FaceMind：以技术直觉领跑世界模型，中国AI创业新势力

2026年，具身智能的泛化瓶颈让世界模型赛道彻底升温，大洋彼岸的头部团队估值快速攀升，国内资本与互联网巨头也纷纷加速布局，这个曾聚焦于学术研究的技术方向，正在成为通用人工智能时代的关键入口。

我们近日与FaceMind创始人陆弘远进行了深入交流，这位95后博士在世界模型架构领域有着多年的原创研究积累，读博第6个月就斩获EACL最佳论文奖，还以自己的名字定义了Adams Law理论，其团队推出的Looped World Models论文引发了行业关注。

陆弘远本科毕业于帝国理工学院计算机科学专业，随后在爱丁堡大学获得人工智能方向硕士学位，香港中文大学系统工程与工程管理方向博士，主攻世界模型领域。毕业后他曾在亚马逊、阿里、微软任职，从事算法工程、推荐系统、大模型预训练等工作，2023年正式创立FaceMind，聚焦通用世界模型的底层架构创新。目前团队规模约20人，已完成数千万美金的融资，老股东360集团持续跟进，公司估值数亿美金。

谈及创业的初衷，陆弘远表示，他希望寻找人生的“最高斜率”，通过创业实现更直接的技术落地价值。在创业初期，他曾拒绝了一份CTO的邀约，因为他认为自己更适合作为CEO掌舵公司，不过后来他也意识到，每个人都应该找到最适合自己的位置。团队最初的项目聚焦于服务生活场景，但很快他发现，作为科研背景的团队，技术导向的方向更能发挥优势，因此转型专注于通用世界模型的研发，成为通用世界模型领域的创新实验室。

2023年读博期间，陆弘远在第6个月就拿到了EACL最佳论文奖，当时他的研究聚焦于AI幻觉问题，通过控制令牌的方式显著减轻模型的幻觉问题，该方法后续被应用到世界模型领域，相关研究还被行业媒体报道。随后他在国际学术会议发表了关于循环架构的论文，首次使用生成式模型提炼对话双方的个性化信息并生成下游回复，也是行业内较早使用共享参数循环架构的研究者之一。在微软工作期间，他主攻多语言大模型预训练，2023年开始转向世界模型与空间智能研究，在视觉语言模型尚未普及的时候，就已经开始探索世界模型的落地路径。

2026年4月，陆弘远提出了Adams Law理论，该理论指出，决定模型智能水平的不仅是“你问了什么”，还包括“你如何提问”。这一研究成果被顶级学术会议收录，核心观点是关注模型训练阶段的低频数据，该理论可应用于大语言模型、智能体以及AI安全领域，因为生僻词更容易成为模型攻击的突破口，相关思路也被应用到了世界模型的研发中。

2024年6月，陆弘远团队发布了《Looped World Models》论文，该论文的核心是通过循环架构解决世界模型中普遍存在的复合误差问题。陆弘远解释道，世界建模的本质是推演物理状态的演化，这一过程和反复迭代修正状态估计的计算形态高度契合，而循环Transformer恰好擅长将同一更新算子反复作用于隐状态空间，这也是该架构适配世界模型的核心原因。

具体来看，该论文的技术逻辑主要有四个层面：首先，环境状态的演化本质是重复施加共享的转移规律，循环架构可以完美匹配这一特性；其次，世界模型需要被反复调用，共享参数的循环架构可以大幅降低参数量和计算成本；第三，传统世界模型的单步预测误差会随着推演步数指数级放大，而循环架构可以在隐空间中进行多轮细化，将粗糙的一步预测转化为经过内部修正的精准预测，有效缓解复合误差问题；第四，世界模型比语言模型更适合共享转移规律的假设，因为环境动力学本身就具有相对稳定的特性。

该架构还加入了稳定性参数化设计，确保循环的隐状态更新不会发散，解决了传统世界模型难以支持长程推演的痛点。此前的主流架构最多只能支持50多步的推演，而LoopWM可以轻松支持数百步的长程任务，大幅提升了仿真机器人的长时程执行能力。

LoopWM主要有三大核心优势：第一，超强的复合误差耐受性，通过谱约束将模型雅可比矩阵的谱半径严格控制在小于1的范围内，让每次循环迭代成为压缩映射，误差随迭代次数指数衰减而非放大，为100-200步的长时程规划提供了数学层面的稳定性保证；第二，测试时缩放法则更优，自适应循环深度的机制仅需同一组Transformer参数的额外前向传播，计算成本严格为线性复杂度，没有额外参数和缓存膨胀，且可以根据场景复杂度自动调整循环次数，简单场景仅需3次迭代，复杂场景可增加到15-20次；第三，极高的参数效率，当前主流世界模型普遍采用十亿级参数规模，只能在云端部署，而LoopWM通过循环复用参数，以循环换深度，小参数模型即可匹配更大规模标准Transformer的性能，团队的内部实验甚至证明，1B参数的LoopWM可以匹敌百亿级参数的顶尖模型。

针对外界关于循环架构并行性差的质疑，陆弘远表示，循环架构和传统循环网络并不相同，可以通过加宽模型、设计专用基础设施来解决并行效率问题，他甚至认为这可能成为一个独立的商业赛道，比如专门为循环模型优化的基础设施公司。在推理时间方面，LoopWM可以节省大量计算量，配合延迟解码和提前退出机制，可以进一步降低延时，其核心目标是降低推理延迟，而非单纯节省成本。

目前LoopWM仍有一些待完善的地方，比如并行计算方面的优化，团队目前更多聚焦于仿真环境的测试，未来会加大真机环境的验证。团队还在规划开发支持动作推理的新版本，可以支持更复杂的机器人操作任务。延迟解码机制则是将推演分为两层循环：内层循环在单个时间步内反复迭代精炼隐状态，外层循环则进行跨时间步的动作条件状态转移，全程不调用解码器，仅在最终步骤进行一次解码，这一机制可以让模型在更长的推演步数下保持稳定，适配机器人长程任务的需求。

对于行业资深研究者的正面评价，陆弘远表示该评价较为客观，将循环架构应用于世界模型确实是首次尝试，他希望LoopWM能够成为世界模型领域的重要里程碑，推动长程机器人任务的落地。

FaceMind的核心产品就是LoopWM架构的通用世界模型，该模型主要服务于智能交互界面和仿真机器人环境，团队目前不直接研发机器人本体，更多聚焦于算法和模型层面。目前团队正在将模型拓展到动作推理方向，并搭建创新的数据 pipeline，同时补充算法人才和算力资源，预计今年将发布十亿级参数的专用模型。

团队的创始成员包括陆弘远和CTO韦怡然，陆弘远负责算法研发，CTO是剑桥大学博士，主攻表示学习方向，工程能力极强。目前团队约20多人，平均年龄仅20出头，团队成员大多拥有顶尖学术背景，自驱力很强，很多人加入并非为了高薪，而是认同公司的技术方向和目标。团队日常工作节奏紧凑，经常会在深夜讨论技术问题，陆弘远也坦言，创业初期最具挑战的是如何将团队成员放在最适合的位置，发挥最大价值，同时也意识到年轻团队在创业过程中的优势和挑战。

在融资方面，FaceMind目前正在筹备最新一轮融资，估值数亿美金，团队认为目前商业化还为时尚早，股权还有较大的稀释空间，可以支持多轮融资，目前大部分资金都投入到研发中，最多时同时运行近百张显卡进行模型训练，数据主要来自仿真机器人数据和少量真机数据，包括开源数据和自采数据。

陆弘远表示，FaceMind的核心竞争力在于主动创造非共识，不照搬海外的创业逻辑，而是专注于原创技术研发。他认为自己的技术直觉高于行业平均水平，能够准确判断技术方向，虽然也曾担心技术直觉出错，但他相信自己的判断能够带领团队在赛道中脱颖而出。他并不排斥成为商人，认为这是一个合理的角色定位，同时也认为融资并非单纯以商业为导向，而是为了更好地推动技术研发。

谈及中国团队在世界模型赛道的机会，陆弘远认为核心在于人才密度，中国拥有大量顶尖的AI人才，能够支撑快速的技术研发和落地。他预测5年后，中国的世界模型赛道将只剩下不到6家核心公司，每家公司都会专注于特定的领域，比如视频生成、家用机器人、工业机器人等，届时机器人将广泛应用于家政、外卖等场景，大幅降低社会成本。

对于FaceMind的未来，陆弘远表示，公司全称为FaceMind Research Asia，希望能够成为像顶尖科技公司研究院一样的顶尖科研公司，为人类社会带来更大的幸福。他也坦言，未来公司可能不会只局限于世界模型领域，会持续关注最新的技术迭代，走在风口浪尖，拥抱最新的技术。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。