世界模型退温了吗：研究侧在加速，一级市场开始挑人

这几个月，自动驾驶和机器人圈子里聊世界模型的动静小了些，不少人心里犯嘀咕：世界模型是不是要凉。

我去翻了科技圈的各种讨论，也和几位大佬聊过，还看了 DeepMind、LeCun 一方的材料，把最近几个月公开的资本收购摆到一块儿对了一遍。

先给结论：没凉。「世界模型」正加快往产业里落。

先说研究侧。

十月底，DeepMind 放出最新世界模型 Genie 4，动静不小。亮点是人操作的时候，每一帧都能现场生成。

同一个月，Balestriero 与 LeCun 发布论文提出：各模态的模型各自单独训练，只要正样本来自同一场景下的不同观察，最终都会学到同一个世界表征。换句话说，世界模型背后存在规律，这一点由此得到验证。

产品和学术两头都没有退温的迹象，新产品、新理论还在往外推。

再看投资那边。

有投资方面的信息说，夏天过后，一线基金开始表态不投世界模型了，概念溢价在缩水。

也有自媒体的说法：世界模型的全球搜索热度七月见顶，之后三个月掉了大约六成。

国内财联社称，10 月物理 AI 和世界模型相关的一级融资约 5 起；福布斯统计，上半年这一类超过 30 亿美元。

过去几个月我们还看到：World Labs 正在被

看得出来，世界模型的投资在挪地方——从「谁先喊出世界模型」，挪到「谁的模拟能力能被大厂收进去」。

热的是能点开的演示和论文，是能进产业的产品技术。凉的，可能只是靠名字加价那套。

我们之前的文章《详解李飞飞的世界模型 Atlas：如何影响自动驾驶、人形机器人等Physical AI 产业》里介绍过，李飞飞今年把市面上叫世界模型的东西拆成了三件。

渲染器追的是画面像不像。模拟器追的是尺度和碰撞。规划器输出的是动作。

她的判断是：为视觉逼真去优化，和为物理准确去优化，是两件工作。

过去两年，演示片卖的是第一件，商业计划书里许诺的是后两件。

Genie 4 把连续交互从约一分钟拉到约两分钟，还加了同步的声音和对话。

DeepMind 自己列的限制，写得很直。

视觉细节会漂，物体恒常性也会漂。复杂物理交互、真实地点的空间精度、文字、实时音频，这些都还在研究阶段，连续交互只能撑几分钟。

Ars Technica 的描述是：世界在几分钟之后就忘掉开头。

yage.ai 在 10 月 30 日引用了共同一作 Hang Qi 对彭博的说法：就算拉到两分钟，也没法保证全程一致。

架构层面还有一步退守。官方博客提到，Genie 4 外面挂着 Gemini 家族，其中一个把模拟锚在真实外观上，另一个负责维持连贯。

yage.ai 的解读是，预测下一帧并没有自己长出可规划的物理，所以外面再套一个语言模型，用来拆步骤、盯画面。

LeCun 很早就把像素路线否掉了。这是他今年一月对 MIT Technology Review 说的原话。

他给的定义很窄：预测自己行动的后果，再用搜索和优化去做规划。

工业应用方面，AMI 目前公开的还只是论文和融资，2027 年是它自己给出的时间预期。CEO LeBrun 此前也讲过，用不了半年，每家公司都会宣称自己在搞世界模型。

当然，LeCun 的话也不能全信，他一直在推他那套隐式空间的潜在表达 JEPA 理论。

JEPA 押注的就是：现有 LLM 大模型往上堆这条路走不通。

其他几位的位置也不一样。

定义不统一，这个名字就会被所有人借去用。

李飞飞也讲过：这是今天 AI 里最重要、也最被用滥的词。

所以说，世界模型现在的名字太大。一个词装了三种交付物，谁都难以搞清楚。

首先，作为科学研究物，它一直存在。2018 年 Ha 和 Schmidhuber 的 World Models，后来的 Dreamer、MuZero、JEPA、Genie，都是能跑起来的系统。

但作为「一个将取代大语言模型的品类」，我没看到统一的东西。

分歧落在一个问题上：把下一个词预测准，算不算学到了世界。

Ilya 2023 年在 GTC 上说算。文本是世界的投影，把下一个词预测准，网络学到的就是这份投影的压缩。

Othello-GPT 提供了小范围内的依据：隐藏层里能读出棋盘状态。Andrew Ng 由此表示，语言模型某种程度上已经具备世界模型。

Hassabis 说过还不够。今天的系统没法在内部跑一套物理模拟，拿来检验自己的假设。

LeCun 团队那篇新论文，是把这件事收成一条定理，再配一个实验。

他们设的正样本，是同一场景下的两种观察。next-token 预测在文中被叫作「坏视角的 JEPA」，语言模型只能靠堆规模，才慢慢跟视觉对上。

数据摆出来：1.09 亿参数的文本 JEPA，在 PRH 基准上拿到 0.184；他们表格里 Qwen2.5-72B 是 0.154。

同一份语料上，好视角要达到同样的对齐水平，用的样本大约只有 next-token 的四十二分之一。

注意这是表征对齐分，衡量的是跟视觉模型的表征有多接近。传到公开媒体上，说法却变成了小模型打败 720 亿的通用大模型。

Thomas Aas 之后做了复核：换个读出方式，next-token 那组对照会好看不少，样本效率的差距里有一部分来自配对数据。

我的看法是，区别确实存在，但替代关系被讲大了。

语言模型内部能长出世界模型；视频模型渲染可以很强，可它们都不会做规划。

对做产业落地的人来说，不必在「大语言模型还是世界模型」之间选边，按预测对象拆开看就行：预测词、预测画面、预测动作后果，各自用什么数据、各自怎么评。

名字最后叫什么不好说，我认为能留下来的世界模型系统会叠成三层。

第一层在潜空间里预测状态，供规划用，这是 JEPA 和 AMI 押的注。

第二层把状态渲成人和机器人能看的画面或三维。Genie、World Labs 的 Marble、英伟达的 Cosmos，眼下拿得出手的就是这一层。

第三层把预测接到动作上。机器人文献里已经有人管它叫 World-Action Model。

李飞飞判断这三层的边界以后会消失。方向我认同，但什么时候到来不清楚。至少这几年能交出来的产品，三层还是分开的。

更要紧的是，人类语言在世界模型里不可能被拆掉，你想想，世界缺少语言还叫世界么。Genie 4 自己就是例子，画面模型外面还得挂大语言模型 Gemini 来拆任务、检查帧。

数据科目也变了。语言模型是被互联网文本喂饱的。

可楼梯间、货舱、工厂通道这类三维交互，眼下没有同等规模的语料。

TechTarget 引业内的话说得很实在：物理还是近似的，今天不能当精密工程环境用，关键看模拟里的成功能不能迁到真机。

所以我的结论是：未来几年，世界模型更像智能体里的物理后果模块，嵌在语言模型和动作策略中间。

前四节讲的是行业整体。落到我们熟悉的汽车和机器人产业，我看到的信号反而更硬。

原因不复杂。这两个行业要的正是李飞飞说的后两件。画面好看对他们用处有限，尺度和后果对得上才有用。

英伟达六月在台北 GTC 发了 Cosmos 3。黄仁勋把它定成面向机器人、自动驾驶和视觉 AI 的开源世界模型。

公开的名单里，理想汽车、Skild AI、三星并列出现。造车的和做人形的，已经开始共用一个底座；区别只在于各自的起点和验收方式。

10 月底，美国新势力 Rivian 收购了英国 15 人团队 Third Dimension。价格没有公布。这家公司的种子轮融资为 700 万美元。创始人 Tolga Kart 曾参与特斯拉 Autopilot 的仿真工作，Piotr Sokólski 则来自 Wayve。

具体拆开看，这家公司干的事是把真实路况转成可编辑的场景：相机可以改，光照可以改，天气可以改，旁边的交通参与者也能改。游戏引擎凭空搭建的合成世界，走的是另一条路。

我们此前在《美国新势力 Rivian 2025 Autonomy & AI Day：自研800TOPs芯片，L4"解放双眼"自动驾驶路线图》一文中也介绍过 Rivian 的智驾计划：

今年底先推一版城区和高速都能脱手的软件，当然驾驶员仍要盯着。

Robotaxi 版的 R2 则计划 2028 年上线 Uber，首批跑旧金山和迈阿密。

这里可以这样理解：世界模型的价值，落在长尾场景的再现上，也落在发版前的闭环验证上。

大家熟悉的宇树要上科创板，募资 42.02 亿元。其中 20.22 亿元、约 48% 投向智能机器人模型，是最大的一笔单项投入。

王兴兴在世界机器人大会上回顾过这段经历：2020 年初他们做过视频生成的世界模型，效果不理想，搁置了一阵，去年又重新捡了起来。

现在模型的瓶颈他也点明了——每次输入输出都会有偏差，所以这些模型当下的真实成功率还比较差。

那么，世界模型对汽车和机器人产业到底意味着什么？下面是我的判断，供参考。

一是虚拟仿真。手里有真车、真机在跑的团队，会去买仿真和后果预测，这部分已经真实落地。

二是实际控车规划。这一层可能还停留在概念阶段。

回到标题那个问题：世界模型真在退温吗？

退掉的是名字上的资本溢价。研究仍在加速，车和机器人正在为它的后两层掏钱。

争议确实存在，只是它今天被拆成了三件交付物。它和大语言模型的差别在于预测对象，所谓替代关系被说大了。

往后看，世界模型和其他模型可能串成一条链路：语言在上面派活，潜空间负责后果，画面给人看，动作回到真机。

搞物理AI落地的人，第一步不妨先把虚拟仿真跑通：仿真搬进真车，接管次数怎么变；仿真搬到真机上，成功率怎么变。接着再判断潜空间、隐式空间能不能真正参与控制、产生结果。

以后碰到“世界模型”这四个字，先分清它交付的到底是什么：是画面，是可以改动的真场景，还是动作执行之后的状态。