解读世界模型：多位专家的见解与展望

在2026年，"世界模型"成为人工智能领域内一个极具争议的术语。不同的系统和应用均以此为名，包括能够连贯生成视频的技术、实时响应用户操作的数字环境、进行潜空间预测的系统，以及直接输出机器人行为策略的模型。这些技术虽然都在处理与现实世界的信息相关任务，但它们的能力和实现方式却相差甚远。例如，生成的视频效果可能非常真实，但并不符合物理规律；而某些机器人尽管可以完成抓取操作，却可能仅限于实验室环境中的特定物体与动作模式。如何精确评估这些模型到底学到了怎样的知识，特别是视觉关联、物理结构或是行为与结果之间的关系，单靠直观演示难以下定论。这种概念上的混淆使得技术评估变得复杂，画质、几何精度、预测能力和任务成功率混杂在一起，不同团队可能在表面竞争相同领域，实则针对着不同的问题。

因此，关于世界模型的研究重新聚焦于一个基本问题：一个有效的模型需要哪些能力，以便能够理解和改变现实世界。李飞飞和World Labs对世界模型进行了分类，分为渲染器、模拟器和规划器，分别对应输出像素、世界状态和动作。LeCun则提倡在抽象潜空间中学习可预测的世界结构，以便模型能够保留对理解、推理和规划有用的信息。清华大学的朱军提供了另一个视角，早在去年12月Motus发布之时，他就提出了“通用世界模型”的构想，并在今年3月强调其作为连接数字与物理世界的基础作用。在其后发表的论文《从第一性原理出发的通用世界模型》中，他进一步明确了这套框架的设计理念，并定义了模型的核心能力和五级进化路线图。论文指出，通用世界模型的基本能力涵盖理解、想象和行动。模型需要从历史观察中形成对当前世界的判断，推测不同选择可能导致的未来，采取相应行动，并根据新的观测结果不断自我修正。

在这一框架下，视频生成、实时互动、潜空间预测和机器人控制可看作是同一能力路径中的不同阶段。对于世界模型距离通用智能的距离，有几个关键问题值得关注：它能否生成一个连贯的世界？是否能够准确预测干预的结果？能否从真实反馈中学习？并最终形成更复杂目标并进行组织行动？ 龙8国际登录

世界模型的根本原理可以借助学习骑自行车的过程来解释。起初，骑行者保持平衡相对困难。随着实践，身体会根据重心和车把的位置进行调整，初步修正以避免摔倒。久而久之，骑行者会逐渐学会预测动作带来的结果，正如1943年Kenneth Craik提出的那样，人们在脑海中会形成关于现实的"小规模模型"，借此推演不同行为的潜在影响。强化学习中的POMDP进一步描述了这一过程，智能体通过局部观察评估世界状态，采取行动，并根据新的观测更新其判断。朱军的团队将这一定义概括为通用世界模型的三大核心能力，这三者相辅相成，构成持续更新的反馈回路：理解(Understanding)可以整合感官信息以推理当前状态；想象(Imagination)可以基于当前状态预测多个未来可能性，尤其是“如果我采取动作A而不是动作B，可能的结果如何”；行动(Action)则是将预测转变为对环境的实际介入，并通过新观察来验证和校正模型。

值得注意的是，视频生成并不能涵盖世界模型的全部含义。视频模型能预测接下来可能出现的画面，但要成为通用世界模型，它必须回答关于条件变动、物体移动或施加某种动作将如何改变世界的核心问题。这类包含行动条件的预测直接触及因果关系、反事实思维和可执行决策。

理解、想象与行动如何形成闭环？为此，朱军团队设计了五级能力路径：首先，从L1阶段的世界生成，到L2阶段的互动，再到L3阶段的行动，最终演化为L4阶段的自主智能体和L5阶段的世界组织者。以一只被推向桌边的玻璃杯为例，L1模型生成杯子掉落、撞击和破裂的连续画面；L2模型则在用户改变视角或推动方向后，继续演绎这个世界；到L3阶段，模型需判断杯子是否会掉落，预测伸手是否及时，并输出机器人实际可执行的抓取动作。只有在推动后，模型才能反馈自身对杯子的重量、摩擦力及抓取时机的判断是否正确。进一步地，L4阶段的智能体将能够主动识别风险、进行观察和信息补充，并在失败中调整策略。而L5阶段则要求其在多主体协作中作出决策，比如决定谁去抓杯子、谁避开障碍、谁来搭配工具。 龙8国际登录