世界模型成 AI 新「概念筐」：喧嚣背后的三重迷局

「世界模型」大概是近两年 AI 领域最热闹也最混乱的词汇之一。从黄仁勋在 GTC 上把它列为下一代 AI 核心，到自动驾驶、机器人、视频生成公司竞相贴上这一标签，再到李飞飞、杨立昆等学者各自给出截然不同的定义，世界模型正像前几年的元宇宙、去年的「大模型」一样，成为通往资本与舆论中心的万能入场券。然而在这场标签狂欢背后，概念、数据、架构三重维度的系统性迷局，正制约着它从比特世界走向原子世界的进程。

概念先于共识：各怀心事的标签狂欢

世界模型目前没有统一的定义、技术路线与评测标准。内容生成公司将视频生成包装成世界模型以抬高估值，机器人企业用它强调机械臂对物理属性的建模能力，自动驾驶公司把它等同于对交通参与者的轨迹预测，而英伟达则把基于 Omniverse 的仿真底座视为通用建模底座。

李飞飞今年 6 月发表的长文曾尝试厘清这一乱象，将世界模型划分为三类：

• 渲染器：以谷歌 Genie、OpenAI Sora 为代表，追求像素与时空连贯的视觉真实度。
• 模拟器：以 NVIDIA Omniverse 物理仿真、Unity PhysX AI 为代表，输出几何数据、材质参数、碰撞网格等结构化信息。
• 规划器：服务于智能体决策，例如自动驾驶的轨迹预测网络与机器人运动规划模型。

然而，当一个概念需要长篇定义来划定边界时，往往意味着技术收敛还远未到来。视频生成用 FVD、CLIP 得分评估，机器人用抓取成功率验证，自动驾驶用接管率衡量，没有统一标尺，迭代就缺乏坐标。

数据困局：从比特到原子的成本鸿沟

训练大语言模型可以几乎零成本爬取互联网文本，但训练世界模型需要的是带精确几何标注、物理参数与动作标签的多模态交互数据。以自动驾驶为例，单台测试车的激光雷达、摄像头、IMU 等硬件成本超百万元，每采集 1 小时真实路测数据叠加标注与运维费用综合可达数千元；Figure AI 曾披露，人形机器人每小时真实操作数据的采集成本是大语言模型文本数据的数千倍。

为缓解数据短缺，行业形成三类合成数据方案：

• 基于 MuJoCo、Bullet、PhysX 等物理引擎生成标准化动力学数据。
• 域随机化技术，典型如 OpenAI Dactyl 在仿真中随机化摩擦系数与灯光完成真实魔方旋转。
• 生成式 AI 补全，英伟达 Drive Sim 用扩散模型丰富仿真纹理细节。

但仿真到现实的鸿沟并非画面不够真实，而是物理分布的偏移：仿真中人为设定的摩擦系数、弹性模量无法穷尽真实世界的连续变化。公开测试显示，仿真抓取成功率 98% 的模型迁移到真实环境后往往跌至 60% 以下，加入域随机化也难突破 85%，剩余差距必须靠真实数据微调填补。比特世界的边际成本趋近于零，而原子世界每一步都要砸真金白银，这是世界模型绕不开的天堑。

三条路线：三种认识世界的哲学

世界模型的架构之争，本质是 AI 该在哪个层级「表征世界」。

• 像素交互路线：以谷歌 Genie 3 为代表，基于时空扩散模型生成 1080P 交互式视频，沉浸感强、变现快，但像素级拟合不保证物理正确，Sora 生成视频中常出现穿模、动量不守恒等错误。
• 空间结构路线：以李飞飞 World Labs 的 Marble 模型为代表，从多视角图像重建可导出的 3D 网格环境。占用网络（Occupancy Network）已成为特斯拉、小鹏、理想高阶智驾的标配，可识别异形障碍物与施工路障，但静态结构难以模拟软体、流体等动态物理。
• 认知表征路线：以杨立昆 JEPA 架构为代表，在潜空间预测抽象世界状态，不生成像素，计算量低且聚焦语义级因果。DreamerV3 已在机器人强化学习中成为主流方案之一，但潜空间是黑箱，抽象状态如何转化为精确电机控制至今缺乏通用方案。

三条路线各有理论根基与致命短板，越来越多研究者认为通用世界模型大概率是三者融合：用 3D 结构搭骨架，用物理引擎加约束，用抽象表征做决策。但像素、几何、潜空间是三套完全不同的表征体系，精准对齐本身就是世界级难题。

落地展望：垂直先行，通用尚远

未来三到五年，世界模型大概率仍处于持续演进阶段。当下的世界模型类似 2012 年前后的深度学习，路线未定、基准分歧、数据孤岛严重。然而它面临的挑战可能比深度学习更大：深度学习的胜利本质是统计拟合，而世界模型需要的是因果推理，这两者之间隔着的是根本性的认知范式转换。

不过，垂直场景的落地会率先到来：自动驾驶领域，世界模型会在高速、城区等场景实现对交通参与者行为的精准预判；工业机器人领域，特定工位的世界模型能加速新任务适配；游戏与数字孪生领域，交互式世界生成会先实现商业化，为后续迭代提供资金反馈。今天所有的概念混战、数据困境、架构分歧，都是黎明前的必经之路。