世界模型是什么？图解 AI 脑内预演物理世界的原理与边界

世界模型是给 AI 装的「脑内沙盘」：它不只生成好看的画面，而是在内部维护一套对世界运行规律的认知，能推演「我这么做，接下来会发生什么」。李飞飞创办的 World Labs，以及很多自动驾驶和机器人团队，押注的都是这个东西。

世界模型是什么：从「背答案」到「懂物理」

下棋高手有个共同点：走一步之前，会在脑子里推演后面好几步。世界模型想让 AI 具备的就是这种能力，在不真正行动的情况下，用内部模型预演世界的下一步。

这个概念不是新词。2018 年，Ha 和 Schmidhuber 把生成式神经网络当成游戏环境的内部模型，训练出一个可以完全在自己「梦境」里练策略、再把策略迁移回真实环境的智能体，这正是 World Models 论文的核心实验，也是这个词在 AI 圈流行的起点。

区别于「背答案」，世界模型的关键是三件事：

1. 它对世界有一套内部表示，相当于脑内地图；
2. 给一个动作或扰动，它能预测世界的下一个状态；
3. 预测错了会被现实纠正，模型因此越用越准。

李飞飞和 World Labs 押的是什么

李飞飞是 ImageNet 的提出者，后来她联合多位计算机视觉与图形学学者创办了 World Labs，公司定位是空间智能公司。按官方说法，他们在构建能感知、生成、推理并与虚拟及物理世界交互的前沿模型，目标是让 AI 理解物体、空间和时间上的交互（见 World Labs 官网）。

为什么强调「空间」？因为人类对世界的理解天然是三维的：知道杯子挪到桌边会掉、门往后推开才不会撞到人。世界模型想补的，正是大语言模型最弱的那一块：LLM 读过全世界的文字，却没有身体，也没法在脑内转动一个三维场景。

世界模型和视频生成有什么区别

这两个词经常被混着用，边界其实很清楚。

1. 视频生成要的是「像」：画面逼真、连贯，物理错了也没人在意，科幻片违反重力没人投诉；
2. 世界模型要的是「对」：它推演出的下一段未来必须符合物理规律，推错了决策就会错；
3. 打个比方，视频生成是会放电影，世界模型是懂物理的导演。目前多数视频生成模型离严格的「懂物理」还有距离，这正是行业在攻关的地方。

一段话讲清世界模型

「世界模型是 AI 对世界运行规律的内部建模：输入当前状态和动作，预测下一个状态，相当于脑内沙盘，可以在行动前先推演后果。它和视频生成的区别在于不追求画面像，而追求推演对。它被认为是大模型通向物理世界的关键拼图，机器人和自动驾驶都靠它在决策前做预演。」

可能的追问有两个：为什么说大语言模型缺世界模型，因为它从纯文字学习，缺空间和物理的可推演表示；除了 World Labs 还有谁在做，自动驾驶端到端方案和头部机器人公司普遍在布局。

想深入这个方向怎么补课

世界模型是视觉、生成、决策几条线的交汇点。先把多模态和大模型的地基打好，推荐阅读顺序：多模态大模型是什么、预训练是什么、大语言模型是怎么工作的。读完这三篇，再回头看 World Models 论文摘要，会顺畅很多。