物理AI等待的世界模型離大規模應用還要多久
2026年，人工智能領域正在經歷一場深刻的範式轉移。當大語言模型將數字世界的文本處理能力推向極致之後，行業的共識已清晰指向下一個核心賽場——物理世界。
AI不再滿足於屏幕內的對話與生成，它開始試圖“觸達實體世界”。英偉達CEO黃仁勳將這一浪潮稱爲“物理AI”，在他看來，世界模型正是實現物理AI的關鍵——能夠幫助AI理解物理世界的規律，從而實現機器人、自動駕駛汽車等設備的自主操控。
(圖片來源：浙商證券)
也正是因爲世界模型潛在的能力和用途巨大，其目前離真正的可用尚有不少的距離和困境。
概念先於共識：當所有人都在說同一件事，說的其實不是同一件事
世界模型面臨的第一重困境，恰恰是它最熱鬧的地方——概念本身。世界模型大概是2025年以來AI領域最熱也最混亂的詞彙。一個能生成火焰視頻的模型、一個能憑空生成可玩遊戲的語言模型、一個能精確模擬燃燒過程的物理引擎，現在都被叫作世界模型。智源研究院院長王仲遠直言，不少視頻生成模型、3D重建工具、多模態大模型都在紛紛貼上這個標籤，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。
(圖片來源：浙商證券)
李飛飛在今年6月發表的長文中試圖爲這個混亂的局面建立一個分析框架。她把市面上的世界模型分爲三類：渲染器只管“看起來像”，生成漂亮的像素和視頻，但不保證物理和幾何的正確性；模擬器追求結構上的精確，輸出的不是畫面而是幾何數據、材質參數、碰撞網格這類信息；規劃器則負責在感知和行動之間搭橋，讓智能體在行動前能預判世界的變化。但這個分類本身也說明了問題——如果連“世界模型是什麼”都需要用一整篇長文來
王仲遠則從另一個角度切入了這個問題。他將當前的技術路線分爲四類：以語言爲中心的世界模型(如VLA)、以像素爲中心的世界模型(如視頻生成)、以三維結構爲中心的世界模型(如3D重建)、以視覺表徵爲中心的世界模型(如JEPA系列)。每一類都自稱世界模型，但每一類距離真正能理解、預測、交互真實物理世界的基座模型，都還有非常大的差距。這四類路線都在各自的方向上推進，但它們之間不存在一個清晰的優劣排序，更不存在一個公認的“正確方向”。
數據的天塹：真實世界的燃料從哪裏來
如果說概念混亂是“不知道該往哪走”的問題，那麼數據匱乏就是“想走也沒路”的問題。訓練一個能理解物理世界的模型，需要的數據和訓練大語言模型的數據完全是兩碼事。大語言模型可以從互聯網上抓取幾乎無限的文本——網頁、書籍、論文、論壇帖子，文本數據幾乎是免費的。但物理世界的數據呢？一個杯子從桌邊掉下來會碎，人類看一眼就懂，但要讓AI學會這個因果關係，需要的是帶有精確幾何、物理標註、動作標籤的多模態交互數據。這種數據比互聯網視頻稀缺好幾個數量級。
更麻煩的是，即便有了數據，也不一定是對的數據。王仲遠坦言，真實物理世界的多模態交互數據極度匱乏，不同技術路線對數據的需求也各不相同。以具身智能爲例，機器人在流水線上可以完成特定的任務，但不具備泛化性和通用性——原因就在於缺乏對世界常識、物理規律的通用理解。目前世界模型的成功應用仍然侷限於自動駕駛或電子遊戲等特定領域，而這些領域的數據規模和多樣性，遠遠不足以支撐一個通用世界模型。
合成數據一度被視爲解藥。用物理仿真引擎和遊戲引擎生成大量虛擬數據，成本遠低於採集真實數據。但這條路也有自己的陷阱。各種物理仿真工具雖然可以對世界進行模擬，但因爲人類掌握的真實物理知識、引擎規則和算法還不夠完備，仿真始終無法達到100%的真實。仿真環境裏物體的運動規律跟真實世界之間一直存在差距——這就是業內常說的仿真到現實的鴻溝。AI生成的幾何體可能看起來沒問題，但暗藏着面重疊、尺寸不對等缺陷，一旦送進物理引擎計算，結果就會變得荒謬。用有缺陷的數據訓練模型，模型學到的也只能是有缺陷的世界。
架構的迷思：視頻生成、三維重建還是潛空間預測
在數據和概念之外，還有一個更深層的問題：即便有了正確的數據、清晰的定義，我們也不知道該用什麼架構去構建這個世界模型。這不僅是技術選擇的問題，而是整個領域在根本假設上的分歧。
目前代表性的技術路線，如以谷歌的Genie3爲代表的世界模擬器路線，創造出一個像電子遊戲般、能根據用戶輸入實時演進的交互式視頻環境。比如你一聲令下讓它“下雨”，整個世界就會動態響應。它的優點在於畫面和用戶是雙向奔赴的，支持長時間的連貫探索。但說到底，其內核還是基於視頻生成的邏輯，並沒真正掌握背後的物理因果
又如李飛飛World Labs團隊——以三維結構爲中心，可以稱之爲空間路線。他們的Marble模型能生成持久的、可下載的3D環境，用戶只需一句提示就能生成一個可導出的3D世界。但批評者指出，Marble看起來更像是一個3D渲染流水線，而不是機器人的大腦。它捕捉的是表面是什麼樣子，並沒有內置這個世界爲什麼會這樣運”的物理規律。對於人類來說，看到一個放在斜坡上的球就知道它會滾下來；但機器人想做出同樣的判斷，還需要質量、摩擦、速度這些信息。
還有則是認知路線，以楊立昆主導的JEPA架構爲代表。它的核心思想是預測下一個表徵，而非預測下一個數據。模型沒必要浪費算力去生成像素，只需專注於捕捉那些能用於AI決策的世界狀態。這種路線在理論上更接近認知科學中“心智模型”的概念——大腦並不存儲世界的每一個像素，而是存儲一個抽象的內部表徵，用來推理和預測。但這條路也遠未成熟，從抽象表徵到實際行動之間還有漫長的工程鴻溝。
世界模型離大規模應用還有多遠
世界模型離世界有多遠？這個問題沒有一個簡單的數字答案。從概念的層面看，它離世界還隔着一層“定義之霧”——當所有人都在用同一個詞說不同的事，共識本身就遙不可及。從數據的層面看，它離世界還隔着一片“數據之海”——真實物理世界的交互數據稀缺到讓最樂觀的研究者也感到焦慮。從架構的層面看，它離世界還隔着一道範式之牆——視頻生成、三維重建、潛空間預測，每條路都有各自的理論支撐，也都有各自的致命短板。
智源研究院的判斷是，至少未來三到五年，都會是世界模型持續演進迭代的階段。這個判斷既樂觀又剋制——樂觀在於它相信方向是對的，剋制在於它承認時間不會太短。王仲遠把世界模型比作深度學習的2012年前後——彼時，數據孤島嚴重、路線未定、基準還在打架，ChatGPT時刻尚未到來。
但世界模型面臨的挑戰，可能比當年的深度學習更深層。深度學習處理的是模式識別——從數據中找出統計規律。世界模型要處理的是因果推理——理解爲什麼物體會這樣運動、爲什麼事件會這樣發生。這兩種能力之間，隔着的可能不是幾年的技術迭代，而是某種根本性的認知範式轉換。
而從長遠的視角看我們不必執着於世界模型這個標籤，也不必執着於某一條特定的技術路線。真正重要的是，我們能否讓AI從“看起來像世界”走向“理解世界”，從像素級的模擬走向因果級的推理。
