在"世界模型"成为具身智能赛道最热标签的当下，一位该领域的主要奠基者却公开发声拒绝这个标签。
近日，由前Google DeepMind高级研究科学家皮特·弗洛伦斯（Pete Florence）创立的具身智能公司Generalist AI完成了新一轮4亿美元（约合人民币27亿元）融资，估值达到20亿美元（约合人民币135.5亿元）。投资方阵容豪华——英伟达旗下NVentures、知名天使投资人纳特·弗里德曼与丹尼尔·格罗斯联合管理的NFDG、贝索斯家族办公室Bezos Expeditions、小米联合创始人林斌、Zoom创始人袁征，以及"世界模型"领域最具代表性的科学家李飞飞，均出现在此轮出资名单中。
然而比融资数字本身更值得关注的是：皮特·弗洛伦斯在创业之初就写了一封公开信，开篇便明确表示"不要将我的公司贴上世界模型的标签"。一位世界模型路线的奠基者，为何如此抗拒自己亲手参与开创的范式？这背后折射出具身智能赛道正在经历的"路线分化"。
一、VLA架构的共同创建者，为何主动"去标签化"
皮特·弗洛伦斯并非"门外汉"——恰恰相反，2023年他与DeepMind团队共同提出的Vision-Language-Action Models（VLA）架构，正是如今"世界模型"热潮的技术源头之一。如果业界公认有一条"世界模型"的路线图，那弗洛伦斯就是这条路上最重要的开拓者之一。
正是在这种背景下，他公开拒绝被贴上"世界模型"的标签，态度格外引人深思。原因可以从他的学术经历中一窥端倪。弗洛伦斯在麻省理工攻读博士期间师从机器人领域泰斗拉斯·泰德雷克（Russ Tedrake）——一位坚信"理解物理世界"远比"编程代码"更重要的学者。在这样的学术氛围中成长，弗洛伦斯养成了"先设置具体目标，再设计技术路径"的思维方式，而非反其道而行之。
在他看来，目前的"世界模型"热潮更多是"理念驱动型"的市场叙事，其中相当一部分热度可以归结为资本市场在大热方向上寻找非共识的兴奋。但真正推动机器人进入生产一线，需要的不是宏大的理念标签，而是机器人能够以极高的成功率和速度完成从未见过的各类任务，且完全无需任何特定任务的数据。目标>标签，是他的核心信条。
二、从GEN-0到GEN-1：一条"去概念化"的技术路线
Generalist AI的技术路线始终紧扣"成功率"这个最硬核的指标。2025年11月，公司发布初代具身智能模型GEN-0，融合视觉模型与语言模型优势，实现了人类级别的反射能力和物理常识判断。大量媒体指出，GEN-0的核心突破在于证明了驱动ChatGPT等大语言模型的"扩展规律（Scaling Law）"同样适用于物理运动。
GEN-0并未完美解决困扰整个具身智能领域的数据集难题。为此，公司开发了一套可穿戴数据采集设备，用于捕捉人类执行手工任务时的微小动作和视觉信息。到2026年4月，基于50万小时的"PB级物理交互数据"训练而成的GEN-1正式发布——在折叠纸箱、打包手机、维护扫地机器人等精细机械任务上，成功率高达99%，执行速度约为GEN-0的三倍，且仅需约一小时的训练时间即可达成。
公司骄傲地宣称，GEN-1的物理模型已接近类似GPT-3的"拐点"——部分任务的性能开始达到在商业实用环境中部署所需的水平。这意味着通用机器人在真实生产线上"替代人工"的可能性，正在从一个愿景变成可验证的工程现实。
三、拒绝"世界模型"标签的理性逻辑
弗洛伦斯的"拒绝标签"并非追求另类的营销话术，他有完整的逻辑链。
当前行业对"世界模型"的热情，相当程度上源于对"超级智能体"的想象——一个合格的超级智能体不应该只靠数据投喂获得能力，而是要像人类一样主动理解物理世界。弗洛伦斯并不否认这一技术理念本身的价值，他反对的是将"世界模型"作为目标本身。真实的工业目标应该是"机器人如何完美完成任务"，而不是"机器人如何完美理解世界"。
这一思路的逻辑延伸是"结果导向"的路线选择:与其投入大量资源去建立一个"通用物理理解引擎"，不如优先确保机器人在实际生产中的任务完成率和执行速度。如果机器人在各种复杂多变的物理环境中能稳定达到99%的成功率，那无论它内部有没有"世界模型"都不重要。
从结果来看，资本市场的反馈也验证了这一逻辑。Generalist AI此轮融资在GEN-1发布后两个月内迅速敲定，老股东英伟达、贝索斯家族办公室全部加倍追投。"目标优先于标签"的策略打动了一批关注产业落地、而非追逐FOMO的长期资本。
四、具身智能的"路线之争"：这对行业意味着什么
Generalist AI的"反世界模型"路线，并不意味世界模型路线错了。相反，两种路线的同时存在，恰恰是具身智能赛道正在走向"成熟分化"的标志。
世界模型路线的代表——如李飞飞团队的VoxPoser和斯坦福的NOIR系统——追求的是机器人对物理世界的深层理解能力，这种能力有望带来更强的泛化性和适应性。而Generalist AI的"任务成功率优先"路线，追求的是当前就能在工业场景中创造实际价值的机器人能力。
两者并不必然对立。从技术演进的路径来看，今天的"任务成功率优先"路线积累的真实物理交互数据，恰恰可能是明天构建更强世界模型的训练基础。GEN-1的50万小时真实操作数据，其采集成本和质量都是任何模拟环境无法替代的。从这个角度看，两条路线更像是"先交付价值"与"先构建基石"的路径分歧，而非右与左的对立选择。
李飞飞的名字同时出现在Generalist AI的投资名单上，也暗示了这种"路径互补"的关系。作为世界模型路线最有代表性的学者，她用自己的真金白银支持了一位公开"离经叛道"的创业者，这本身就是一种行业走向多元化的积极信号。
五、"扩展定律"向物理世界的延伸：通用机器人的GPT时刻
Generalist AI案例中最重要的信号，或许来自于GEN-0证明的那个结论：驱动ChatGPT等大语言模型的Scaling Law同样适用于物理运动。这意味着随着模型参数和训练数据的增加，机器人的物理操作能力将持续提升，且改善速度可能是指数级的。
如果物理Scaling Law成立，那么通用机器人的进化轨迹将类似于大语言模型的发展路径：从"勉强可用"到"足够好用"再到"远超人类"的指数级跃迁。GEN-1已经到达了"部分任务可商业部署"的临界点，按照Gen系列的年迭代节奏，2027年的GEN-2可能带来几乎全方位的工业级部署能力。
从这个角度看，Generalist AI的"反世界模型"路线不是保守，而是更务实的激进。与其在宏大叙事的迷宫中打转，不如先在真实物理世界中做出99%的成功率。当创始人公然拒绝"世界模型"这一AI行业最热的标签时，他实际上传递了一个更具野心的信息：通用机器人的GPT时刻，正在以"去概念化"的方式悄然到来。