事件背景
2026 年初，清華大學人工智能學院助理教授李一鳴宣布完成數億人民幣種子輪融資。這位前英偉達視覺與機器人研究員，在回國創業時卻拒絕被貼上「世界模型」創業者的標籤。他用一則唐朝故事——《長安的荔枝》——重新定義了自己的問題邊界。
故事的邏輯
在李一鳴的敘述中，唐朝小吏李善德的任務看似簡單：將嶺南的鮮荔枝運到長安。但這個「簡單」任務實則涉及連環相扣的系統難題：
1. 保鮮問題（數據與模型層）：荔枝為什麼會在運輸中腐敗？如何延長新鮮度？ 2. 驛站網絡（基礎設施層）：沿途有多少補給點？如何佈署？ 3. 路線選擇（優化層）：哪條路最快、損耗最低？ 4. 人力與補給（資源協調層）：需要多少騎手、糧食、冰塊？
缺少其中任何一環，「鮮荔枝」都無法成功送達。一匹再快的馬，如果沒有驛站網絡，也會在沙漠中倒下。
對當下 AI 賽道的映射
李一鳴認為，物理人工智能（Physical AI）面臨的「運送鮮荔枝」問題，需要類似的系統完整性：
- **「世界模型」是一匹馬**：它只是整個系統中的一個組件，用來理解環境動態
- **「數據採集」是冰塊與驛站**：沒有高品質的持續數據流，模型會因為分佈偏移而失效
- **「硬件部署」是運輸基礎設施**：世界上最好的模型，如果無法在邊緣計算環境中即時推理，也形同虛設
- **「場景定義」是運輸目的地**：不清楚最後要解決什麼具體問題（拯救命危患者、打撿垃圾、裝配芯片），技術選型就是無的放矢
為什麼 2026 年會陷入「FOMO 陷阱」
李一鳴觀察到的現象是業界的集體認知偏差：
迷思：「世界模型」是通往 AGI 的鑰匙、誰掌握了最好的世界模型、誰就掌握了未來。
現實：大量初創團隊在只佔整個系統 30% 的環節上投入過度，忽視數據佈署、硬件優化、場景驗證這些「不性感」但決定生死的基礎設施。結果是論文漂亮、產品難產。
這類似於 2017-2018 年的區塊鏈淘金熱，或 2023 年的「我們也做大語言模型」浪潮——都是對某個「技術概念」的集體 FOMO，而非對「系統完整性」的冷靜評估。
第一性原理的重新框架
李一鳴的核心論點是一種「逆向思維」：
傳統框架：技術 → 功能 → 應用
他的框架：問題 → 系統 → 技術選型
這意味著： - 先問「我要解決什麼具體問題」（例如自主機器人在未知環境中完成任務） - 再問「這個問題需要什麼系統組件」（感知、規劃、執行、反饋迴圈） - 最後才問「每個組件用什麼技術」（世界模型 vs 傳統控制 vs 強化學習的混合）
很多創業者的順序反了：先迷上某個技術概念，再反向尋找應用場景，結果是「我有一把錘子，所有問題都是釘子」。
融資邏輯與市場訊號
這家初創能在 FOMO 高峰期完成數億融資，卻拒絕被貼上「世界模型」標籤，傳達了一個清晰訊號：
投資方的轉向：從「誰的模型論文最漂亮」轉向「誰能把系統交付、把 benchmark 轉化成現實產品」。
這與過去 12 個月 AI 融資市場的實際冷靜一致——2025-2026 年的融資重點從「通用能力競賽」逐漸轉向「垂直場景落地」和「系統完整性」。
歷史類比
這種「系統完整性 vs 單點突破」的張力在技術史上反覆上演：