2026年2月，英伟达机器人主管Jim Fan提出“世界建模”将成为新一代预训练范式，预测2026年将是大世界模型（Large World Models）为机器人领域及多模态AI奠定基础的关键一年。他认为，世界建模的核心在于通过动作预测下一个合理的世界状态，不仅限于RGB视频帧，还需涵盖3D运动、触觉等多模态数据。相比以语言为中心的视觉语言模型（VLM），世界模型更注重物理智能，减少对语言的依赖。Jim强调，视觉推理将取代语言推理，成为解决物理问题的新方式。业内专家如Google DeepMind的Jack Parker-Holder也认同世界模型可连接虚拟与物理领域，但指出从像素到物理的跃迁仍面临几何一致性、实时性等挑战。与此同时，李飞飞创办的World Labs和LeCun的AMI Labs正加速商业布局，分别以50亿美元和35亿美元估值融资，推动技术落地。