2026年，人工智能的叙事正在经历一次根本性的转向。主角从“大语言模型”变为了“世界模型”——AI的目标正从预测下一个Token变为“预测下一个状态”，这一本质差异决定了性能工程范式需要重构。
通往世界模型的技术路径，必须首先跨越让AI真正“看见”世界这道门槛。然而传统多模态模型本质上是“单模态拼接”，每一次跨模块传递都在损耗信息。这样的模型无法建立一个统一的、物理世界意义上的“状态”认知。
智象选择了一条不同路径：自研的UiT（Unified Transformer）原生全模态架构，它将图像像素、文本Token、视频、3D和动作等原始信号统一映射至共享表征空间，各个模态不单独编码，而是统一 tokenization，端到端地在同一套网络里完成。
本次演讲将立足智象原生全模态架构的实践，系统分享在模型设计、训练范式与推理架构等维度的思考。同时，也将深度探讨，从原生全模态迈向世界模型，技术演进的下一个决定性变量是什么？