具身智能大讲堂获悉，2026年7月1日，清华大学自动化系副教授封硕正式入局世界模型赛道，创立幂级智能（Dense AI）。这家成立于2026年1月的公司，目标是在物理AI领域打造订阅制的世界基础模型。

消息一出，迅速引发行业关注。

不仅因为物理AI赛道正在经历一场资本狂欢时刻，更因为封硕的学术履历足够耀眼，2023年，他以第一作者身份在《Nature》正刊发表了一篇封面论文，该论文成为AI领域迄今仅有的三篇《Nature》封面论文之一。

 

清华大学自动化系副教授封硕

PART 01

从“稀疏度灾难”到世界模型

封硕的研究方向始终围绕一个核心命题：如何让AI理解并预测真实世界的变化。

2010年，封硕进入清华大学自动化系，先后获得学士和博士学位。2019年博士毕业后，他赴密歇根大学完成博士后研究。2022年，作为国家海外高层次人才回国，入职清华大学自动化系，短短三年间从助理教授破格晋升至副教授、博士生导师。

2023年，封硕以第一作者身份在《Nature》正刊发表封面论文《基于密集强化学习的自动驾驶汽车安全性测试》。这篇论文与DeepMind和DeepSeek的研究，成为AI领域仅有的三篇《Nature》封面论文。

 

论文提出了“稀疏度灾难”（Curse of Rarity）概念——自动驾驶安全测试面临危险场景极稀疏、传统方法效率极低的根本性挑战。封硕团队给出了一套智能等效加速测试方法体系，将仿真与实车测试速度提升了3至5个数量级。成果被《Nature》官方评价为“实现了自动驾驶安全性的关键性进展”。

2024年，封硕入选《麻省理工科技评论》中国区“35岁以下科技创新35人”，同年获得达摩院青橙奖和清华大学学术新人奖。

 

PART 02

幂级智能的技术底色

“我们过去十年一直在探索这个方向。现在，产业需求已经出现，我们希望把这些积累转化出来，加速世界模型走向应用的过程。”封硕说。

在他看来，物理AI要走向真实世界，“缺的不是更复杂的Agent（智能体），而是能真正理解环境如何变化的世界模型”。世界模型不是突然出现的技术热词，而是物理AI发展过程中被产业需求推到台前的核心命题。

幂级智能的技术路线是“Next State Prediction”以生成式方法预测世界的下一个状态。这区别于大语言模型的“Next Token Prediction”，目标是让AI理解物理世界的动态规律，而非仅仅处理语言信息。

技术要素围绕三个核心展开：

数据上，让AI完整观察场景中所有物体、动作和结果，因果关系更清晰；

表征上，把世界拆解成“物体单元”；

训练上，用几何语义信息作为自我监督信号，减少对人工标注的依赖。

在这一范式下，幂级智能已实现“在publication中验证了World Model Scaling Law”。其模型DenseWorld，据称是首个在物理AI场景下完成技术与商业闭环的模型。

按照计划，DenseWorld将从V1.0（10K小时数据，1B参数）逐步演进至V4.0（100M小时数据，1T参数），在36个月内提供大规模物理AI强化学习的基础设施。

PART 03

寻找AI的犯错边界

“幂级”（Dense），在中文里暗含指数级增长的数学意味。而“稀疏度灾难”的核心症状，正是梯度方差随稀疏度“指数增长”。

这个命名逻辑，和封硕的学术思想一脉相承。在解释D2RL时，他的核心论证是：如果能在安全攸关事件的高密度分布上训练，梯度估计方差就会大幅下降，学习效率指数级提升。“幂级”这个名字恰好封装了这层数学内核。

而幂级智能要做的，就是把“密集学习”从一种学术方法，变成一个通用基础设施。

 

这提供了一个和其他世界模型玩家差异极大的思路。

LeCun 的 AMI Labs 从认知科学、类人自主智能架构出发，押注 JEPA 架构，不做像素级重建，追求抽象隐空间中的因果与反事实推理，把世界模型作为智能体内部规划模拟器；李飞飞的 World Labs 从计算机视觉与 3D 几何图形学出发，走 “3D 空间智能” 路线，核心是让 AI 原生理解三维世界中的遮挡、空间拓扑关系与基础物理一致性约束；DeepMind 的 Genie 走 “实时可交互环境生成” 路线，优先产出海量可控虚拟场景，核心定位是为具身智能体提供规模化强化学习训练场。

 

封硕的出发点则是安全测试，这个视角的独特之处在于：他做世界模型，首先不是为了生成逼真的画面，而是为了生成“会让AI犯错”的场景。 这有点像疫苗的逻辑，用可控的危险来训练免疫力。

2026年上半年的物理AI赛道确实拥挤，64亿美元的Q1融资额、LeCun和李飞飞的双星闪耀、国内玩家蜂拥而入，多少又有一些即将泡沫化的风口的味道。但封硕带来的不是另一个“追逐风口”的叙事，而是一个由长期学术深耕推导出的“必然”。