiDream.ai）创始人兼CEO梅涛给出了一个具体的架构回答：三条技术路线——大语言模型、多模态模型和具身大模型——并非彼此孤立，长远来看终将汇流，走向他所称的智能体化全模态世界模型（Agentic Omnimodal World Models）。
梅涛将这一架构拆为三个功能组件。第一是LLM，充当智能体的决策大脑，负责理解意图、生成推理和制定任务规划。第二是Omni-Model，即通用世界模型，扮演世界模拟器的角色：基于LLM给出的意图，模拟物理世界的运行，推演行动带来的后果，并预判下一步动作。第三是Embodied Context，具身上下文，对接真实物理环境，负责执行具身行动，同时将真实观测数据回传，用于校准世界模型。
三者协同的关键主张是 One Token Space, One World——在同一个Token空间里，思维世界与物理世界实现统一。这意味着文本、图像、视频、空间、位姿、力触、传感器等所有模态共享一套表征，而不是各自为政。智象自研的原生全模态（Unified Transformer）架构正是这一主张的工程基础。
需要明确的是，这是一家公司在行业会议上的架构愿景陈述，而非经过独立验证的研究结果。梅涛并未公开任何基准对比数据或第三方复现来证明这一三组件方案优于其他世界模型路径。他引用的背景数据——如OpenRouter统计的中国周Token调用量达93万亿、OpenAI一次性公开377项数学成果——属于媒体转述的行业上下文，不是该架构本身的实验证据。