人人都在喊的世界模型，正在成為AI最大的“概念筐”

「世界模型」大概是近兩年人工智慧領域最火熱也最混亂的詞彙之一。從黃仁勳在 GTC 大會上將「物理 AI」與「世界模型」並列為下一代 AI 核心，到自動駕駛公司宣稱世界模型是高階智駕必經之路，再到機器人廠商標榜自己的世界模型能讓機械臂擁有通用操作能力，甚至連影片生成團隊也把最新模型改名為世界模型，理由很簡單：能生成影片就等於能建模世界。世界模型正迅速成為 AI 領域新的「萬能標籤」，如同前幾年的元宇宙、去年的大模型，貼上這個標籤就能拿到通往資本與輿論中心的入場券。 這股風潮背後，是全行業對大語言模型邊際收益遞減的集體焦慮。當網路文本數據幾乎被挖掘殆盡，當生成式內容的新鮮感快速消退，AI 亟需找到下一個兆級落地場景——從比特世界走向原子世界，從處理資訊走向操控實體。然而世界模型潛在能力雖大，距離真正的可用仍有相當距離。它並非某一項技術的單點突破問題，而是概念、數據、架構三重維度的系統性迷局，每一層困境背後都藏著 AI 向物理世界躍遷時必須跨越的認知鴻溝。 世界模型面臨的第一重困境恰恰來自它最熱鬧的地方——概念本身。不少影片生成模型、3D 重建工具、多模態大模型爭相貼上這個標籤，但行業對世界模型的定義、技術路線、評測標準始終沒有形成共識。同一個詞彙，在不同公司嘴裡代表著截然不同的技術。對內容生成公司來說，把影片生成包裝成世界模型，是將 AIGC 的舊故事換成更具想像力的交互世界生成新敘事，估值空間直接躍升。機器人企業所說的世界模型，特指機械臂對操作對象物理屬性、空間位置、交互反饋的建模能力，目的是在硬體同質化的紅海中豎起技術壁壘。自動駕駛公司則將世界模型視為對交通參與者運動軌跡、環境變化的即時預測，是從被動感知升級到主動預判的核心抓手。至於輝達這類算力廠商，世界模型是基於 Omniverse 仿真底座、打通「感知-仿真-規劃」全鏈路的基礎模型，面向全行業輸出通用建模能力。 為了釐清這個混亂局面，李飛飛在今年六月發表的長文中試圖建立一個分析框架，將市面上的世界模型分為三類：渲染器只管「看起來像」，生成漂亮的像素和影片，但不保證物理與幾何正確性，典型代表是 Google Genie 與 OpenAI Sora，核心指標是視覺真實度與時空連貫性；模擬器追求結構上的精確，輸出幾何數據、材質參數、碰撞網格等資訊，如 NVIDIA Omniverse 物理仿真模塊、Unity PhysX AI，是數位孿生與工業仿真的核心底座；規劃器則負責在感知與行動之間搭橋，讓智能體在行動前能預判世界變化，例如自動駕駛中的軌跡預測網路、機器人運動規劃模型。但這個分類本身也說明了問題：當一個技術概念需要用長篇大論來定義邊界時，意味著它遠未走到技術收斂的階段。深度學習在 2012 年前也曾經歷多路線混戰，但當年路線之爭最終靠數據和算力分出勝負；世界模型至今卻沒有統一基準——影片生成類用 FVD、CLIP 得分衡量效果，機器人類用抓取成功率、任務完成度驗證能力，自動駕駛類用軌跡預測誤差、接管率評估價值。沒有統一標尺，就沒有技術迭代的座標。 第二重困境來自數據。訓練大語言模型時，數據幾乎取之不盡：網路上的網頁、書籍、論文、帖子，爬下來就能用，標註成本極低。但訓練一個能理解物理世界的模型，需要的完全是另一套數據——帶精確幾何標註、物理參數、動作標籤的多模態交互數據。差距根源在於資訊維度完全不同。文本是離散、標準化、單模態的符號，一個詞的含義相對固定；物理世界卻是連續、高維、多因果耦合的。就拿「拿起紙杯」這個最簡單的動作來說，背後關聯著視覺紋理、空間深度、手指受力、紙杯形變、摩擦係數、運動加速度等數十種物理量，所有數據還必須在微秒級完成時間對齊，差一點就失去訓練價值。 更棘手的是，就算花大價錢採到數據，也未必是對的數據。真實物理數據的採集成本驚人：以自動駕駛為例，每台測試車的雷射雷達、攝影機、IMU 等硬體成本超過百萬元，每採集一小時真實路測數據，疊加標註與車輛運維成本，綜合可達數千元；要覆蓋雨雪、夜間、施工、異形障礙物等長尾場景，需要百萬公里級路測數據，整體成本是天文數字。機器人領域更甚，Figure AI 曾披露，人形機器人每小時真實操作數據的採集成本，是大語言模型文本數據的數千倍，還要額外承擔硬體損耗與安全事故風險。目前世界模型的落地場景基本侷限在自動駕駛與電子遊戲等特定領域，數據規模與多樣性都撐不起一個通用模型。 合成數據一度被視為破局解藥。用物理仿真引擎、遊戲引擎批量生成虛擬數據，成本比真實採集低得多。目前行業已形成三類主流方案：一是基於 MuJoCo、Bullet、PhysX 等經典物理引擎生成標準化動力學數據，如 DeepMind DM Control Suite、OpenAI Gym；二是域隨機化技術，透過隨機改變仿真環境的光照、紋理、物理參數提升模型泛化能力，經典案例是 OpenAI Dactyl 機械手在仿真中隨機化摩擦係數與燈光，最終在現實中完成旋轉魔方任務；三是生成式 AI 補全，用擴散模型生成逼真紋理縮小視覺虛實差距，例如 NVIDIA Drive Sim。但這條路隱藏著比許多人預想更深的坑。很多人認為仿真到現實的鴻溝是畫面不夠真實，其實真正的鴻溝是物理分佈的偏移：仿真引擎裡的摩擦係數、彈性模量、空氣阻力都是人為設定的理想值，但真實世界裡的物理參數連續變化、互相影響，仿真根本無法 100% 復現。業內公開測試顯示，在仿真環境中抓取成功率達到 98% 的機器人模型，遷移到真實環境後成功率往往直接跌到 60% 以下，即便加入域隨機化優化，也很難突破 85% 的瓶頸。 第三重困境是架構分歧：我們到底該用什麼架構去構建世界模型？這個問題的本質是 AI 到底該在哪個層級「表徵世界」——是像素、幾何結構，還是抽象狀態？不同的答案指向完全不同的技術路徑。第一條路是以 Google Genie 3 為代表的像素交互路線，底層邏輯是「視覺即存在」。這類模型大多基於時空擴散模型，加入時間維度注意力機制讓模型學習影片幀之間的運動連續性。Genie 3 支援文字、圖像、動作指令等多條件輸入，生成 1080P 解析度互動式影片，用戶可透過鍵盤滑鼠控制角色移動，沉浸感極強。優勢是變現快、訓練數據門檻低，但劣勢致命：像素級擬合不代表物理級正確。它能生成杯子摔碎的畫面，卻不知道碎片為什麼往那個方向飛；業內測試顯示 Sora 生成的影片經常出現物體穿模、動量不守恆、光影矛盾等物理錯誤。 第二條路是以李飛飛 World Labs 的 Marble 模型為代表的空間結構路線，底層假設是「結構先於物理」。核心是從視覺輸入中重建精確的 3D 空間結構，用幾何表徵代替像素表徵。Marble 模型可透過多視角圖像輸入生成帶語義標籤的可導出 3D 網格環境，支援智能體在其中導航與交互規劃。自動駕駛領域的佔用網路（Occupancy Network）已成為高階智駕標配技術，特斯拉、小鵬、理想的最新系統都已搭載基於佔用網路的空間世界模型。但問題是 3D 結構只是靜態骨架，世界模型的核心價值是預測動態變化，從靜態結構到動態物理中間還有很長的工程化道路。 第三條路是以楊立昆 JEPA 架構為代表的認知表徵路線，底層邏輯是「抽象即認知」。它不生成像素，只預測抽象的世界狀態，理論上最接近人類大腦的「心智模型」。技術上，JEPA 透過編碼器將輸入圖像映射到高維潛空間，再用預測器根據歷史狀態預測未來的潛空間表示，完全不生成像素，大幅降低計算量。基於同類思路的 DreamerV3 演算法已是機器人強化學習的主流方案之一。這條路最接近通用智能本質，但也最「遠」——潛空間表徵是黑箱，出錯難定位，且抽象狀態如何轉換成精確的電機控制指令，至今沒有成熟的通用方案。 許多業內人士認為，最終的通用世界模型很可能是三者融合的產物：用 3D 結構搭骨架，用物理引擎加約束，用抽象表徵做決策。目前輝達的世界基礎模型與特斯拉 FSD 端到端系統都已嘗試多路線融合，但像素、幾何、潛空間是三套完全不同的表徵體系，要讓它們精準對齊、高效聯動，本身就是世界級難題。 至少未來三到五年，世界模型都將處於持續演進的階段。當下的世界模型好比 2012 年前後的深度學習，數據孤島嚴重、路線未定、基準還在打架，ChatGPT 時刻尚未到來。但世界模型的挑戰可能比當年深度學習更大：深度學習處理的是模式識別，從數據中找出統計規律，本質是統計擬合的勝利；世界模型要處理的是因果推理，理解物體為何如此運動、事件為何如此發生，這兩種能力之間隔著的不只是幾年的技術迭代，而是根本性的認知範式轉換。不過，不必因為通用世界模型遙遠就否定其價值。在走向通用的過程中，垂直場景的落地會率先到來——自動駕駛的世界模型先在高速與城區實現精準預判，工業機器人的世界模型讓機械臂更快適配新任務，遊戲與數位孿生領域的交互式世界生成率先商業化。這些垂直場景數據可控、需求明確，將成為世界模型技術迭代的練兵場。真正重要的是，我們能否讓 AI 從「看見世界」走向「理解世界」，從像素級模擬走向因果級推理。這一步一旦跨越，AI 就不再是數位世界的內容工具，而將成為物理世界的通用決策者，帶來整個工業體系、交通體系與生產方式的底層重構。今天所有的概念混戰、數據困境與架構分歧，都是黎明前的必經之路，所有的迷霧終將被技術前進的腳步慢慢吹散。