先讲个直觉
你站在桌边，看到一杯水放在桌沿。你不需要真的把它推下去，就知道它会摔碎。
这件事对人类来说太自然了，自然到我们从来不觉得这是一种"能力"。但对机器人来说，这几乎是最难的事情之一——在脑子里模拟一下还没发生的事，然后据此做出决策。
这就是世界模型（World Model）想解决的问题。
到底什么是世界模型
说白了，世界模型就是AI脑子里装的一个"物理世界模拟器"。
传统的AI做决策，基本上是刺激-反应模式：看到什么，就做什么。像极了一只训练有素的巴甫洛夫的狗。这在围棋、下象棋这种完全信息博弈里够用了，但放到真实物理世界就抓瞎——现实世界太复杂了，你不可能穷举所有情况。
世界模型的思路不一样：我先在脑子里建一个模型，大概知道这个世界是怎么运转的。要做决策的时候，先在"脑内模拟器"里跑一遍，看看各种方案的结果，再挑最靠谱的那个去执行。
听起来很像人类思考的方式？没错，本来就是从认知科学那边借来的思路。
这东西到底能干嘛
自动驾驶：不撞南墙也知道回头
自动驾驶可能是世界模型最刚需的落地场景。
你在开车的时候，前方有辆车在变道，你会下意识预判它接下来的轨迹，提前做出反应。现在的自动驾驶系统想做到这一点，一种方式是写一堆规则，另一种就是让AI自己学会"脑补"其他交通参与者的行为。
Wayve做的GAIA-1，Tesla FSD里隐含的世界理解能力，本质上都在往这个方向走。不是等事故发生了再反应，而是在脑子里先把可能的场景都"演"一遍。
机器人操作：先想再动手
让机器人去厨房做个三明治，这件事为什么难？因为每一步操作都会改变场景状态——拿起面包、挤上酱、放上生菜，每个动作的结果都是下一步决策的前提。
没有世界模型的机器人就像一个不会"预判"的新手厨师，每一刀切下去之前都不知道食材会往哪边倒。有了世界模型，它可以在动手之前先"想象"一下：这个角度抓取的话，面包会不会被捏扁？
Google DeepMind的DayDreamer就是个典型例子——机器人在现实中操作几分钟，收集一些经验，然后在"想象"中把这些经验翻来覆去地练习，效率比纯靠真实操作学习高了一大截。
视频生成：本质上就是在"脑补"未来
这里要说一个很多人没意识到的事情：Sora本质上就是一个视觉世界模型。
给它当前帧，它预测未来帧。它在做的事情就是"根据现在的世界状态，想象接下来会发生什么"。只不过OpenAI把它包装成了一个视频生成工具。
Google DeepMind做的Genie更有意思——给它一张图片，它能生成一个可交互的2D游戏世界。你按方向键，画面就会像真的游戏一样响应。这已经不是"生成视频"了，这是在凭空造出一个可互动的虚拟世界。
游戏AI：在梦里练级
世界模型最早其实是在游戏领域玩起来的。2018年David Ha的那篇《World Models》论文，让AI在赛车游戏里先学会"做梦"——用一个生成模型学会游戏世界长什么样，然后在梦境里练习开车，最后放到真实游戏里居然也能跑。
后来DeepMind的MuZero更狠——它连游戏规则都不需要知道，自己学出一个世界模型来，然后在"想象"中推演，照样把围棋、国际象棋、Atari游戏打到超人水平。
现在做到哪了，还差什么
说了这么多好听的，现在坦诚聊聊差距。
物理规律这关还没真正过。 你去看Sora生成的视频，仔细看的话经常能发现穿帮——物体突然穿模、液体流动不对劲、因果关系莫名其妙。说明当前的模型学到的是"看起来像"而不是"真的懂"物理。这是像素级建模的固有缺陷，光靠看视频，很难真正理解重力和碰撞。
3D理解还在早期。 现在大多数世界模型还在2D像素空间里折腾。但真实世界是三维的。怎么把NeRF、3D Gaussian Splatting这些三维重建技术跟世界模型结合起来，让AI真正在三维空间里"想象"？这块还有大量工作要做。
层次化推理是个大坑。 人类思考是分层的——你计划明天做什么（小时级），规划怎么炒个菜（分钟级），控制手臂翻炒（毫秒级），三个层次的"世界模型"是不同的。现在的AI世界模型基本还是一层打通，没有这种优雅的层次结构。
持续更新很难。 世界是变化的，你的模型不能训完就锁死。机器人搬到新厨房了，碗放的位置变了，灶台的火力不一样了。怎么让世界模型持续学习、增量更新而不忘掉之前学过的东西？在线学习这块依然是个老大难问题。
几个值得关注的声音
LeCun对世界模型的执念是出了名的。他在各种场合反复说：光靠语言模型走不到AGI，你必须有对物理世界的理解。他提出的JEPA架构就是奔着"多模态统一世界模型"去的——把视觉、语言、触觉等等全部用联合嵌入的方式统一建模。
NVIDIA的Jim Fan团队则从具身智能的角度切入，他们认为要做通用机器人，底层必须有一个"基础世界模型"，就像LLM是语言任务的基础一样。
Danijar Hafner的Dreamer系列工作则走了一条更务实的路——在连续控制任务中，世界模型已经能实打实地提高样本效率和最终性能。不是画大饼，是真的能用。
我的一点看法
世界模型这个方向，我觉得最有意思的点在于：它可能是"生成式AI"和"决策式AI"的交汇点。
过去几年，生成式AI和强化学习基本是两条平行线。大语言模型火归火，但它不碰物理世界；机器人研究实打实但天花板低，因为数据太少、仿真太贵。
世界模型有可能把这两条线焊接在一起——用生成模型的能力来构建仿真环境，再用强化学习在这个"想象出来的"环境中训练决策。视频生成不再只是拿来发抖音的，它是机器人的"想象力引擎"。
当然，距离这个愿景真正实现还有很长的路要走。但方向是清晰的：让机器从"看到什么做什么"的条件反射，进化到"先想一想再行动"的深思熟虑。
说到底，这不就是智能本身的含义吗。
写于2026年2月。如果半年后回头看这篇文章觉得说的都是废话了，说明这个领域发展得够快。
