成立当月，寰宇心生（WorldMind）便完成了数千万元人民币种子轮融资，投资方为元生资本。这家于2026年9月完成注册的神经认知世界模型公司，将把本轮资金主要用于核心技术研发、世界模型训练基础设施建设、多模态数据采集体系搭建以及团队扩张。点石资本担任公司独家财务顾问。

世界模型赛道正在快速拥挤起来，但WorldMind不想再做一台更大的“下一帧预测器”。作为国内首个神经认知世界模型公司，它押注一个更激进的判断：当AI从屏幕走进真实世界，仅仅预测下一步远远不够；机器必须像人一样形成可积累的记忆、可组织的世界知识、面向未来的推演能力，以及在真实交互中不断修正自身认知的机制。

范式之争：抛弃“状态预测器”，走向真正的人脑认知

大语言模型在文本空间的 Scaling 让人类第一次窥见了智能的曙光。但当行业试图把这套逻辑粗暴地搬到物理世界时，硬墙随之而来。物理世界是连续、多模态、开放且极其残酷的——它无法被数据穷举。

目前市场上绝大多数所谓的世界模型，本质上不过是高维的“状态预测器”。依赖巨量参数与海量数据的暴力堆叠，不仅算力成本高昂，且在面对开放环境时，暴露出了结构性的先天缺陷：没有长期记忆、无法形成深层物理先验、缺乏持续演化能力。

“AI如果只能生成，却无法理解物理规律、空间关系与因果逻辑，它就永远只是个数字孪生世界的棋子，无法成为物理世界的行动者。”

WorldMind开辟了一条极具野心的路径：神经认知世界模型（Neural-Cognitive World Model）。

团队抛弃了单纯从数据中拟合物理规律的旧路线，直接借鉴人脑机制，将世界模型升级为一个具备自校准、自演化能力的动态认知系统：

神经记忆系统：形成长期经验积累；

世界知识系统：理解对象、关系和事件规律；

神经推演系统：实现未来状态预测与行动规划；

神经校准机制：通过真实交互持续修正模型认知；

四个模块共同构成“记忆—知识—推演—校准”的认知闭环：模型不仅要复现见过的状态，还要把经验沉淀为知识，在动态环境中不断修正判断。换句话说，它需要做到“记得住、想得明白、预测得了，错了还会改”。这不再是一个靠数据喂养的静态模型，而是一个能在真实物理世界的动态环境中不断进化校准的物理智能系统。

以智博大：神经认知架构，领跑全球榜单

在行业普遍迷信“参数即正义”的当下，WorldMind选择用一组硬核成绩重新定义技术标尺。

依托自研的“世界模型模拟—数据引擎—世界规划训练与验证”全闭环体系，构建仿生人脑“快慢规划—长短记忆—强化重规划”闭环架构，在世界模型物理因果推理、分布外泛化、策略评估等任务中取得领跑性能。

在近期启动的World Arena 2.0（IROS 2026）评测中，这一技术势能进一步兑现为实打实的排位成绩——凭借仿生人脑的快慢规划架构与长短时记忆网络，于Track 1（世界模型即数据引擎）位列前三，于Track 2（世界模型即仿真器）稳居第二，成为极少数在多赛道、多维度同时跻身顶尖行列的参评方之一。

这份成绩单，并非宏大的未来叙事，而是眼下最坚实的技术名片。它验证了神经认知世界模型路线在小样本学习、训练效率与真实环境泛化上的显著优势，更指向一个值得深思的方向：世界模型的能力跃迁，未必依赖参数与数据的线性堆叠。小参数不是终点，而是路线效率的最佳证明。

99年CEO、26岁长聘副教授：一支AI、机器人与脑科学顶级“三栖”团队

当具身智能进入深水区，单一背景团队早已力不从心。物理智能的终局，必须由精通“AI + 机器人 + 脑科学”的复合型科学家来解。

WorldMind CEO任云帆生于1999年，是一位兼具国际顶尖学术功底与工业界硬核实战经验的年轻领军者：

顶尖学术背景：香港大学MaRS Lab博士，瑞士苏黎世大学 RPG 实验室博士后。26岁即入选国家级青年人才，现任同济大学计算机科学与技术学院长聘副教授、博士生导师，依托同济大学空间智能实验室开展前沿探索；

硬核学术产出：长期深耕自主无人机、灵巧操作与具身智能，在 Science Robotics、IEEE TRO、IJRR等顶级期刊与会议发表论文30余篇，入选2025 RSS Pioneers、斩获ICRA/IROS/IJRR/TRO最佳论文奖或提名奖等国际大奖；

工业界实战积淀：曾任大疆算法预研核心骨干，亲自带队探索过最前沿的机器人算法与智能系统落地。

创业公司最容易复制的是概念，最难复制的是技术谱系。WorldMind的稀缺性，在于团队同时覆盖人工智能、机器人和脑科学三条技术主线，是行业少数具备三类核心能力的团队。成员来自全球顶尖高校及AI企业，包括Microsoft、Tesla、Meta等产业背景专家，并依托同济大学空间智能实验室开展前沿研究，为公司在世界模型、空间智能和神经认知方向提供战略指导。

面对具身智能时代“机器人如何真正理解世界”的核心挑战，这支团队正在把科研积累转向产业，试图构建融合记忆、知识、推演与行动的新一代智能基础设施，让AI从“感知世界”走向“理解世界”和“改变世界”。

终局认知：Scaling Up 不是参数增长，而是认知边界的扩张

在狂热的 AI 浪潮中，WorldMind保持着一种极其冷峻的第一性原理思考：

“大语言模型的 Scaling 是在离散空间里玩数字游戏；但物理世界是连续且开放的。物理世界模型的 Scaling Up，绝不应该只是模型参数量的简单增长，而必须是模型所能理解的‘物理世界边界’的扩展。”

WorldMind给出了自己的底层Scaling算法：

小世界：作为 Scaling 的基本单元，是场景相关、有限可建模的解题切口；

大世界基模：作为 Scaling 的共享底座，打通不同场景的底层物理逻辑；

知识与记忆：作为 Scaling 的积累载体，将跨场景的交互转化为可复用的认知资产；

真实世界校准：作为 Scaling 的持续动力，靠真实环境的碰撞不断修正推演边界。

从“小世界”切入，以场景演化为杠杆，通过真实校准驱动认知飞轮——WorldMind正在打破“暴力堆料”的算力迷信，让 AI 从“感知世界”真正走向“理解世界”与“改变世界”。

WorldMind希望构建连接数字智能与物理世界的下一代 AI 基础设施，让物理 AI 能够像人类一样去理解、预测并进化，加速开启真正的 AGI 时代。

查看更多项目信息，请前往「睿兽分析」。