引言：会说话不等于懂世界

大语言模型在 2026 年已经能写诗、编程、做长程推理，但一个尖锐的批评始终存在：它们"精通语言，却不懂世界"。模型可以把"水往低处流"写得头头是道，却无法在内部表征中预测一杯水倒下后的运动轨迹；可以回答"苹果熟了会掉下来"，却对物体遮挡、碰撞、重力这些物理常识缺乏任何可验证的内部模拟。语言智能与物理智能之间的这条鸿沟，正是"世界模型"这一概念重新成为研究焦点的根本原因——人们希望 AI 不仅会"说"，更会"想"。

世界模型（World Model）的目标，是让 AI 在内部建立一个关于外部世界的可预测表征：一个可以被想象、被回放、被反事实推演的环境模拟器。本文从概念定义出发，分析视频预测为何成为世界模型的核心训练信号，梳理其在机器人与自动驾驶中的落地路径，讨论与 LLM 结合的多模态进路，并尝试回答一个开放问题：到 2030 年，世界模型会收敛为统一架构，还是继续分化为各垂直领域的专用系统。

什么是世界模型：内部模拟器

世界模型的思想源头可以追溯到认知科学中的"心智模型"：人类之所以能在不实际执行的情况下预判结果，是因为大脑维护着一套对世界运转规律的内化近似。1990 年代，强化学习领域开始用"环境模型"（environment model）做规划；2018 年，Ha 与 Schmidhuber 发表的《World Models》首次系统展示了"压缩表征 + 预测网络 + 控制器"的三段式结构，让智能体在迷宫中"在想象中"训练，被视为现代世界模型研究的里程碑。

把不同时期的定义放到一起，世界模型可以拆成三个层次。第一层是感知表征：把高维、冗余的感官输入压缩为低维、结构化的状态描述。第二层是动力学模型：给定当前状态与动作，预测下一状态，即对"变化规律"的建模。第三层是反事实推演：在表征空间中想象"如果没有发生 A，会怎样"，这是规划、决策与因果理解的共同基础。三个层次层层递进，而当前研究的分歧恰恰在于：究竟应该用什么样的架构与训练目标，才能同时得到这三层能力。

需要澄清一个常见的误解：世界模型不等于"视频生成模型"。视频生成模型能输出逼真画面，但它学到的是数据的统计分布，而非可验证的因果机制——"生成一段落地的视频"和"在内部表征中预测物体落地后的位置"是两件不同的事。但二者又存在深刻关联：视频是外部世界最丰富的无标注投影，视频预测因此成为通往世界模型最有希望的训练信号之一。

视频预测：世界模型的训练信号

世界模型最缺的不是架构，而是数据。真实世界的物理交互数据（机器人操作、自动驾驶）昂贵且稀缺，而互联网上存在海量的自然视频——它们是物理世界因果规律的免费投影。视频预测任务的逻辑因此非常直接：让模型看一段视频的前几帧，预测后续帧；要预测得准，模型就必须学会"物体如何运动""遮挡如何变化""光照如何流动"——这些正是物理常识的隐式表达。

这一思路与视频生成的技术进展形成了正反馈。DiT 架构让视频模型具备了与语言模型相当的扩展性，首尾帧控制、运镜控制等可控生成技术则让"条件预测"成为现实——从某种意义上说，一个能稳定完成首尾帧插值的视频模型，就是一个初级的"给定起止状态推演中间过程"的世界模型。据昆仑镜 AI 中心模型库（2026-08 验证），可灵 2.1 的中文/质量/速度能力分为 93/95/85，通义万相 2.5 为 95/90/88，Runway Gen-4 为 82/93/84——这些数据说明视频生成在"画面质量"维度已经相当成熟，但必须清醒认识到：生成质量的提升不等于物理正确性的提升。模型可以完美复现"水花四溅"的视觉模式，却不知道水是不可压缩的流体。视频预测提供的是规模化的训练信号，而非现成的物理知识——如何从统计相关性中蒸馏出因果结构，仍是未解的核心难题。

具身智能：机器人、自动驾驶的试验场

世界模型最现实的价值，体现在与物理世界直接交互的具身智能系统中。

在机器人领域，世界模型承担三重角色。一是操作预测：给定机械臂当前状态与目标，预测抓取、堆叠、插拔等动作的后续物理过程，从而在想象中筛选可行方案，减少真实试错成本。二是导航规划：在表征空间中模拟路径与障碍交互，而不是依赖逐帧重规划的昂贵管线。三是技能泛化：世界模型提供对"物体行为"的通用理解，使机器人面对未见过的物体组合时，能迁移已有技能。当前的主流路线是用真实操作数据微调大规模视频模型，让模型从"看视频"升级为"懂操作"——但真实机器人数据的获取成本，制约着这条路径的扩展速度。

自动驾驶则是世界模型商业化最清晰、竞争最激烈的场景。业界普遍将"可预测的驾驶环境"视为 L4 级系统的必要能力：不仅要感知当前道路，还要预测行人、车辆的下一秒行为。占用网络（occupancy network）与轨迹预测网络已广泛上车，它们本质上是"局部世界模型"——只建模可见区域的状态演化。争议在于，是否需要用"端到端的世界模型"替代"感知—预测—规划"的分层架构：支持者认为统一表征能减少信息损失、提升长尾场景的鲁棒性，反对者则指出世界模型的预测误差会在决策链路中被放大，可解释性与安全验证更加困难。这场争论短期内不会结束，但它已经把"世界模型"从学术概念变成了量产车的选型议题。

与 LLM 结合：多模态世界模型的进路

2026 年的一个显著趋势，是世界模型与 LLM 的相互靠拢，存在两条方向相反的进路。

第一条是"LLM 内建世界模型"：研究者发现，当语言模型规模足够大、训练数据足够丰富时，会涌现出一定的物理直觉——例如在问答中正确推理"球滚下坡后会减速"。支持者认为，语言本身就是世界的高度抽象编码，LLM 可以在符号层面完成因果推理，无需显式的物理模拟。但批评者指出，语言层面的"正确"往往是训练数据的统计巧合，模型无法区分"真实物理规律"与"文本中常见的表述"，这正是 LLM 在物理常识问答中表现不稳的根源。

第二条是"LLM 作为接口，外部世界模型作为引擎"：语言模型负责理解意图、分解任务、组织语言输出，而把"想象物理过程"这类计算委托给专用的视频/动力学世界模型。这条进路在工程上更稳妥，也催生了多模态世界模型的研究方向——用统一架构同时处理文本、图像、视频与动作序列，让语言负责抽象推理、视觉预测负责具象推演，二者各司其职。一个有力的论据是：人类在规划时既使用语言式思维，也使用心理意象（mental imagery），两种表征并存而非互斥。多模态世界模型的终极形态，或许是让"想"与"看"共享同一套内部状态。

挑战与开放问题

把愿景翻译成工程，世界模型面临四组硬约束。

数据是第一个瓶颈。物理交互数据稀缺且获取昂贵，视频数据虽海量但缺乏动作标签与因果标注，"从看中学"能走多远尚无定论。评估是第二个瓶颈：我们至今缺乏衡量"模型是否真正理解物理"的可信指标——生成视频的 FVD 分数只衡量画面相似度，不衡量物理正确性；一个能预测"苹果下落"却对"苹果碰撞反弹"完全错误的模型，可能在现有指标上得分很高。可验证的物理一致性评估，是当前最被低估的研究缺口。

算力是第三个瓶颈：训练具备长期记忆与反事实推演能力的世界模型，计算需求可能远超同等规模的语言模型，这会把世界模型研究限制在少数头部机构。理论是第四个瓶颈：统计学习与因果结构之间没有现成的桥梁，如何从相关性中提取因果机制，是机器学习尚未解决的元问题——世界模型恰恰把这个问题推到了台前。

2026-2030：收敛还是分岔

展望未来五年，我的判断是：世界模型不会以单一统一架构的形式突然出现，而是沿着三条曲线渐进收敛。第一条是视频生成曲线的延伸：随着长时程一致性与物理真实感逐步改善，视频模型会越来越像"隐式世界模型"，并在影视预演、虚拟环境合成等场景先商业化。第二条是自动驾驶曲线的延伸：量产车的局部世界模型会越来越强，L4 的落地节奏将直接决定世界模型资本化的速度。第三条是具身智能曲线的延伸：人形机器人对操作预测与技能泛化的刚需，会倒逼"视频预测 + 真实交互数据"的混合训练范式成熟。

三条曲线最终指向同一个问题：能否用一套统一表征，同时支撑"想象""预测"与"行动"？我的观点是，这一目标在 2030 年前更可能以"多模态世界模型 + 语言抽象层"的分工形态实现，而非端到端的单一模型——原因很简单：物理世界的复杂度远超语言世界，而统一的代价往往是可解释性与安全验证的丧失。世界模型的价值不在于"看起来全能"，而在于它让 AI 第一次有了可以检验的"对世界的理解"。这条路的终点，或许正是具身智能与语言智能合流之处——而那时，"懂世界"将不再是一句修辞。