2026年6月AWE长滩展会上，Ori Inbar一句玩笑引人深思：机器人也是观众，欢迎它们和创造者一同落座。本届大会主题从 “AI爱XR” 改为 “AI需要XR”，语序的调换，标志着行业叙事的转向。
长久以来，XR圈普遍认为AI是XR的救星。大模型热潮带来资本与流量，生成式工具降低AR内容创作门槛，一句话生成AR的雏形逐步落地。这套逻辑成立，却将XR置于依附者的位置。而新观点恰恰相反：受限的其实是AI。当下主流大模型扎根文本，学习沉淀为文字的人类知识，擅长对话、写作，但它并不认识真实世界。现实遵循物理规则，物体会坠落、会碰撞。AI想要跳出文本，真正理解三维空间，就需要感知环境的 “眼睛” 与躯体，而这套空间感知能力，正是XR近十年持续打磨的核心。
世界模型（world models），可以理解为面向物理世界的空间大模型。普通LLM读取文字、预测文本；世界模型读取空间信息，模拟物理规律、预判现实变化。二者容错差距巨大：大模型产生幻觉，只是一段不实文字；世界模型预判失误，则会造成机器人碰撞、物品损毁等现实事故。
XR为世界模型同时提供输入底座和输出载体。输入端，世界模型需要空间几何、物体语义信息，这正是AR眼镜环境重建、空间定位的本职。Snap在展会推出的SPECS眼镜仅132克，毫秒级完成房间扫描，7毫秒动显延迟，稳定锚定数字内容。Meta、Google、Snap 长期投入的空间感知技术，可供世界模型直接复用。输出端，AR眼镜是最贴合人眼的交互载体，数字助手、空间提示都能自然叠加在现实视野之上；延伸至物理 AI，机器人、工业智能设备不需要聊天窗口，依靠XR相关的空间感知能力，才能在复杂现场移动、避障、作业。
前景之下，挑战同样严峻。物理世界没有标准答案，海量长尾场景、层出不穷的意外，让不确定性指数级上升。XR老将Matt Miesnieks直言，相比世界模型要面对的难题，如今大模型的文本幻觉只是小问题。他放弃照搬LLM生成范式，采用Yann LeCun主推的JEPA架构，让模型学习抽象因果概念而非逐像素生成画面。Meta的V-JEPA 2也验证了这条路线，少量机器人数据即可支持模型在陌生环境零样本完成抓取摆放。
算力网络与空间数据是另一重阻碍。纯云端渲染受延迟制约，已有前车之鉴。Mawari选择 DePIN去中心化算力网络，全球分布式节点分担渲染压力，目前节点超14万个。它借鉴Waze 众包思路，佩戴眼镜的用户沿途回传平视空间数据，共建空间数据库。相较于俯视拍摄的手机，眼镜平视视角，更贴合人类感知世界的方式。
Niantic用十年玩家地理数据训练地理大模型支撑配送机器人导航，Meta依托V-JEPA 2提升机械臂泛化能力，Snap把空间计算塞进轻量化眼镜。一系列进展串起一条主线：XR多年沉淀的空间能力，正在补齐AI缺失的现实感知。我们苦苦寻找的XR杀手级应用，或许从来不是某一款App，而是帮助AI挣脱文本牢笼，长出感知现实的躯体，迎接世界模型时代。
