世界模型加速落地：AI从屏幕走向物理世界

生成式AI过去三年一直把主战场放在屏幕里，写文章、画图、剪视频都算。可机器要真走进现实世界，光会说话远远不够。杯子从桌上掉下去会不会碎，车在湿滑路面上刹车距离会拉长多少，人从走廊拐角走出来会出现在哪个位置——这些它都得心里有数。世界模型（World Models）想给AI的，正是这套关于“世界如何运转”的内部认知。

什么是世界模型：给AI装一个可推演的“内心剧场”

世界模型属于人工智能系统的一类，能模拟真实世界的物理规律与空间结构。大语言模型处理的是离散的词元，世界模型不一样，它处理三维空间、物体、运动、光照、碰撞与因果。输入当前状态和某个动作，它来预测“接下来会发生什么”：生成下一秒的画面是一方面，物体将如何移动也在预测范围内。

这个概念其实不新。2018年前后，研究者就开始用循环神经网络训练智能体，让它们在潜在空间中预测环境。真正的转折点来自两件事。视频生成模型（如Sora一类的扩散架构）证明了一件事：神经网络能生成视觉上高度连贯、还遵循部分物理直觉的连续画面。机器人学习社区则发现，与其在真实世界一次次摔倒，不如先在世界模型里“做梦”训练。

为什么现在爆发：三个条件同时成熟

数据排第一。互联网上攒下了海量第一人称视频、行车记录、机器人操作数据集，学习物理直觉的原材料有了。算力与架构排第二。Transformer与扩散模型结合之后，长时序、高分辨率的时空建模变得可行。第三是下游需求的刚性——人形机器人公司和自动驾驶公司都在为“真实世界试错成本太高”发愁。

产业侧的动向已经很密集。李飞飞创办的World Labs提出“空间智能”路线，想从单张图片生成可交互的三维场景；DeepMind的Genie系列在探索从视频中学习可玩的世界；英伟达推出面向自动驾驶与机器人的Cosmos世界基础模型，把仿真环境当作新一类“数据中心”；自动驾驶公司Wayve则用生成式世界模型合成极端场景，测试感知系统的鲁棒性。各团队技术选择不同，方向却高度一致：训练场从现实搬到可无限采样的虚拟空间。

三大落地场景：机器人、自动驾驶与内容生产

机器人领域，世界模型的价值在于“预演”。机械臂伸出去之后有若干种结果，机器人可以先在想象里过一遍，挑成功率最高的动作执行，不必真把杯子打翻。家务与工业场景对操作精度要求高，这一点尤为关键。

现实道路上的罕见场景没法一一列全，这正是自动驾驶要过的“长尾难题”。生成式模型能合成雨夜、逆光、突发事故这类极端情形，让感知和规划模块在虚拟环境里反复练。英伟达、Wayve，还有多家中国车企和自动驾驶公司，都在这条路上押注。

到了内容和娱乐这块，世界模型带来的变化是从“生成一段视频”转向“生成一个能持续交互的世界”。游戏、影视预演、数字孪生、工业仿真，都有可能因此被重构。

“真正的智能不只是描述世界，而是能在头脑中预测世界的下一步。”——这一判断正在成为具身智能研究的共识。

现实瓶颈：物理一致性远比画面逼真更难

世界模型眼下最大的问题，是“看起来像”不等于“算得对”。视频生成模型经常出现物体凭空消失、穿模、违反重力等现象。这种模型要是拿去训练机器人，错误会被放大到现实世界。数据与评测的缺口同样存在：真实世界的物理参数难以大规模获取，行业也还没建立统一的物理一致性评测标准。长时序推演中的误差累积、算力成本与实时性要求，也都是工程上的硬骨头。

还有一个被低估的问题是安全与验证。自动驾驶或医疗机器人依赖内部世界模型做决策时，怎么证明这个内部模型没有系统性偏差，会成为监管的新课题。多数团队目前的办法是保留真实世界的小规模验证闭环，把世界模型当作数据放大器，而非替代品。

编者按：下一个基础设施之争

大语言模型算“语言层”的基础设施，世界模型很可能成为“物理层”的基础设施。谁对现实世界的压缩表达最准确，谁就握住了机器人、自动驾驶、仿真与游戏的上游。顶尖实验室、芯片厂商与车企同时挤进这条赛道，原因也在这里。

更值得关注的是范式变化：AI的评测标准会从“生成得像不像”转向“预测得准不准”，从语言基准转向物理与因果基准。技术路线在迁移，整个行业的话语体系也在重构。世界模型不会只是一类新模型，它会成为未来AI系统感知与行动的默认中间层——就像今天的模型调用数据库一样自然，到那时它将无处不在，人们甚至不会再特意提起这个名字。