导读
在人工智能（AI）发展日新月异的当下，一个新兴且极具潜力的概念——世界模型（World Model），正逐渐成为行业焦点。它宛如AI系统中的“智慧大脑”，为AI赋予了对所处环境的深度理解与精准预测能力，有望推动AI技术迈向新的高度。
文字编辑｜宋雨涵
世界模型近期愈发火热
2025年6月12日，Meta实验室里，工程师向屏幕输入一段视频：一颗金属球从桌沿滚落。新升级的V-JEPA 2模型几乎瞬间作出反应——它预判了球的坠落轨迹，并在虚拟界面中标记出可能的落点区域。“它知道被遮挡的物体不会消失，也理解重力对运动物体的影响”，研发负责人指着屏幕解释。此刻，这个系统正从数百万小时的真实世界视频中提炼物理规律，就像婴儿通过观察学习世界那样自然。
同一时间，谷歌DeepMind团队在顶级会议ICML上抛出一枚“理论炸弹”：一篇仅5个单词标题的论文《通用智能体需要世界模型》，用数学证明了一个颠覆性结论——任何能处理复杂任务的智能体，必然拥有内部世界模型，且能力越强，模型越精确。
6月20日，在华为开发者大会2025上，发布基于盘古多模态大模型的世界模型。该模型能为智能驾驶、具身智能机器人训练构建数字物理空间。在火星探测领域，可基于单张火星地表图片生成高精度数字物理空间，助力火星车训练避障能力与提升机械臂操作能力；在智能驾驶领域，输入相关信息可生成行车视频和激光雷达点云，为智能驾驶提供大量训练数据。
1
什么是世界模型？
一位工程师头脑中的物理模拟器
世界模型的核心目标在于，于AI系统内部构建一个针对所处环境（涵盖物理世界、虚拟环境或特定领域）的动态且具因果关系的内部表示或模拟器，旨在使AI能够精准预测环境状态的变化结果，深刻理解自身行动对未来状态产生的影响，并具备反事实思考能力，即思考“如果我做了X，会发生什么？”。其核心能力丰富多样，包括预测功能，即给定当前状态和动作，能够精准预测下一个状态或观察结果；理解因果关系，洞察环境中的因果联系；进行反事实推理，评估不同假设情况下的结果；规划能力，在内部模拟中评估不同行动序列的后果，以制定最优策略；以及表征学习能力，构建环境的压缩、抽象表示。
从本质上看，世界模型是一个内部模拟引擎，是AI理解世界运作方式、进行有效决策和规划的基石，且通常为多模态的，能够整合视觉、听觉、物理、社会信号等多种信息。
在与大语言模型（LLM）和深度推理模型（DRM）的关系方面
LLM可视为在文本世界中训练出的一个不完整且不精确的世界模型，它虽捕捉了语言描述中的世界模式，但缺乏对物理现实、感官体验和真实因果的直接建模，而真正的世界模型能为LLM提供更坚实、基于物理/因果的“常识”基础；
对于DRM而言，世界模型为其深度推理提供了必要的内容和上下文，因为进行有意义的推理需要以关于世界的模型为基础，世界模型提供模拟环境，DRM则利用该环境进行推理和规划。然而，世界模型也存在一定局限性，构建一个全面、准确且可扩展的世界模型极具挑战性，尤其是在开放物理世界中，如何有效学习和更新世界模型是关键难题，与行动和感知的紧密集成也是一大难点。
简单而言做一个比喻，LLM就像一位博学但缺乏实践经验的学者： 阅读了大量书籍（文本数据），能流畅地谈论、写作、回答基于书本的问题，甚至能基于书中模式进行一些推测。但他对现实世界的物理规律、动手操作、真实因果链只有间接的、可能不准确的理解。
DRM像一位严谨的逻辑学家/数学家： 特别擅长遵循规则、进行一步步推导、证明定理、解决逻辑谜题。他需要明确的问题和规则（可能由LLM提供背景，或由世界模型提供模拟环境）。
世界模型像一位工程师头脑中的物理模拟器： 他理解杠杆原理、材料强度、齿轮如何啮合。他能在脑海中想象推一块积木会发生什么（预测），理解为什么用锤子敲钉子比用手掌有效（因果），并思考如果换一种材料桥会不会塌（反事实）。这是他设计和建造东西（规划、行动）的基础。LLM可能为他提供设计描述或历史案例，DRM帮他精确计算受力或优化结构。
2
核心能力
从感知到决策的全链路升级
世界模型的核心能力体现在多个方面。首先是预测能力，给定当前环境状态和AI系统的动作，世界模型能够预测下一个状态或观察结果。例如，在机器人操作任务中，世界模型可以根据机器人当前的位置、姿态和即将执行的动作，预测机器人下一步的位置和可能遇到的障碍物，为机器人的路径规划提供依据。
其次是理解因果关系，世界模型能够揭示环境中的因果联系，而不仅仅是表面的相关性。在医疗诊断领域，传统的AI模型可能只能根据症状的相似性进行诊断，而世界模型则可以分析症状与疾病之间的因果关系，从而提高诊断的准确性。
反事实推理能力也是世界模型的重要特点之一。它允许AI系统思考“如果我做了X，会发生什么？”，通过评估不同行动的潜在后果，为AI提供更多的决策选择。在金融投资中，世界模型可以模拟不同的投资策略对投资组合的影响，帮助投资者做出更明智的决策。
此外，世界模型还具备规划和表征学习的能力。在规划方面，它能够在内部模拟中评估不同行动序列的后果，制定出最优的行动计划。在表征学习方面，它可以将复杂的环境信息简化为易于处理的形式，同时保留关键的特征，提高AI系统的处理效率。
3
巨头布局
群雄逐鹿世界模型赛道
英伟达：Cosmos模型开启物理世界模拟新纪元
在2025年CES展会上，英伟达CEO黄仁勋宣布推出Cosmos世界模型，引起了行业的广泛关注。Cosmos模型专为理解物理世界打造，具备生成逼真视频和创建合成训练数据的能力。它有Nano、Super、Ultra三个版本，分别适用于边缘设备、消费级显卡和工作站级GPU，能够满足不同场景的需求。
以自动驾驶为例，Cosmos模型可以生成各种复杂的交通场景，包括恶劣天气、突发事故等，为自动驾驶模型的训练提供丰富的数据。这些合成数据不仅可以降低数据采集成本，还可以模拟一些现实中难以遇到的危险场景，提高自动驾驶模型的安全性和鲁棒性。此外，Cosmos模型还可以与英伟达的DRIVE平台深度集成，为自动驾驶汽车提供实时的环境感知和决策支持。
谷歌：DeepMind团队探索世界模型新边界
谷歌旗下DeepMind组建了专门的世界模型研究团队，聘请Sora核心人员Tim Brooks掌舵，展现了其在世界模型领域的雄心壮志。DeepMind发布的Genie模型就是一个典型的例子，该模型能够模拟虚拟世界以及逼真的动画和物理效果。
Genie模型通过对大量图像和视频数据的学习，构建了一个虚拟世界的生成模型。它可以根据用户的输入生成各种不同的虚拟场景，如奇幻森林、未来城市等，并且这些场景中的物体运动和交互都符合物理规律。在游戏开发领域，Genie模型可以为游戏设计师提供无限的创意灵感，快速生成各种游戏场景和角色，降低游戏开发成本和时间。同时，Genie模型还可以用于教育和培训领域，为学生和学员提供一个沉浸式的虚拟学习环境。
Meta：杨立昆领衔探索世界模型理论根基
Meta首席AI科学家杨立昆早在2022年就开始领导团队研究“可以模拟世界运作方式的AI系统”。他认为，真正的智能蕴含在生命与物理世界的交互中，因此设计一套AI学习范式和架构，使机器能够以自监督而非人类干预的方式学习并掌握世界模型，是实现通用人工智能（AGI）的关键。
Meta放大招了，LeCun亲自出镜，开源V-JEPA 2世界模型，AI界巨擘押注“预测学习”未来
AI教母李飞飞的空间智能
李飞飞提出的“空间智能”（Spatial Intelligence）是她创立的 World Labs 公司的核心研究方向，旨在构建能够感知、推理并与三维物理世界交互的“世界模型”（World Model）。这一概念被视为实现通用人工智能（AGI）的关键路径，其核心在于让AI超越文本和2D图像的局限，真正理解并模拟人类所处的立体空间环境。
空间智能的续集来了！“AI教母”李飞飞创业归来，AI靠单图生成3D世界，生成式AI进入3D化沉浸式新时代
世界模型面临的挑战与机遇
（一）挑战
算力需求巨大：训练和运行世界模型需要比当前生成模型更多的计算能力。例如，Sora单次训练算力需求或可达到GPT-3 175B的8.2倍，而世界模型的算力需求更大，这对企业的技术和资金实力提出了极高的要求。
幻觉和偏见问题：像所有AI模型一样，世界模型也会产生幻觉并内化训练数据中的偏见。例如，ChatGPT中文对话的效果不如英文给出的答案，高质量的训练数据对于世界模型至关重要，且训练数据必须足够广泛和具体，同时还要解决训练数据的版权问题。
复杂行为模拟困难：目前的模型难以准确捕捉世界居民（如人类和动物）的行为，这限制了世界模型在一些需要精准模拟人类行为场景中的应用。
（二）机遇
技术创新空间广阔：世界模型作为AI领域的新兴方向，为科研人员和企业提供了巨大的技术创新空间。通过不断的研究和开发，有望突破现有的技术瓶颈，实现更高级别的智能表现。
商业应用前景广阔：随着世界模型技术的不断成熟，其在影视、游戏、自动驾驶、机器人等行业的商业应用前景十分广阔。例如，在影视制作中，世界模型可以快速生成逼真的场景和特效，降低制作成本和时间；在自动驾驶领域，可以提高车辆的安全性和智能化水平。
推动AI与现实世界融合：世界模型的发展有望推动人工智能与现实世界的深度融合，为人类社会带来更多的便利和变革。例如，通过世界模型可以实现更智能的城市管理、医疗诊断和环境监测等。
结语：
世界模型作为AI领域的新兴力量，正以其独特的魅力和巨大的潜力，引领着AI技术的发展方向。尽管目前还面临着一些挑战，但随着科技巨头的布局和科研人员的不断努力，世界模型有望在未来取得重大突破，为人工智能与现实世界的融合开辟新的途径。
