世界模型为何爆火：LeCun、李飞飞、田柯宇都押注

世界模型的热度，实在太高了。

先来看几条新闻。

今年年初，图灵奖得主Yann LeCun（杨立昆）与Saining Xie（谢赛宁）共同创办AMI Labs，种子轮融资10.3亿美元（估值35亿美元），创下欧洲史上最大种子轮融资纪录。这家公司的主攻方向，正是世界模型。

上个月，AMD公司宣布以82亿美元收购李飞飞创办的World Labs，并邀请李飞飞出任AMD执行副总裁、首席科学家，直接向苏妈汇报。李飞飞所深耕的赛道，同样是世界模型。

前几天，曾因严重违纪被字节跳动辞退的前实习生田柯宇，创办了一家AI初创公司，名称未定，产品也未推出，却已完成近3000万美元融资（估值2亿美元）。田柯宇所讲的故事，依旧围绕世界模型。

这些融资案例不过是冰山一角。放眼整个AI圈子，几乎全部头部科技公司（英伟达、谷歌、Open AI、特斯拉、亚马逊等）都在拼命拥抱世界模型。

不懂世界模型，你都不好意思说自己是搞AI的。

那世界模型究竟指什么？它与我们如今熟悉的大语言模型（LLM）又有怎样的本质差异？凭什么能吸引这么多顶级科学家、巨额资本以及头部公司下注？

今天这篇文章，小枣君就来给大家做一番深入解读。

到底什么是世界模型？

世界模型（World Model）这个词，我头一回看到时联想到的是数字孪生——莫非大佬们打算借助数字孪生技术，复刻出一个物理世界？若真如此，那确实是个庞大的工程。

后来我才明白，世界模型其实并不是要造一个完整的数字版世界。说得更准确些，它应该叫“物理世界的模型”。

其核心目标并非复刻整个世界，而是让AI在“大脑”里搭建一个可运行的物理世界模拟器，把真实世界的规律“内化”为自己的底层能力。

打造世界模型，是为了让AI真正弄懂物理世界如何运转——物体怎样运动、碰撞、遮挡，光线怎样传播，诸如此类。

要理解世界模型，得先看清传统大模型的短板在哪里。

如今的传统大模型，说白了都是大语言模型，也就是LLM（Large Language Model）。

LLM的学习素材，主要是人类积累下来的数据——书籍、文章、网页、代码、对话记录等等。通过对人类海量文字、图片、视频数据的学习，LLM掌握了语言内部的统计规律和逻辑关系，并依据上下文，预测下一个最合理的字、词、画面。

视频生成模型虽然能产出逼真的画面，可说到底是在“拼接”和“联想”海量训练数据中的视觉片段，靠数据里的统计规律，生成符合条件的视频。

换句话说，传统大模型懂知识，却不懂世界。

举一个很简单的例子。

你问AI：一个玻璃杯从一米高的桌子上掉下来，会发生什么？

AI能完美作答：杯子会掉落、撞击地面、碎裂、有水会洒出。

但关键就在这儿：AI是背答案背出来的，不是理解规律算出来的。

它不知道重力是什么，不知道坚硬、柔软是什么，也不知道玻璃易碎的物理特性。它不过是从亿万条投喂数据里，记住了“杯子掉落会碎”这个固定结论。

场景只要稍稍偏离训练数据，AI马上就会“幻觉上身”，笑话一个接一个。就拿前面那段视频来说，杯子其实已经“穿帮（翻转）”了。

在业界看来，传统大模型有三处硬伤。一是没有真实感知，它只会读取数据，理解不了真实世界；二是没有因果逻辑，它只会做关联匹配，推不出前因后果；三是没有预判能力，它只能被动应答，没法预测事物会怎么发展。

说到底，眼下这种AI就是纸上谈兵的学霸——书读得早已破万卷，世间的规律却一窍不通。可一直待在电脑里的AI，永远算不上真正的AI。真正的AI，得能解决现实世界里的问题，得能完成真实场景中的任务。

正因如此，专家们提出了世界模型。

世界模型是一套底层的技术框架，正如此前所说，它能让AI去学习现实世界的空间结构与变化规律，从而生成、重建并模拟出一个可以持续探索、实时交互的三维世界。打个比方，传统大模型是“熟读万卷书”，世界模型则是“亲历世间事”。它不再单靠文字、图片数据去死记硬背，而是借助更先进的技术手段，归纳出整个物理世界与现实社会的底层运行规律。

这些规律涵盖物理规律、空间逻辑、时间顺序、因果关系、人类行为习惯、社会常识等等。有了世界模型的AI，脑子里会自带一套“虚拟沙盘”。

收到一个问题、一条场景指令时，它不会只顾着翻数据库，而是先在自己的虚拟世界里实时模拟、推演、预判，再给出合乎现实逻辑的选择决策。

还是拿刚才那只杯子来说。世界模型AI看到杯子掉落，靠的不是背知识点，而是在脑中把整个过程模拟了一遍：

重力作用下落→速度逐渐加快→硬质地面碰撞玻璃→应力破碎→水流散落→地面留水渍

就算你把条件改掉：杯子换成塑料的、地面铺上地毯、高度改成十厘米，它也无需重新学习，凭着底层规律就能推演，得出正确结果，不会出现AI幻觉。

这正是最本质的差别：传统大模型学的是“表象”，世界模型修炼的是“内因”。

一句话概括，大模型是“知其然”，世界模型是“知其所以然”。

世界模型，到底有什么用？

不少人以为，世界模型不过是传统大模型的“升级版”，其实根本不是这么回事。它是对AI能力维度的全面颠覆，核心能力集中在三点上，而每一点都正对着当前AI的痛点。

第一，极强的常识推理能力

画出来的人倒着走，汽车横着开，场景各种违反物理规律——眼下AI犯这种低级常识错误并不少见。世界模型则把现实世界的底层规则摸透了，等于给自己装了一道常识防线。

画图也好，生成视频、推演场景也好，它都守着物理规则、空间逻辑和现实常识，不会整出那些离谱的东西。

第二点，是预判未来的本事。这也是世界模型最拿得出手的一张牌。

已有的信息，传统AI只能做总结、做应答。世界模型不一样，它站在当下这个场景上，往前推演接下来会怎么变。

天气、路况、行人的动作摆在眼前，它能判断出随后几秒、几分钟要发生什么；设备运行状态一出来，故障风险也能提前看出来；一方挥拳，另一方会不会躲，它心里有数。

AI要从“被动应答”变成“主动智能”，这种预判能力绕不过去。

第三点，跨场景都能用。如今的AI基本都绑死在单一场景里：聊天的只管聊天，画图的只管画图，自动驾驶只干驾驶这一件事。

世界模型是通用人工智能的底座。它抓的是世界的通用规律，文字、图像、视频、机器人控制、自动驾驶、智能家居，哪个现实场景都能一通百通，不用再单独训练、单独微调。

这些能力上的差别看下来，行业大佬为什么说世界模型是AI的下一个十年，也就不难理解了。

传统大模型那波红利，差不多摸到天花板了。眼下各家的大模型，对话、写作、问答上的差距越缩越小，拼参数、拼数据、拼话术，想做出颠覆性的差异已经很难。

AI往后走，一定是AGI（通用人工智能）。而AGI，离不开物理AI（Physical AI），离不开与现实世界深度交互的智能体。

全球GDP里约50%还在物理世界，这部分未来大部分会由物理AGI主导。物理AGI要爆发，关键的技术突破口就是世界模型。

有一种说法是，未来的AGI架构很可能是这样：LLM管逻辑规划，相当于大脑；世界模型管物理预测，相当于小脑；具身智能负责执行动作，相当于身体。

世界模型能干什么

它现在这么火，根子上有两个原因：

一是技术条件够了。这几年大模型在算力、数据、算法上攒下的家底，已经给世界模型的爆发铺好了地基。

二是产业那边等不及了。物理世界的智能化改造，正从单点试验转向全面铺开。工厂要降本增效，机器人要进千家万户，自动驾驶要覆盖更多城市，这些都在等着世界模型提供底层能力。

眼下，世界模型已经在具身智能、智能驾驶这些核心场景里跑出了规模化验证，高安全、高复杂度场景下数据稀缺、试错成本高这两个难题，它能有效化解。

拿智能驾驶来说，世界模型搭出高保真的虚拟交通环境，把海量极端工况预演一遍，各种罕见的长尾场景都能覆盖，车辆决策系统的全迭代也就有了支撑。

具身智能这边又是另一种情况，现在最缺的就是实际操作过程的训练数据。世界模型靠3D空间构建和物理规律推演，让机器人在“梦境”里把动作试错和路径规划做掉，训练周期能明显缩短，成本也跟着降下来。

内容创作、气候预测、医疗仿真这些新领域，眼下也正被世界模型加速切入。物理认知、因果推理加上长时序模拟这几样本事，让它拿到了越来越多的用户和市场。

世界模型面临的挑战

小枣君说句客观的：世界模型前景确实够炸，但离成熟还差得远，短板摆在那儿。

头一条，训练成本高得吓人。

传统大模型吃文本数据就能练，成本还能压得住。世界模型不行，它要的是海量视频、三维场景、动态过程数据，算力开销、数据花费、训练难度，都是传统大模型的数倍乃至数十倍。

第二条，复杂场景推不动。

简单物理场景下，现在的世界模型推演得挺准。可一碰上复杂社会行为、多人交互、复杂因果链条，照样露怯。

第三条，落地场景还没摸清。

多数世界模型还停在技术研发和测试阶段，想大规模商业化，得再等等。

结语

说白了，世界模型不是又一轮风口轮换，而是技术范式的代际更替。

摩根士丹利在一份研报中给出判断：AI 接下来的变革方向，将不再停留在“理解语言”，而是转向“理解物理世界”，承载这一变革的关键形态就是世界模型。研报预计，到 2035 年，由世界模型驱动的产业规模将达 10 万亿美元。

往后十年，AI行业的较量不再是比大模型参数谁更大，而是拼世界模型的认知能力、推演能力、落地能力。顶尖的世界模型技术落在谁手里，AGI时代的钥匙就在谁手里。

一场围绕“理解世界”的军备竞赛，已经悄悄开打。