世界模型為何如此紛繁復(fù)雜？

世界模型，已如現(xiàn)實世界般紛亂。

OpenAI稱Sora生成的視頻是“世界模擬器”；楊立昆（Yann LeCun）則認(rèn)為Sora是像素幻覺，真正的世界模型應(yīng)是“預(yù)測未來的抽象大腦”；谷歌DeepMind表示Genie3是“可交互的通用世界模型”；李飛飛提出“空間智能”才是正確方向。

現(xiàn)實世界唯一且客觀，但AI領(lǐng)域中，似乎人人都在打造自己的“世界模型”。

盡管定義差異巨大，這些爭論不休的大佬們在一個基本判斷上達成共識：大語言模型終將遇到瓶頸，世界模型是通往AGI的必經(jīng)之路。

大語言模型在GPT-3.5后經(jīng)歷了參數(shù)膨脹，而世界模型在技術(shù)路線收斂前，先出現(xiàn)了概念膨脹。

世界模型成筐，萬物皆可裝入

“世界模型”的混亂，根源在于它是一種目標(biāo)——讓AI具備理解外部世界規(guī)律、預(yù)測世界變化的能力，而非具體技術(shù)路徑。

最先混亂的是概念。

世界模型的思想最早可追溯至1943年認(rèn)知科學(xué)家Kenneth Craik提出的“心智模型（Mental Model）”，即大腦通過構(gòu)建外部世界的微縮模型進行預(yù)測，能處理當(dāng)前信息并預(yù)測“若這樣做，世界會怎樣”。

該理論雖在20世紀(jì)90年代被引入強化學(xué)習(xí)，但真正讓它在現(xiàn)代AI領(lǐng)域立足的是Jürgen Schmidhuber等人2018年發(fā)表的論文《Recurrent World Models Facilitate Policy Evolution》。這篇論文首次系統(tǒng)定義了神經(jīng)網(wǎng)絡(luò)世界模型框架，當(dāng)時它由視覺組件（VAE）、記憶組件（RNN）和控制器構(gòu)成，在簡單賽車游戲和二維類射擊游戲中訓(xùn)練。

七年過去，隨著大語言模型爆發(fā)，對通用人工智能的渴望讓這一概念在近兩年快速繁衍。

Yann LeCun在2022年提出以世界模型為核心的“自主智能”，強調(diào)通過模塊化設(shè)計和自監(jiān)督學(xué)習(xí)獲取抽象表征，并在2023年、2024年先后推出I-JEPA、V-JEPA預(yù)測模型。

李飛飛在2024年提出“空間智能”理念，創(chuàng)辦World Labs，發(fā)布Marble，主張世界模型必須具備生成可交互3D環(huán)境的物理一致性能力，“對我而言，空間智能是創(chuàng)造、推理、互動、理解深刻空間世界的能力，無論是二維、三維還是四維，包括動態(tài)等所有方面?！?/p>

甚至OpenAI前首席科學(xué)家Ilya Sutskever提到的“壓縮即智能”，本質(zhì)上也認(rèn)為只要能無損壓縮預(yù)測下一個token（無論是文本還是像素），模型內(nèi)部就構(gòu)建了世界映射。

一個抽象概念，衍生出更多抽象概念。

若拋開定義爭論，從技術(shù)方向看，當(dāng)前世界模型主要分為兩大流派，對應(yīng)兩種不同世界觀：表征派（Representation）與生成派（Generation）。

Yann LeCun是“表征派”，這是一條不產(chǎn)生畫面的極簡路線。

類比人腦中的心智模型，我們對世界的預(yù)測和行動往往是直覺，而非物理公式或具體畫面?；诖?，LeCun的世界模型是深藏在系統(tǒng)后端的“大腦”，僅在表征處理后的潛在空間運作，預(yù)測“抽象狀態(tài)”。

在這條推文中，LeCun明確定義世界模型需同時輸入四個變量：對先前世界狀態(tài)的預(yù)估s(t)、當(dāng)前觀察x(t)、當(dāng)前動作a(t)、潛在變量z(t)，結(jié)合這四個變量預(yù)測下一時刻世界狀態(tài)s(t+1)。

這個定義有兩個關(guān)鍵點：一是世界模型預(yù)測下一刻的“狀態(tài)”而非畫面；二是能針對連續(xù)動作交互進行因果推斷。

比如一輛車開過來，它不會在腦海里畫出車牌號和反光，只會計算出“障礙物靠近”這一狀態(tài)。這種模型不為給人看，只為給機器做決策，追求邏輯上的因果推演，而非視覺逼真。LeCun提出的I-JEPA和V-JEPA，都摒棄了生成式AI“預(yù)測每一個像素”的做法，畢竟現(xiàn)實世界充滿不可預(yù)測的噪音（如樹葉紋理），AI不應(yīng)浪費算力生成這些細(xì)節(jié)。

第二大流派是目前聲量最大的“生成派”，與Yann LeCun最核心的區(qū)別在于，他們要重建、模擬視覺世界。

這一派常引用物理學(xué)家Richard Feynman的名言：“我若無法創(chuàng)造，便不能理解?！奔粗灰Ｐ湍苌烧_世界，就證明它懂了世界物理規(guī)律。

2024年初，OpenAI介紹Sora時提到它是世界模擬器。OpenAI認(rèn)為，只要數(shù)據(jù)量足夠大，模型就能通過預(yù)測下一幀像素，涌現(xiàn)出對物理規(guī)律的理解。通過學(xué)習(xí)數(shù)十億視頻片段，它記住了“人走路時腿會交替”“玻璃杯掉落會破碎”的概率分布。

Sora作為世界模型爭議很大，最直接的一點是它無法回應(yīng)LeCun關(guān)于動作與世界狀態(tài)的因果律——如果模型只能像放電影一樣生成視頻，而不能回答“如果我踢了這個球，它會怎么飛”這樣的動作交互問題，那它可能只是記住了“球飛行的軌跡概率”，而非理解了“力學(xué)定律”。

那么，如果視頻生成能根據(jù)用戶動作輸入實時預(yù)測下一幀呢？

于是，生成派衍生出更進階的形態(tài)：互動式生成視頻（Interactive Generative Video），例如Genie3。

和Sora不同，IGV的區(qū)別在于實時性、可交互性，即有了動作（Action）。谷歌DeepMind發(fā)布的Genie 3，明確定位為「通用目的世界模型」。它允許用戶進入場景并互動，支持生成720p分辨率、24fps幀率的實時畫面。用戶可自由導(dǎo)航，比如以第一人稱視角駕駛或探索復(fù)雜地形。這意味著模型不僅理解畫面，還理解了動作與環(huán)境變化的因果關(guān)系，盡管目前動作僅限于方向按鍵的上下左右。

最后是李飛飛主張的“3D空間智能（Spatial Intelligence）”，以World Labs發(fā)布的Marble為最新代表。

如果說前兩者是處理視頻流，那么Marble則試圖從底層構(gòu)建一個持久、可下載的3D環(huán)境。

這條路線的技術(shù)底座更接近“3D高斯?jié)姙R（3D Gaussian Splatting）”。它不依賴傳統(tǒng)網(wǎng)格建模，而是將世界表征為成千上萬個漂浮在空間中的彩色模糊小斑點（高斯體）。通過這些微粒聚合，模型能渲染出精美的三維畫面，允許用戶通過提示詞生成、利用內(nèi)置編輯器自由改造，支持一鍵導(dǎo)出到Unity等引擎中。

盡管Marble現(xiàn)在離李飛飛提到的空間智能還很遠(yuǎn)，但能看出她認(rèn)為達到空間智能的第一步，是先建立一個高精度、物理準(zhǔn)確的3D空間?？梢钥偨Y(jié)：區(qū)別于Sora，Marble生成的是符合物理規(guī)律的3D世界；區(qū)別于Genie3，Marble不是實時生成的世界，但精度和還原度更高。

但這些路線的成果，都未達到各自期待的世界模型模樣，甚至彼此吵得不可開交，也都有一批擁護者，這導(dǎo)致“世界模型”的概念外延被無限擴大。

如今，凡是涉及環(huán)境理解與模擬的上下游工程，不管是具身智能、自動駕駛、游戲視頻等結(jié)構(gòu)化垂直領(lǐng)域，還是生成式視頻、多模態(tài)模型、視頻理解、3D模型等技術(shù)，甚至做視覺信息壓縮的DeepSeek OCR，全都主動或被動地和世界模型掛上了鉤。

世界模型越來越像一個筐，啥都能往里裝了。

有泡沫也有野心，世界模型是“反LLM中心”敘事

如果僅是技術(shù)路線不同，不足以解釋為何“世界模型”會在今年井噴。熱潮背后，交織著資本焦慮、技術(shù)瓶頸以及對AGI的渴望。

我們必須先承認(rèn)，這里面有巨大泡沫成分。

在創(chuàng)投圈，敘事往往比代碼更值錢。當(dāng)“大語言模型”競爭格局已定，OpenAI、Google等瓜分基礎(chǔ)模型天下，后來者和垂直應(yīng)用開發(fā)者急需新故事打動投資人。

“視頻生成模型”聽起來就是工具軟件，天花板有限；但一旦改名叫“世界模型”，瞬間就上升到AGI高度。

這也是當(dāng)下AI時代一個有趣現(xiàn)象：科研人員大規(guī)模下場創(chuàng)辦公司，學(xué)術(shù)與商業(yè)發(fā)生重疊。

在純粹科研世界里，所有創(chuàng)新都必須建立在嚴(yán)謹(jǐn)公理之上。若要解決一個問題（如實現(xiàn)AGI），首先必須精準(zhǔn)定義這個問題。然而，當(dāng)Lab變成Company，學(xué)術(shù)大佬變成CEO，這種原本局限在期刊里的“定義之爭”，就被拋到了商業(yè)世界。

在科研中，不同路線可以共存；但在創(chuàng)業(yè)公司中，資源有限，如果A定義是對的，B公司的幾十億投入可能就打了水漂，一個定義的差異，對應(yīng)的卻是數(shù)以億計的算力投入方向、上下游產(chǎn)業(yè)鏈備貨、投資人價值重構(gòu)。

而當(dāng)我們拋開定義爭奪和炒作，世界模型的興起，也像是一場“反LLM中心主義”運動。

整個AI行業(yè)對大語言模型（LLM）產(chǎn)生了集體性技術(shù)焦慮。這種焦慮源于LLM的先天缺陷：它是“離身”（Disembodied）的。LLM在純文本符號系統(tǒng)中訓(xùn)練，知道“蘋果”這個詞和“紅色”“甜”經(jīng)常一起出現(xiàn)，但從未真正“看見”過蘋果，也無法理解蘋果掉在地上的重力加速度，更別提隨著數(shù)據(jù)規(guī)模擴大，AI提升的邊際效益正在遞減。

無論是Ilya Sutskever離職OpenAI后強調(diào)的“超越大模型”，還是李飛飛提出的“空間智能”，核心都在于一點：AI需要從學(xué)習(xí)“人類說的話”，轉(zhuǎn)向?qū)W習(xí)“世界發(fā)生的事”。行業(yè)正在從單純文本處理，轉(zhuǎn)向?qū)ξ锢憩F(xiàn)實的模擬與交互，因為大家都意識到，通往AGI的最后一塊拼圖，不在互聯(lián)網(wǎng)文本數(shù)據(jù)里，而在真實物理世界中。

只是希望在世界模型真正出現(xiàn)之前，這個詞不要先被玩壞了。

本文來自微信公眾號“硅星GenAI”，作者：黃小藝，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com