推荐语
从正式运行到登顶全球榜单，只用了两个月。一支中国创业团队，闯进了巨头扎堆的交互式世界模型第一梯队。
在WBench最新公开评测中，XGEN的交互世界模型JING拿到81.0分，综合排名全球第一。目前榜单已经覆盖约50个模型，包括NVIDIA、Google DeepMind等主流玩家。在更强调交互和导航能力的Navi子榜中，JING以81.9分位列全球第二，高于Google DeepMind Genie 3的73.9分。
当然BENCHMARK其实没那么重要，更值得深思的应该是：为什么一支刚刚起步的创业团队，能够在这个当红赛道里迅速跑到前列？
XGEN没有沿着已有路径继续外推，而是试图把“主观交互体验”与“客观世界建模”放进同一套系统里：后台持续建模一个客观存在、不断演化的世界，前台则根据智能体所处位置与状态，生成它此刻合理的主观体验。
放到今天全球World Model的版图里，这也是一条极其非共识的路线。Google DeepMind持续推进Genie，李飞飞的World Labs试图构建可生成、可探索的空间智能，杨立昆押注JEPA，希望在latent representation中学习世界更抽象的规律；字节也正在向实时、空间化、可交互的视频生成继续推进。而XGEN想构建的，更像是一个持续发生的主观世界——它将“世界机制”与第一视角生成无缝拼接：后台维持人物、关系、规则与状态，前台只实时生成你此刻真正能看到、听到和交互到的部分。
这种判断并不是World Model成为热词之后才出现的。XGEN创始人车昊轩早就在沿着这条路线探索。他三年修完西工大本科学业，后因美国总统令10043政策转赴港科大攻读博士。在此期间及随后的职业生涯中，他穿梭于学术与工程前沿，先后在腾讯、可灵、字节及华为（任华为香港Principal Researcher）持续探索视觉生成与交互视频——从腾讯IEG实习期间主导发布GameGen系列工作，到在华为带队打造出Hugging Face Model Trend排名第六的“卡皮巴拉（Capybara）”大模型，他一直在技术最前沿迭代。
但比起光鲜的学术与大厂履历，真正促使他下场创业的，是在持续深耕这条路线的过程中产生的前瞻认知：他开始意识到现有路线的局限——真正的世界之所以成立，是因为背后存在持续的状态、关系、规则和历史。
于是，XGEN选择继续往前走一步：把世界模型继续推进到一个持续存在、能够保存状态与因果的世界。在其架构中，最上层首先是一套“世界机制”：每个角色都是一个自主行动的Agent；系统持续记录人物关系、状态与规则，再由交互世界模型生成智能体真正能够感知到的世界。
更关键的是，XGEN 的定位并不是一家单纯的世界模型公司，而是围绕“主观体验”构建世界——生成式世界模拟。让不同的人或智能体进入其中后，都能获得与自身位置、状态、关系和历史相匹配的合理体验。这听起来很像《西部世界》与《头号玩家》的早期雏形：进入其中之后，你所体验（Experience）的一切都由系统实时生成，且你的每一次行为都会引发世界的后续演变。
它最终指向两个方向。一边是人的互动，例如游戏、娱乐、教育、培训，让内容从“观看”变成“进入”；另一边是智能：在进入真实任务之前，AI可以先在持续运行的世界中行动、试错、观察结果，并从中积累经验。
这个判断已经从车昊轩个人的技术选择，变成了一支顶尖团队的共同押注：XGEN目前规模二十多人，团队90%以上由名校博士与一线大厂专家构成。要想构建拥有“持续状态、关系与规则”的复杂系统，单靠单一算法突破远远不够——团队中既有深谙底层生成的算法专家与清华背景的物理专家，也有精通高并发工程落地的系统专家；既有能为世界模型注入逻辑骨架的游戏行业最大知识图谱打造者，也有洞察用户交互需求的即梦创始产品经理。这种在算法、系统、知识逻辑与产品感知上的高度互补，正是他们敢于将这一前瞻判断转化为现实的底气。
当字节试图用世界模型重新定义PICO、Google DeepMind持续推进Genie的此刻，仍有一批创业者选择从完全不同的起点，逼近同一个终点。XGEN选择的这条路线同行者屈指可数。这才是令人兴奋之处——在World Model的范式尚未完全定型之前，中国创业团队不只是追赶已有路径，也正在试图参与定义下一阶段的技术路线。
以下是Z Potentials整理的对话实录，经编辑修改，enjoy～
Z Highlights
- 「我一直是一个非常坚定的技术乐观主义者。我真正感兴趣的是，AI 最终能不能解决一些今天人类还解决不了的复杂问题。
- 未来可能会有两个圈。第一个圈，是以语言为中枢的模型。叫LLM、DLM、VLM都可以，本质上负责理解、思考、推理，然后决定自己到底要完成什么任务。另一个圈，就是多模态为中枢的模型，比如world model。它更像一个“缸中之脑”，决定你看到什么。
- 我觉得今天Genie-like world model最大的问题是：它还是一个片段，而不是一个真正持续存在的世界。
- 很多world model偏虚拟世界展示。这个能力我们当然也可以做，但不是我们最强调的东西。「我们不仅关心眼前生成了什么，更关心画面背后那个持续存在、不断演化的世界。当一个人或Agent进入其中，它的位置、状态、关系和历史，会共同决定它此刻到底看见什么、听见什么、能够做什么。所以我们先通过世界机制对整个世界建模，然后再让world model生成egocentric experience。
- 世界模型需要具备能力关键词动态、长程、多模态、多智能体。
- 我现在日常其实有两重身份。一重有点像“奥本海默”——我要想清楚这个东西到底怎么造出来，它为什么成立，大方向到底是什么。另外一重更像“刘备”。独木难支。你得知道怎么把一群很强的人放到一起，怎么用人，怎么让不同的人最后能够往同一个方向走。
01 从西工大到世界模型创业：兴趣、不安全感与失控感
ZP：请您先简单介绍一下自己之前的经历。
车昊轩：我本科在西北工业大学读航空航天。2016年AlphaGo出来以后，于是决定转向AI方向，用三年提前修完了本科。也正是在不断推演模型如何真正理解并泛化真实世界的过程中，我开始对模型的本质与局限有了全新的理解。之后也经历过波折：第一次读博时，和导师的研究理念产生了分歧，他希望做偏理论推导的Mathematical方向，而我更想做Data-driven、更RL的Learning路线，最终我选择退学；第二次申请到了美国一所名校博士，因美国政策对西工大的禁令而无法入学。
无论外部环境怎么变，在博士间，我始终专注于更Data-driven、更注重Learning与泛化能力的研究路线。
2021年6月，第三次申请博士去了香港科技大学。前两年一直研究模型泛化：到底什么才算一个好的模型？我的理解是，一个好的模型应该能进入现实世界，面对各种突发情况依然有效完成任务。但2021到2023年，模型都比较小，那时泛化最大的卡点就是data：数据不够diverse，模型没有真正理解现实世界的分布。
2024年Sora出来时，我印象特别深。它把video generation和world simulation联系到了一起。当时我就想，如果真的存在一个world simulator，多模态视觉里很多过去依赖know-how解决的问题，是不是都有机会被解掉？后来我去了腾讯IEG实习。2024年9月，我们发布全球第一个genie-like路线的工作GameGen。
之后我又去了可灵。当时开源基础模型已经能生成40分钟、持续交互的视频，但保真度、动态表现等问题，本质上还是受限于基础模型能力。我们把数据和技术链路在可灵模型上做复现，做出了一些有启发的survey paper和position paper。我也开始意识到：如果真的想做一个world simulator，它不是单一模型的问题。
再后来，我去了字节和华为。今天我们团队里的很多核心成员，都是我当年在字节实习时认识的，后来连当时的mentor也被我挖了过来。毕业后我去华为香港研究所AI lab担任principal researcher，负责video generation和world model方向，带着十几个同学一起，也取得一些成果，当时Huggingface Global Trend第六的卡比巴拉模型就是那时候训练出来的。
ZP：从航空航天专业转到AI方向，纯粹是兴趣驱动吗？
车昊轩：最直接的冲击还是来自2016年AlphaGo和李世石下棋。我当时的想法其实很简单：如果 AGI真的存在，它是不是能够解决一些今天的人和制度都解决不了的问题？比如，能不能找到更好的药，让人延缓衰老？能不能解决一些非常复杂的社会和政策问题？
我一直是一个非常坚定的技术乐观主义者。我真正感兴趣的是，AI最终能不能解决一些今天人类还解决不了的复杂问题。
ZP：专业方向上你后来选择世界模型，而不是纯语言模型？
车昊轩：我最早做machine learning，且一直相信基础突破会牵引一大批效果层面的突破。但今天来看，视觉一直没有出现一个特别好的基础模型。很多视觉task，某种程度上都像是在给语言模型“打边角料”。
可如果AI真的要进入这个世界，视觉非常重要。因为如果AI看到的世界和我们看到的完全不同，它看到的东西我们无法解释，它表达出来的东西我们也无法理解，那彼此之间就缺少一个共同界面。所以我一直觉得，视觉是人和AI之间的一个common table。
后来我逐渐形成一个判断：未来可能会有两个圈。第一个圈，是以语言为中枢的模型。你叫它LLM、DLM、VLM、VLA都可以，本质上负责理解、思考、推理，然后决定自己要完成什么任务。
另一个圈，就是多模态为中枢的模型，比world model。它更像一个“缸中之脑”——通过对物理与逻辑的实时预测，模拟出了你所能看到的一切。我认为视觉是孕育AGI的一个非常重要的途径——视觉是人类接收环境信息最核心的通道，而环境其实一直在塑造着智能的进化：如果没有地球，没有我们所处的环境，我们今天这样的智能还会存在吗？
人类的知识演进，本质上是眼睛看、耳朵听，把感知到的世界凝练成knowledge，再通过教育传递下去。今天AI正在极速吞噬人类积累的所有知识，甚至行业里已经在挖掘那些只存在于人脑中、尚未连网的隐性知识。可如果这些既有知识最终被挖完了，AI下一步该怎么办？它必须像人类一样，真正进入真实世界自行探索。
而进入世界的前提，是得先拥有强大的视听能力去获取信息，才谈得上凝练新知识。视觉的核心价值，恰恰在于对真实世界进行高精度的拟真——只有让AI观察并拟真出最符合物理规律与真实逻辑的演进，它才能从中提取出最接近现实本质的知识。从这个角度看，视觉是通往真实世界的必经之路。但坦白讲，今天从语言模型、VLM到多模态agent，在这项能力上都还远远不够。
我们内部做了一个多模态Agent Benchmark叫DUAL EXAM，马上要release了，目前看到最好的模型也只有20分左右，今天所有的多模态Agent都还不qualified，距离真正投入使用还有非常大的gap。但如果你拥有一个world，就可以 生成大量不同类型的多模态数据，去弥补这个gap。
ZP：几段大厂经历里，哪一家公司对你后来创业，或者对你理解AI的方式影响最大？
车昊轩：说实话是腾讯。当时我们在游戏部门做GameGen，本质上就是用视觉模型去模拟游戏。模型发布以后其实非常成功，Twitter上的浏览量破了千万，有有很多 KOL 转发，CDPR、R 星等游戏公司和腾讯股东也都主动来问。后来Genie 2出来以后再回头看，会发现我们其实比Genie 2还早了几个月。
积极的一面是，我们确实从0到1突破了这个技术。但另外一面是，在大公司内部，一个探索性的研究项目要正式发布，还需要回答数据来源、合规边界和组织共识等一系列问题。最后我们在发布路径上没有形成一致。为了让这个工作问世，我选择离开，把GameGen作为独立研究继续推进。今天他们又在做这件事。如果当时我继续留在那里，我觉得故事会不一样。
这段比较negative的经历，其实一直影响着我后来的很多选择。我之后有一个很强烈的感受：不能再把自己命运的喉咙交给别人。
ZP：腾讯之后，你还是继续去了字节、华为这些大公司。为什么？
车昊轩：哪怕后来去了华为，我做选择时也非常在乎一件事：谁愿意让我带队，而不是只让我做一个IC。因为带队意味着我会拥有更大的自主权，也可以做更多更好的技术。在华为时我已经开始带团队，是team leader。
真正创业以后，我发现大厂带队和创业的区别，最后其实就是三个东西：人、钱、事。你能带多少人？这些人是不是你自己筛选的？你做的是不是自己真正相信的事情？这个事情最终的决策权，到底在不在你手里？在大公司里，这些东西最终都不完全由你决定。你要先提proposal，再让别人来资助你。有了资助以后才可以开工，但别人既然给了你钱，也一定会影响这个事情最后往哪里走。尤其后来，我自己写了四万行代码，把我们现在想做的事情先做出了一个demo。
做完以后，我问了自己一个问题：这玩意儿对业务到底有什么用？我回答不上来。那我就觉得，旧的路线不能再这么走下去了。但这个Demo并没有白做，它反而成为了我重新思考技术终局、也是我们现在这套新路线的灵感点。
ZP：你很多东西其实都是靠自学？这种驱动力是什么？
车昊轩：除了兴趣之外，另外一个很重要的驱动力，我觉得是忧患意识与危机感。我读博的时候总有一种紧迫感，甚至到了毕业前的最后一个月，还会反复推演oral defense可能会遇到的卡点。这种深层的危机感其实是一种原动力，它会鞭策你更快、更好、更狠地把一个目标啃下来。虽然过程确实很痛苦，但它能让你始终保持敏锐。
02 世界模型不是一段视频，而是一个能持续演化的世界
ZP：你什么时候有创业这个念头？
车昊轩：2016年转专业以后，我其实就已经开始想自己以后到底要走一条什么样的路。当时自己设计的路线很明确：先读博，再回国当教授，然后创业。因为我读书那个年代，商汤、旷视这些公司非常火，也有很多教授出来创业。像汤老师，对当时的我影响都很大。所以创业这颗种子，其实本科的时候就已经埋下来了。后面无论去腾讯、可灵、字节还是华为，某种程度上也都在积累。我一直在想一件事：怎么用有限的资源和时间，去撬动更广阔的世界。world model是一个非常fundamental的问题，而且今天真正沿着我们这条路线持续往前推的人其实很少。
有一个和我们比较像的“镜像团队”就是Genie团队。2024年12月他们发了Genie 2，我们是在9月发了自己的模型。今年也挺有意思，我们9月会发新的技术，只是我不知道他们什么时候发。至少到今天，我觉得真正意识到这件事情的fundamental importance，并且持续沿着这条路线往前推的人并不多。所以我们