大语言模型学会了预测“下一个词”于是有了会写代码、会做题、会对话的ChatGPT、DeepSeek、Qwen。视频生成模型学会了预测“下一帧”于是有了越来越逼真的图像和视频生成模型例如Seedance、Sora。具身模型学会了预测“下一个动作”于是机器人开始能完成越来越复杂的任务。而悟界·RoboBrain Orca的目标是做一件更底层的事让AI在“脑海中”形成一个表征该表征是对当前世界状态的高度“浓缩”基于该表征AI能够建模向前和向后世界状态的演变。这就是悟界·RoboBrain Orca作为“多模态表征世界模型”的核心哲学The World is in Your Mind。悟界·RoboBrain Orca从预测“下一个具体模态输出”走向预测“下一个世界状态”。悟界·RoboBrain Orca在看到一段视频、一张图、一个指令、一段事件描述后先在内部形成一个统一的世界潜在表征空间。这个世界潜在表征空间就像AI的“脑海中的世界”它把视觉、语言、事件、任务意图等多模态的信号组织起来学习物体如何运动、场景如何变化、动作会带来什么后果、事件之间有什么因果关系当前状态如何走向未来状态甚至在某些条件下世界会不会朝另一个方向演化。悟界·RoboBrain Orca的核心变化从Next Token/Next Frame/Next Action走向Next State Prediction。悟界·RoboBrain Orca的技术哲学先利用多模态世界信号学习世界表征再做好一切任务悟界·RoboBrain Orca把世界学习拆成了两条互补路径无意识学习和有意识学习。婴儿会看到东西掉落会看到人走动会看到门被推开会看到球滚到桌子下面。这些经验不是通过标签学习的而是通过连续观察自然世界获得的。悟界·RoboBrain Orca的无意识学习也是如此它客观地看世界通过海量真实世界的视频让它先学会“世界自己怎么动”。悟界·RoboBrain Orca的有意识学习即主观地交互世界就是用语言描述的事件、任务指令和VQA问答帮助模型学习稀疏但有具体意义的状态转移。12.5万小时视频1.6亿条事件标注且预训练持续Scaling。悟界·RoboBrain Orca随着训练数据的增加下游任务能力可随之提升且具备持续Scaling的潜力。悟界·RoboBrain Orca学到的表征可通过多种解码器读出。在文本读出上悟界·RoboBrain Orca更擅长状态转移的理解和动态运动的推理在图像读出上悟界·RoboBrain Orca更能展现真实场景的交互预测能力在动作读出上悟界·RoboBrain Orca没有在预训练中学习动作标签也能帮助下游机器人更好地泛化。悟界·RoboBrain Orca所代表的世界学习范式有可能从具身智能进一步走向科学发现、复杂系统建模乃至更广阔的认知边界。它是多模态表征世界模型的一个早期版本但有可能成为通用世界基础模型的一块重要基石。