世界模型，已经像这个世界一样混乱了。
OpenAI指着Sora生成的视频说，这就是“世界模拟器”；杨立昆（Yann LeCun）指着Sora，说它是像素幻觉，真正的世界模型应该是“预测未来的抽象大脑”；谷歌DeepMind称，Genie3就是一个“可交互的通用世界模型”；而李飞飞说，“空间智能”才是正解。
现实世界是唯 一的、客观的，但AI圈里似乎人人都在制造属于自己的“世界模型”。
尽管定义南辕北辙，但这群吵得不可开交的大佬们，在一个基本判断上达成了共识：大语言模型早晚到头，世界模型才是通往AGI的必经之路。
大语言模型在GPT-3.5之后经历了参数的膨胀，而世界模型在技术路线收敛之前，就先经历了概念的通货膨胀。
世界模型是个筐，啥都往里装
“世界模型”的混乱，根源在于它是一种目的，指的是让AI具备理解外部世界规律，预测世界变化的能力，而非具体的技术路径。
最 先混乱的就是概念。
关于世界模型的思想，最早可追溯至1943年认知科学家Kenneth Craik提出的“心智模型（Mental Model）”，即大脑通过构建外部世界的微缩模型来进行预测，换句话说，我们脑中有一个心智模型，不仅能处理当前看到的信息，还能预测“如果我这样做，世界会变成什么样子”。
虽然该理论在20世纪90年代就被引入强化学习了，但真正让它在现代AI领域拥有姓名的，是Jürgen Schmidhuber等人在2018年发表的奠基性论文《Recurrent World Models Facilitate Policy Evolution》。这篇论文首次系统定义了神经网络世界模型的框架，那时它还是一个由视觉组件（VAE）、记忆组件（RNN）和控制器构成的具体架构，在简陋的赛车游戏和二维类射击游戏里训练。
七年过去，随着大语言模型的爆发，对通用人工智能的渴望让这一概念在近两年像“线面”一样繁殖了。
Yann LeCun在2022年提出了以世界模型为核心的“自主智能”，强调通过模块化设计和自监督学习获取抽象表征，并在2023年、2024年先后推出了I-JEPA、V-JEPA预测模型。
李飞飞在2024年提出了“空间智能”理念，创办World Labs，又新发布了Marble，主张世界模型必须具备生成可交互3D环境的物理一致性能力，“对我来说，空间智能是创造、推理、互动、理解深刻的空间世界的能力，无论是二维、三维还是四维，包括动态和所有这些。”
甚至连OpenAI前首席科学家Ilya Sutskever提到的“压缩即智能”，本质上也是认为只要能无损地压缩预测下一个token（无论是文本还是像素），模型内部就构建了一个关于世界的映射。
一个抽象的概念，衍生出了更多抽象的概念。
若剥离这些定义上的争论，从技术方向来看，当前世界模型主要分为两大流派，分别对应了两种截然不同的世界观：表征派（Representation）与生成派（Generation）。
Yann LeCun就是“表征派”，这是一条不产生画面的极简主义路线。
类比人脑中的心智模型（Mental Model），我们对世界的预测和行动，往往是一种直觉，不是物理公式或者具体的画面。基于此，LeCun的世界模型是一个深藏在系统后端的“大脑”，它只在表征处理后的潜在空间里运作，预测的是“抽象状态”。
在这篇推文中，LeCun明确定义了一个世界模型需要同时输入四个变量，对先前世界状态的预估s(t)，对当前的观察x(t)，当前的动作a(t)，一个潜在变量z(t)，结合四个变量来预测下一时刻的世界状态s(t+1)。
这个定义有两个关键点，一是世界模型预测下一刻的“状态”而不是画面，二是能针对连续的动作交互进行因果推断。
比如一辆车开过来，它不会在脑海里画出车牌号和反光，只会计算出“障碍物靠近”这一状态。这种模型不为了给人看，只为了给机器做决策，它追求的是逻辑上的因果推演，而非视觉上的逼真。LeCun提出的I-JEPA（联合嵌入预测架构）和V-JEPA，都摒弃了生成式AI“预测每一个像素”的做法，毕竟现实世界充满了不可预测的噪音（比如树叶的纹理），AI不应该浪费算力去生成这些细节。
第二大流派则是目前声量最 大的“生成派”，和Yann LeCun最核心的区别就在于，他们要重建、模拟视觉世界。
这一派常常引用一句来自物理学家Richard Feynman的名言：“What I cannot create, I do not understand. —— 我若无法创造，便不能理解。”也就是说，只要模型能生成对的世界，就证明它懂了世界的物理规律。
2024年初，OpenAI在介绍Sora时就提到，它是一个世界模拟器。OpenAI认为，只要数据量足够大，模型就能通过预测下一帧像素，涌现出对物理规律的理解。通过学习数十亿的视频片段，它记住了“人走路时腿会交替”、“玻璃杯掉落会破碎”的概率分布。
Sora作为世界模型的争议很大，最直接的一点就是它无法回应LeCun对于动作与世界状态的因果律——如果模型只能像放电影一样生成视频，而不能回答“如果我踢了这个球，它会怎么飞”这样的动作交互，那么它可能只是记住了“球飞行的轨迹概率”，而不是理解了“力学定律”。
那么，如果这个视频生成能够根据用户的动作输入，实时预测下一帧呢？
于是，生成派衍生出了更进一步的形态：互动式生成视频（Interactive Generative Video），例如Genie3。
和Sora不一样，IGV的区别在于实时性、可交互性，也就是有了动作（Action）。谷歌 DeepMind 发布的 Genie 3，将其明确定位为「通用目的世界模型」。它允许用户进入场景并与之互动，支持生成 720p 分辨率、24fps 帧率的实时画面。用户可以自由导航，比如以第 一人称视角驾驶或探索复杂地形。这意味着模型不仅理解画面，还理解了动作与环境变化的因果关系，尽管目前这个动作仅限于方向按键的上下左右。
最后，则是李飞飞所主张的“3D空间智能（Spatial Intelligence）”，以World Labs发布的Marble为最新代表。
如果说前两者是在处理视频流，那么Marble则是试图从底层构建一个持久的、可下载的3D环境。
这条路线的技术底座更接近于“3D高斯泼溅（3D Gaussian Splatting）”。它不依赖传统的网格建模，而是将世界表征为成千上万个漂浮在空间中的彩色模糊小斑点（高斯体）。通过这些微粒的聚合，模型能渲染出精美的三维画面，并允许用户通过提示词生成、利用内置编辑器自由改造，支持一键导出到Unity等引擎中。
尽管Marble现在离李飞飞所提到的空间智能还很远，但可以看出她认为达到空间智能的第 一步，先要建立一个高精度的物理准确的3D空间。我们可以总结一下，区别于Sora，Marble生成的是一个符合物理规律的3D世界，区别于Genie3，Marble不是实时生成的世界，但它的精度和还原度更高。
但这些路线的成果，都没有达到各自所期待的世界模型的模样，甚至彼此间吵得不可开交，也都有一批拥护者，而这也导致“世界模型”的概念外延被无限扩大。
如今，凡是涉及环境理解与模拟的上下游工程，不管是具身智能、自动驾驶、游戏视频等结构化的垂直领域，还是生成式视频、多模态模型、视频理解、3D模型等技术，甚至做视觉信息压缩的DeepSeek OCR，全都主动或者被动地和世界模型挂上了钩。
世界模型越来越像一个筐，啥都能往里装了。
有泡沫也有野心，世界模型是一种“反LLM中心”叙事
如果仅仅是技术路线的不同，不足以解释为何“世界模型”会在今年会井喷。热潮背后，交织着资本的焦虑、技术的瓶颈以及对AGI的渴望。
我们必须先承认，这里面有巨大的泡沫成分。
在创投圈，叙事往往比代码更值钱。当“大语言模型”的竞争格局已定，OpenAI、Google等瓜分了基础模型的天下，后来者和垂直应用开发者急需一个新故事来打动投资人。
“视频生成模型”听起来就是一个工具软件，天花板有限；但一旦改名叫“世界模型”，瞬间就上升到了AGI的高度。
这也是当下AI时代一个有趣的现象：科研人员大规模下场创办公司，学术与商业发生了重叠。
在纯粹的科研世界里，所有的创新都必须建立在严谨的公理之上。如果你要解决一个问题（如实现AGI），你首先必须精准地定义这个问题。然而，当 Lab 变成了 Company，学术大佬们变成了CEO，这种原本局限在期刊里的“定义之争”，就被抛到了商业世界。
在科研中，不同路线可以共存；但在创业公司中，资源是有限的，如果 A 定义是对的，B 公司的几十亿投入可能就打了水漂，一个定义的差异，对应的却是数以亿计的算力投入方向，上下游产业链的备货，投资人的价值重构。
而当我们抛开定义争夺和炒作，世界模型的兴起，也像是一场“反LLM中心主义”的运动。
整个AI行业对大语言模型（LLM）产生了一种集体性的技术焦虑。这种焦虑源于LLM的先天缺陷：它是“离身”（Disembodied）的。LLM是在纯文本的符号系统中训练出来的，它知道“苹果”这个词和“红色”、“甜”经常一起出现，但它从未真正“看见”过苹果，也无法理解苹果掉在地上的重力加速度，更别提随着数据规模的扩大，AI提升的边际效益正在递减。
无论是Ilya Sutskever在离职OpenAI后强调的“超越大模型”，还是李飞飞提出的“空间智能”，核心都在于一点：AI需要从学习“人类说的话”，转向学习“世界发生的事”。行业正在从单纯的文本处理，转向对物理现实的模拟与交互，因为大家都意识到，通往AGI的最后一块拼图，不在互联网的文本数据里，而在真实的物理世界中。
只是希望在世界模型真正出现之前，这个词不要先被玩坏了。
