世界模型：概念膨胀与AGI之路

世界模型的概念，正变得如同现实世界一般错综复杂。

OpenAI将Sora生成的视频称为“世界模拟器”；Yann LeCun则批评Sora仅为像素幻觉，主张真正的世界模型应是“预测未来的抽象大脑”；谷歌DeepMind宣称Genie3为“可交互的通用世界模型”；而李飞飞则提出“空间智能”才是关键。

现实世界是唯一且客观的，但AI领域内每个人似乎都在构建自己的“世界模型”。

尽管定义各不相同，这些争论不休的专家们在一个基本点上达成一致：大语言模型终将受限，世界模型才是通向AGI的必由之路。

大语言模型在GPT-3.5后经历了参数膨胀，而世界模型在技术路线统一前，先经历了概念上的通货膨胀。

世界模型成为无所不包的概念

“世界模型”的混乱源于它代表一种目标：使AI具备理解外部世界规律并预测变化的能力，而非具体技术方法。

最初混乱的是概念本身。

世界模型的思想可追溯到1943年认知科学家Kenneth Craik提出的“心智模型”，即大脑通过构建外部世界的微型模型进行预测。换言之，我们心智中的模型不仅能处理当前信息，还能预测“如果我采取行动，世界将如何变化”。

虽然该理论在1990年代已引入强化学习，但真正使其在现代AI中崭露头角的是Jürgen Schmidhuber等人2018年的奠基论文《Recurrent World Models Facilitate Policy Evolution》。该论文首次系统定义了神经网络世界模型框架，当时它由视觉组件（VAE）、记忆组件（RNN）和控制器组成，在简单赛车游戏和二维射击游戏中训练。

七年过去，随着大语言模型的爆发，对通用人工智能的追求使这一概念近两年如“线面”般迅速蔓延。

Yann LeCun在2022年提出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，并于2023年、2024年相继推出I-JEPA、V-JEPA预测模型。

李飞飞在2024年提出“空间智能”理念，创立World Labs，并发布Marble，主张世界模型需具备生成可交互3D环境的物理一致性能力。“对我而言，空间智能是创造、推理、互动、理解深层空间世界的能力，涵盖二维、三维甚至四维，包括动态元素。”

甚至OpenAI前首席科学家Ilya Sutskever提到的“压缩即智能”，本质上认为只要能无损压缩预测下一个token（无论文本或像素），模型内部便构建了世界映射。

一个抽象概念衍生出更多抽象概念。

抛开定义争论，从技术方向看，当前世界模型主要分为两大流派，对应两种不同世界观：表征派（Representation）与生成派（Generation）。

Yann LeCun属于“表征派”，这是一种不生成画面的极简主义路径。

类比人脑心智模型，我们对世界的预测和行动常基于直觉，而非物理公式或具体图像。因此，LeCun的世界模型是隐藏在系统后端的“大脑”，仅在表征处理后的潜在空间中运行，预测“抽象状态”。

在推文中，LeCun明确定义世界模型需同时输入四个变量：先前世界状态估计s(t)、当前观察x(t)、当前动作a(t)、潜在变量z(t)，结合这些预测下一时刻世界状态s(t+1)。

这一定义有两个关键：世界模型预测下一时刻“状态”而非画面，并能针对连续动作交互进行因果推断。

例如，当车辆驶近，它不会在脑中绘制车牌或反光，仅计算“障碍物接近”状态。此类模型不为展示，而为机器决策，追求逻辑因果推演，而非视觉逼真。LeCun提出的I-JEPA和V-JEPA，均摒弃生成式AI“预测每个像素”的做法，毕竟现实世界充满不可预测噪音（如树叶纹理），AI不应浪费算力生成细节。

第二大流派是当前声势最大的“生成派”，与Yann LeCun的核心区别在于，它旨在重建和模拟视觉世界。

该派常引用物理学家Richard Feynman的名言：“What I cannot create, I do not understand. —— 我若无法创造，便不能理解。”即，只要模型能生成正确世界，便证明它理解物理规律。

2024年初，OpenAI介绍Sora时称其为世界模拟器。OpenAI认为，只要数据足够庞大，模型就能通过预测下一帧像素，涌现出对物理规律的理解。通过学习数十亿视频片段，它记住了“人走路时腿交替”、“玻璃杯掉落破碎”的概率分布。

Sora作为世界模型争议颇大，最直接一点是它无法回应LeCun关于动作与世界状态的因果律——如果模型只能像放映电影般生成视频，而不能回答“如果我踢球，球会如何飞”这类动作交互，那么它可能仅记住了“球飞行轨迹概率”，而非理解“力学定律”。

那么，如果视频生成能根据用户动作输入实时预测下一帧呢？

于是，生成派衍生出更进阶形态：互动式生成视频（Interactive Generative Video），例如Genie3。

与Sora不同，IGV的区别在于实时性和可交互性，即引入动作（Action）。谷歌DeepMind发布的Genie 3，明确定义为“通用目的世界模型”。它允许用户进入场景并互动，支持生成720p分辨率、24fps帧率的实时画面。用户可自由导航，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，还理解动作与环境变化的因果关系，尽管当前动作仅限于方向键上下左右。

最后，是李飞飞倡导的“3D空间智能（Spatial Intelligence）”，以World Labs发布的Marble为代表。

如果说前两者处理视频流，那么Marble则尝试从底层构建持久、可下载的3D环境。

此路线的技术基础更接近“3D高斯泼溅（3D Gaussian Splatting）”。它不依赖传统网格建模，而是将世界表征为无数漂浮空间中的彩色模糊小点（高斯体）。通过微粒聚合，模型能渲染精美三维画面，并允许用户通过提示词生成、利用内置编辑器自由修改，支持一键导出至Unity等引擎。

尽管Marble距李飞飞所述空间智能尚有距离，但可见她认为实现空间智能的第一步是建立高精度、物理准确的3D空间。总结而言，区别于Sora，Marble生成符合物理规律的3D世界；区别于Genie3，Marble非实时生成，但精度和还原度更高。

但这些技术路线的成果，均未达到各自理想的世界模型形态，甚至彼此激烈争论，各有支持者，这也导致“世界模型”概念外延无限扩展。

如今，任何涉及环境理解与模拟的上下游工程，无论是具身智能、自动驾驶、游戏视频等结构化垂直领域，还是生成式视频、多模态模型、视频理解、3D模型等技术，甚至视觉信息压缩的DeepSeek OCR，都主动或被动地与世界模型关联。

世界模型愈发像一个无所不包的概念容器。

泡沫与野心并存，世界模型作为“反LLM中心”叙事

若仅技术路线差异，不足以解释“世界模型”今年为何爆发。热潮背后，交织资本焦虑、技术瓶颈及对AGI的渴望。

我们须承认，其中存在巨大泡沫。

在创投圈，叙事常比代码更有价值。当“大语言模型”竞争格局既定，OpenAI、Google等占据基础模型市场，后来者及垂直应用开发者急需新故事吸引投资。

“视频生成模型”听来仅是工具软件，天花板有限；但一旦更名为“世界模型”，瞬间提升至AGI高度。

这也是当前AI时代有趣现象：科研人员大规模投身创业，学术与商业界限模糊。

在纯粹科研世界，所有创新须基于严谨公理。若要解决问题（如实现AGI），首先需精确定义问题。然而，当实验室变为公司，学术领袖成为CEO，原本局限于期刊的“定义之争”便进入商业领域。

在科研中，不同路线可共存；但在创业公司，资源有限，若A定义正确，B公司的数十亿投入可能付诸东流，一个定义差异，对应数亿算力投入方向、产业链备货、投资人价值重估。

而当我们抛开定义争夺与炒作，世界模型的兴起，亦如一场“反LLM中心主义”运动。

整个AI行业对大语言模型（LLM）产生集体技术焦虑。此焦虑源于LLM先天缺陷：它“离身”（Disembodied）。LLM在纯文本符号系统中训练，知“苹果”一词常与“红色”、“甜”关联，但从未真正“看见”苹果，也无法理解苹果掉落的重力加速度，更遑论随数据规模扩大，AI提升边际效益递减。

无论Ilya Sutskever离职OpenAI后强调的“超越大模型”，还是李飞飞提出的“空间智能”，核心在于一点：AI需从学习“人类语言”转向学习“世界事件”。行业正从单纯文本处理转向物理现实模拟与交互，因众人意识到，通往AGI的最后拼图不在互联网文本数据，而在真实物理世界。

只愿在世界模型真正诞生前，这一术语不被滥用。