过去三年，生成式AI的主战场一直停留在屏幕里——写文章、画图、剪视频。但如果要让机器真正走进现实世界，光是会说话远远不够。它们需要知道：一个杯子从桌上掉下去会碎，一辆车在湿滑路面上刹车距离会变长，一个人从走廊拐角走出来时会出现在哪个位置。这套关于“世界如何运转”的内部认知，正是世界模型（World Models）试图赋予AI的能力。
什么是世界模型：给AI装一个可推演的“内心剧场”
世界模型是一类能够模拟真实世界物理规律与空间结构的人工智能系统。与大语言模型处理离散的词元不同，世界模型处理的是三维空间、物体、运动、光照、碰撞与因果。它接受当前状态和某个动作作为输入，预测“接下来会发生什么”——既包括生成下一秒的画面，也包括预测物体将如何移动。
这一概念并不新。早在2018年前后，研究者就开始用循环神经网络训练能在潜在空间中预测环境的智能体。但真正的转折点来自两件事：一是视频生成模型（如Sora一类的扩散架构）证明了神经网络可以生成在视觉上高度连贯、且遵循部分物理直觉的连续画面；二是机器人学习社区发现，与其在真实世界一次次摔倒，不如先在世界模型里“做梦”训练。
为什么现在爆发：三个条件同时成熟
第一是数据。互联网上积累了海量第一人称视频、行车记录、机器人操作数据集，为学习物理直觉提供了原材料。第二是算力与架构。Transformer与扩散模型的结合，让长时序、高分辨率的时空建模变得可行。第三是下游需求的刚性——人形机器人和自动驾驶公司都在为“真实世界试错成本太高”而苦恼。
产业侧的动向已经很密集。李飞飞创办的World Labs提出“空间智能”路线，试图从单张图片生成可交互的三维场景；DeepMind的Genie系列探索从视频中学习可玩的世界；英伟达推出面向自动驾驶与机器人的Cosmos世界基础模型，把仿真环境当作新一类“数据中心”；自动驾驶公司Wayve则用生成式世界模型来合成极端场景，测试感知系统的鲁棒性。不同团队的技术选择各异，但方向高度一致：把训练场从现实搬到可无限采样的虚拟空间。
三大落地场景：机器人、自动驾驶与内容生产
在机器人领域，世界模型的价值在于“预演”。机器人可以想象自己伸出机械臂后的若干种结果，从中挑选成功率最高的动作，而不必真的把杯子打翻。这对操作精度要求高的家务与工业场景尤为关键。
在自动驾驶领域，世界模型解决的则是“长尾难题”。现实道路上的罕见场景很难被穷举，但生成式模型可以合成雨夜、逆光、突发事故等极端情形，让感知与规划模块在虚拟环境中反复受训。英伟达、Wayve以及多家中国车企与自动驾驶公司都在朝这个方向押注。
在内容与娱乐领域，世界模型意味着从“生成一段视频”走向“生成一个可持续交互的世界”。游戏、影视预演、数字孪生与工业仿真，都可能因此被重构。
“真正的智能不只是描述世界，而是能在头脑中预测世界的下一步。”——这一判断正在成为具身智能研究的共识。
现实瓶颈：物理一致性远比画面逼真更难
世界模型目前最大的问题，是“看起来像”不等于“算得对”。视频生成模型经常出现物体凭空消失、穿模、违反重力等现象。如果这种模型被用于训练机器人，错误会被放大到现实世界。其次是数据与评测的缺口：真实世界的物理参数难以大规模获取，行业也尚未建立统一的物理一致性评测标准。此外，长时序推演中的误差累积、算力成本与实时性要求，都是工程上的硬骨头。
另一个被低估的问题是安全与验证。当自动驾驶或医疗机器人依赖内部世界模型做决策时，如何证明这个内部模型没有系统性偏差，将成为监管的新课题。目前多数团队的做法是保留真实世界的小规模验证闭环，把世界模型当作数据放大器而非替代品。
编者按：下一个基础设施之争
如果把大语言模型看作“语言层”的基础设施，那么世界模型很可能成为“物理层”的基础设施——谁掌握了对现实世界最准确的压缩表达，谁就掌握了机器人、自动驾驶、仿真与游戏的上游。这也解释了为什么顶尖实验室、芯片厂商与车企会同时挤进这条赛道。
更值得关注的是范式变化：AI的评测标准将从“生成得像不像”转向“预测得准不准”，从语言基准转向物理与因果基准。这不仅是技术路线的迁移，也是整个行业话语体系的重构。世界模型不会只是一类新模型，它会成为未来AI系统感知与行动的默认中间层——正如今天的模型调用数据库一样自然，届时它将无处不在，而人们甚至不会再特意提起这个名字。
本文编译自WIRED
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接