熱鬧的世界模型與背後的鏡花水月

2026年6月，斯坦福的李飛飛教授發了一篇長文。這位AI界舉足輕重的學者，花了整整一篇文章的篇幅，只爲回答一個最樸素的問題——世界模型，到底是什麼。

差不多同一時間，大洋彼岸的黃仁勳正站在聚光燈下，皮衣鋥亮，嗓門洪亮。他向全世界宣佈：物理AI的時代來了。世界模型，就是打開這個時代的鑰匙——它能讓AI理解物理規律，讓機器人自主操作，讓自動駕駛汽車真正上路。

一個在臺上喊口號，一個在臺下翻字典。一個已經把世界模型講成了下一場工業革命的發動機，另一個還在爲這個詞究竟指什麼而犯愁。

這畫面，有點荒誕。但荒誕的背後，藏着一個更荒誕的事實——世界模型，大概是這兩年整個AI領域最熱鬧、也最混亂的一個詞。

命名狂歡：人人都是世界模型

世界模型熱鬧，熱鬧在它是個筐，什麼都能往裏裝。

一個能生成火焰視頻的模型，叫世界模型。一個能憑空生成可玩遊戲的語言模型，也叫世界模型。一個能精確模擬燃燒過程的物理引擎，還是叫世界模型。只要跟"世界"沾點邊，跟"模型"沾點邊，往自己腦門上貼這塊金字招牌，好像都沒毛病。

這倒也不奇怪。每一波技術浪潮來臨的時候，都會經歷這麼一段"搶帽子"的混戰。區塊鏈火的時候，白皮書裏不寫個"去中心化"，都不好意思發幣；元宇宙火的時候，但凡能渲染個3D界面的，都自稱元宇宙公司。世界模型如今走的，也是這條老路。帽子先搶到手，內涵以後再填——反正聽的人也未必分得清。

李飛飛倒是想給這場混亂立個規矩。她在那篇長文裏，把市面的世界模型分成三類：渲染器只管"看起來像"，生成漂亮的像素和視頻，物理對不對另說；模擬器追求結構精確，輸出的不是畫面，而是幾何數據、材質參數、碰撞網格這類東西；規劃器則負責在感知和行動之間搭橋，讓智能體行動前能預判世界的變化。

分得挺清楚。但這個分類本身，就泄露了天機——如果連"世界模型是什麼"都得用一整篇文章來釐清，那這個領域，離技術收斂還遠着呢。

智源研究院院長王仲遠從另一個角度又切了一刀。他把當前的技術路線歸爲四類：以語言爲中心的(像VLA)、以像素爲中心的(像視頻生成)、以三維結構爲中心的(像3D重建)、以視覺表徵爲中心的(像JEPA系列)。每一類都自稱世界模型，每一類離真正能理解、預測、交互物理世界的"基座模型"，都還差着十萬八千里。更要命的是，這四條路之間不存在清晰的優劣排序，更不存在一個公認的"正確方向"。

大家都在趕路，但沒人知道目的地長什麼樣，也沒人知道彼此是不是在往同一個地方趕。

數據天塹：想走也沒路

概念混亂，是"不知道往哪走"。數據匱乏，則是"想走也沒路"。

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。大語言模型的燃料，是互聯網上幾乎無限的文本——網頁、書籍、論文、論壇帖子，抓過來就能用，幾乎白撿。可物理世界的數據呢？

一個杯子從桌邊掉下來會碎。這件事，人看一眼就懂。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。這種東西，比互聯網視頻稀缺好幾個數量級。文本是撿來的，物理數據得一個一個去採——成本之差，天壤之別。

更麻煩的是，就算有了數據，也未必是對的數據。王仲遠坦言，真實物理世界的多模態交互數據極度匱乏，而不同技術路線對數據的需求又各不相同。以具身智能爲例，機器人在流水線上能完成特定任務，但不具備泛化性——原因就在於，它缺的是對世界常識、物理規律的通用理解。眼下世界模型所謂"成功"的應用，還侷限在自動駕駛、電子遊戲這些特定領域。而這些領域的數據規模和多樣性，遠遠撐不起一個通用世界模型。

合成數據一度被當成解藥。用物理仿真引擎和遊戲引擎生成大量虛擬數據，成本比採集真實數據低得多，聽起來挺美。但這條路，坑也不少。各種物理仿真工具固然能模擬世界，可人類自己掌握的物理知識、引擎規則、算法都還不夠完備，仿真始終到不了百分之百的真實。仿真環境裏物體的運動規律，跟真實世界之間始終隔着一層——業內管這叫"仿真到現實的鴻溝"。

AI生成的幾何體，看着沒問題，暗地裏面重疊、尺寸不對，一旦送進物理引擎一算，結果就荒謬了。用有缺陷的數據訓練模型，模型學到的也只能是個有缺陷的世界。垃圾進，垃圾出——這句計算機科學的老話，在世界模型這兒，一個字都沒過時。

架構迷思：三條路，各說各話

數據和概念之外，還橫着一道更深的問題：就算有了正確的數據、清晰的定義，世界模型該用什麼架構去搭，誰也說不準。這不只是技術選型的事，而是整個領域在根本假設上就談不攏。

眼下幾條代表性路線，各有各的算盤。

谷歌的Genie3走的是"世界模擬器"的路子，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。你一聲令下"下雨"，整個世界就動態響應。畫面和用戶雙向奔赴，支持長時間連貫探索。聽着挺玄乎。可說到底，它的內核還是視頻生成的邏輯——它"演"得像，並沒有真正"懂"背後的物理因果。一個會畫雨的畫家，和一個懂水循環的氣象學家，終究不是一回事。

李飛飛的World Labs團隊走的是另一條——以三維結構爲中心，不妨叫它"空間路線"。他們搞出的Marble模型，能生成持久的、可下載的3D環境，用戶一句提示就能生成一個可導出的3D世界。但批評者不客氣：Marble看起來更像一條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轉"的物理規律。人看到斜坡上的球，知道它會滾下來；機器人要做同樣的判斷，還得知道質量、摩擦、速度這些參數。會畫球，不等於會算球。

還有一條更"哲學"的路——楊立昆主導的JEPA架構，不妨叫它"認知路線"。老爺子的核心思想是：預測下一個表徵，而不是預測下一個數據。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決策的世界狀態。這條路在理論上最接近認知科學裏的"心智模型"概念——大腦並不存儲世界的每一個像素，而是存一個抽象的內部表徵，用來推理和預測。想法漂亮。但漂亮的想法和能落地的工程之間，往往隔着一整個太平洋。從抽象表徵到實際行動，中間的工程鴻溝，還長着呢。

三條路，三種哲學。一條相信"看得見的就是世界"，一條相信"搭得起來的就是世界"，一條相信"想得到的就是世界"。誰對誰錯？現在沒人敢拍這個板。

離世界還有多遠

世界模型離世界有多遠？這問題，給不了一個簡單的數字答案。

從概念看，它還隔着一層"定義之霧"——所有人都在用同一個詞說不同的事，共識本身就遙不可及。從數據看，它還隔着一片"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都皺眉。從架構看，它還隔着一道"範式之牆"——視頻生成、三維重建、潛空間預測，每條路都有自己的理論支撐，也都有自己的致命軟肋。

但世界模型這關，可能比當年的深度學習更難過。深度學習處理的是模式識別——從數據裏找統計規律。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，隔着的也許不是幾年的技術迭代，而是某種根本性的認知範式轉換。從"找規律"到"懂因果"，這一步，邁起來比想象的難得多。

(文章來源：公衆號退一步看看)