一只驮着回收筐的四足机器狗停在垃圾前面。
它没立刻伸手。机械臂抬起来一点，又放下。
垃圾在台阶边上，风一吹，塑料袋翻了个面。
从哪个方向靠过去？机械臂伸出去够不够？抓的时候会不会把瓶子推得更远？
这几秒的迟疑，把两条技术路线摆到了台面上：一条是把可能的路都走一遍，一条是先画一张地图。
2026 年 10 月 20 日，南京，首届物理 AI 与世界模型大会开幕式上，千诀科技发布了后一种——预测式世界模型 Polibrain。
走一遍，还是先画张图
千诀科技创始人高海川在开幕式上讲了个老故事：古代商人要把荔枝从广州运到长安，怎么找最快的路线。
两种解法。
把所有路线都走一遍，哪条最快选哪条。费时费力，但答案准。
或者先弄清沿途有哪些城市、城市之间怎么连，画出一张地图，再在地图上规划。
他把前者比作现在很热的 VLA 路线，后者对应世界模型。
他还有一句话：有了地图，可以推导出最短路径；但有了路径，不能反过来推导出一张地图。
路线是走出来的结果。地图是走之前的那层理解。
它没打算把整个世界画出来
听到「世界模型」，很多人第一反应是：把未来一帧一帧画出来。地面的颜色、背景的纹理、树叶怎么晃。
Polibrain 不这么干。
它不追求把未来每一帧完整生成。地上什么颜色、背景有多少纹理，未必重要。
真正影响任务的是垃圾在哪、机械臂和目标的相对关系、抓取动作会怎么改变目标状态。
高海川的原话是：「世界模型要做好，关键在于状态表征。」
说白了，这张图不是风景画，是作战图。
风景画要还原每一棵树。作战图只要标出桥在哪、路通不通、人从哪来。
它跑的是一个闭环：环境感知、状态理解、行动预测、任务决策、动作执行、反馈调整。
执行结果和预测对不上，就按新状态重新评估，改后面的动作。
它也会把巧合当因果
比画错图更麻烦的，是它把巧合当成了因果。
高海川举的例子：主人出门前，从抽屉里拿走钥匙。
三个事情同时发生——主人出门了、主人拿走钥匙、抽屉里的钥匙消失。
模型天天看这些数据，只学相关性，很容易得出一个结论：主人出门，等于抽屉里的钥匙消失。
这个规律多数时候对得上。
哪天会出问题？
主人真忘了带钥匙。人在外面，让机器人去抽屉里找。
机器人一判断：主人已经出门了，钥匙肯定不在抽屉里。
它不找了。
可钥匙就躺在抽屉里。
人也会犯这毛病。区别是人还会多问一句：今天真带了吗？
模型不问。它只算概率。
还有一层更隐蔽的麻烦，叫「特征污染」。
在 A 仓库学会抓取，换到 B 仓库，光照变了、背景变了、货架位置变了，表现可能大打折扣。
因为它把大量与任务无关的细节也记进去了。背景纹理、光照、周边摆设，全被当成判断依据。
它以为自己学会了抓取，其实是记住了 A 仓库长什么样。
练一次，四种身体都能用
Polibrain 要解决的就是这个：别记仓库长什么样，记住要抓的东西在哪、手和目标是什么关系。
技术上走的是多项式表征这条路。用一套数学方法，从复杂环境里提取真正影响结果的关键变量，减少对无关细节的依赖。
说人话：把没用的信息扔掉。
千诀在 2025 年联合清华大学团队在 ICML 发过世界模型的理论研究，在隐变量可辨识性、低阶偏好方向上的公开探索，比 LeCun 团队的相近研究早约一年。
LeCun 一直在押注预测式世界模型，李飞飞带着 World Labs 做可交互的 3D 世界。这条路不止一家在走。
更有意思的是跨本体复用。
人形机器人能用机械手抓杯子，轮式单臂也能。本体结构和控制方式不一样，但需要理解的物体关系、目标状态、环境变化规律，有共性。
千诀已经在四足、人形、轮式、单臂、双臂这些形态上做适配，探索陪伴服务、餐饮服务、物品整理、精细操作。
它还没过关
这段必须写清楚。
报道原文里写着：这套机制在复杂场景中究竟有多可靠，还需要更完整的实测数据验证。
也就是说，我们看到的是一段演示视频和一套设计说明，不是第三方跑出来的成绩单。
哪些东西报道里没有？抓取成功率、跨仓库迁移掉多少、连续跑多少小时不出错——一个都没有。
「跨本体复用」目前公开的也只是适配方向，缺横向对比数据。
这不妨碍它是个有意思的方向。但把方向当成结论，是另一回事。
至于那张「地图」到底有多准，等有人把测试集和失败案例一起放出来再说。
回到开头那只狗。
它抬起机械臂，往左边挪了半步，伸出去，夹住瓶子，放进背上的筐。整个过程几秒钟。
它脑子里没有一帧一帧的画面。只有一张粗糙的、只管用的图：垃圾在哪，我在哪，手该怎么伸。
这张图会不会画错？会。
但它至少没把整条街都走一遍。
报道、数据与演讲引述均来自量子位 2026 年 10 月的现场报道，本文未补充未公开的测试数据。配图取自原报道，仅用于说明。