"世界模型"已经成为人工智能领域最受关注的概念之一。从基于模型的强化学习、视频生成，到具身机器人，再到更宏大的"物理 AI"（Physical AI），各个子领域的研究者都在构建自己称之为"世界模型"的系统。连普通消费者也开始在各种场合听到这个词。
但一个尴尬的现实是：即便在学术界，"世界模型"的定义和内部架构至今没有共识。所以，本文结合最新的前沿研究，尝试回答三个基础问题：世界模型是什么？有哪些种类？能干什么？
起源：1943 年的一个洞见世界模型并不是新概念。早在 1943 年，心理学家克雷克（Craik）就提出：生物体之所以能够生存和繁衍，是因为大脑中构建了物理世界的"工作模型"。
这个洞见的关键在于——生物不必事事依赖缓慢的、反复试错的物理交互。大脑可以在内部模拟假设场景、预测候选行动的结果、预先计算最优策略。这正是今天"世界模型"的思想雏形：先在脑子里把世界"跑一遍"，再去行动。
如今，这一思想被广泛应用于自动驾驶、人形机器人等具身智能和计算机视觉领域。
分类：李飞飞的"功能三分法"面对众说纷纭的定义，被称为"AI 教母"的李飞飞近期提出了一个功能分类法（世界模型的功能分类 - 李飞飞最新文章），把世界模型按输出能力分为三类：
- 渲染器（Renderer）：生成视频，把内部世界"画"出来；
- 模拟器（Simulator）：预测状态转换，回答"接下来会发生什么"；
- 规划器（Planner）：直接产生动作，指导智能体行动。
这个分类的价值在于统一了"世界模型能输出什么"的语言。但要注意它的局限：它只规定了输出和用途，没有回答世界模型内部是什么、如何运作、架构长什么样。这正是下一个争论的起点。四、路线之争：像素重建，还是潜空间预测？
关于世界模型的内部构建方法，目前仍是百家争鸣，最有代表性的是两派：
- 李飞飞的世界实验室认为，世界模型是一个统一的内部模型，可以根据不同的查询接口，解码为 RGB 像素、状态向量或候选动作建议——一个模型，多种出口。
- 以 LeCun 为首的 JEPA 学派（世界模型 V-JEPA杀入辅助驾驶应用，准备颠覆物理人工智能。）则认为，生成式的像素级重建从来不是正确的目标：在潜在空间中做预测就足够了，逐像素重建会把宝贵的表征容量浪费在无关的光度细节上。
两派其实有一个共同的底层认知，可以类比大语言模型：LLM 的成功本质上是对人类语言知识的压缩；而世界模型的核心目标，是对真实世界物理规律（感官观测与智能体动作的联合分布）的压缩。哪天世界模型成功了，就意味着物理世界的知识被压缩进了模型。
争论的焦点因此可以概括为一句话：世界该怎么表示、压缩到什么程度。精确的像素级重建不是终极目标，目前世界模型落地的关键是为下游应用保留足够的有效信息——难点就在于高保真物理细节与有损压缩的抽象语义之间的平衡。
数据决定上限：互联网视频是最大的宝藏LLM 时代已经证明：数据是 AI 能力的上限。这条规律在物理世界同样成立——在架构和算力固定的情况下，决定泛化能力上限的是训练数据所代表的物理经验的多样性；架构和算力只影响逼近上限的效率，无法抬高上限本身。
问题是，机器人和自动驾驶硬件自己采集的数据，规模和多样性都远远不够。目前唯一能满足需求的数据源是开放互联网：数千亿量级的图像、视频和文本。
其中互联网视频尤其关键。日常视频的原始像素流里，隐式地编码着支配物理现实的基础先验信息：
- 物体恒存性（物体离开视野后依然存在）；
- 刚体与可变形材料的区别；
- 运动和交互的运动学限制；
- 光照与阴影的时间动态；
- 遮挡与解除遮挡的因果逻辑；
- 类人行为和交互的结构化先验。
但这些知识"潜藏在未标注的像素中"，无法直接访问。所以主流做法是一条两段式流水线：
先用自动过滤和标注，从海量网络视频中释放隐含的物理知识，撑起泛化上限；再通过精炼筛选，去除无关视觉内容、合成标准化的动作表征，只保留对机器人有物理意义的运动和交互信号，让模型高效收敛到具身任务，同时不丢失从数十亿视频中学到的广泛物理先验。这套逻辑与 LLM 的训练逻辑一脉相承。
综合上述讨论，可以就世界模型给出一个工作定义：世界模型是对物理世界状态转换过程的压缩建模，其构建受到有限计算资源的约束。
在计算约束下，通用的物理世界模型天然具有三个特性：
- 全模态：不局限于文本或视觉，必须能对所有感知模态建模，形成统一的潜在表征；
- 多维异步：现实中各类传感器以不同频率采样，模型必须能处理多维、异步（多频）的序列数据；
- 局部性：智能体的感知受限于资源，只能观察局部区域，外部世界不断对局部施加干预——因此建模问题通常被形式化为部分可观测马尔可夫决策过程（POMDP）。
这个定义还带来一个范式转变。现有多数模型回答的问题是"给定当前观察，接下来会发生什么？"；而真正的物理世界模型要回答的是"正在发生什么、为什么发生、将会发生什么？"——这需要认知推理：识别系统的离散运行状态、划清正常与异常的边界、追溯系统演化至今的因果轨迹。
为什么这很重要？因为物理世界与数字世界有本质差异：数字数据一旦生成就永久可读，多年前训练的语言模型至今还能回答量子力学问题；而物理系统本质上是非平稳的、不断变化的，最关键的事件（如安全故障、罕见故障模式）可能从未出现在静态训练语料中。
这就是静态世界模型注定难以应对物理世界的原因——我们需要的是能基于通用表征、针对具体应用自主实时做本地化调整、且在新模态接入时不崩溃的自洽动态系统。
两种视角：理解的工具 vs 预测的工具学界看待世界模型还有两种互补的视角：
作为理解工具：把感觉数据压缩成稳定的内部表征，揭示解释当前情况所需的实体、关系和机制。预测在这里主要充当训练信号，逼迫表征学到正确的潜在结构。早期深度世界模型（如 Ha & Schmidhuber 2018）正是这种思路。
作为预测工具：价值取决于前瞻能力——预测世界如何演化、生成候选未来场景、支撑规划决策。LeCun 的自主智能框架把预测性世界模型放在推理与行动的核心，Sora 这类大规模视频生成器则是这种解释在"可观察未来"层面的代表。
在此基础上，世界行动模型（WAM）把预测和行动打通：它可以用显式的未来视频推理（视觉规划）、用紧凑的潜在轨迹推理，或用光流、3D 点流、RGB-D 轨迹等结构化空间表征推理。在李飞飞的世界模型功能轴上，WAM 主要是规划器，但通常兼具模拟器功能——因为未来状态预测本身就是动作生成的组成部分，而非辅助手段。
如果将当前主流的世界模型进行分类，可以整理出以下图片：
前面的讨论都围绕日常物理环境——机器人、车辆、可操作物体。那么这套框架能迁移到科学研究吗？答案是肯定的，因为基本范式不变，始终是三要素：系统的状态、可获取的观测、可实施的干预。落到各学科：
化学：状态是分子种类、结构与反应进程；观测是光谱、色谱、产率；干预是实验中的受控操作。
生物学：状态涵盖分子网络到生物体的多尺度过程；干预包括基因扰动、药物给药。
天文学：状态无法直接获得，只能靠仪器间接观测；"规划"体现为目标、仪器与观测计划的选择。
事实上，现有科学模型已经部分体现了这一表述：气象领域的 GraphCast 学习全球大气状态的自回归转换模型来做中期预报——它是一个结构化的科学模拟器，例如当前台风来临的预测，但它还不是智能体世界模型，因为它不选择干预、也没有形成"预测—行动"闭环；分子尺度的 MDGen 学习分子动力学轨迹的生成模型，但同样不构成完整的实验规划系统。
一个完整的智能体科学世界模型还应更进一步：不只生成看似合理的测量结果，而要捕捉机制、遵循物理约束与不变量、量化自身不确定性、支持反事实干预，并把这些能力纳入实验闭环——提出假设、预测结果、执行实验、根据新证据更新内部状态。
结语如果总结下世界模型是什么，我们可以把全文压缩成三句话：
世界模型是什么——在有限算力约束下，对物理世界状态转换的压缩建模；它不只预测像素，而是包含潜在状态、观测形成和行动条件动力学的内部模拟器。
它靠什么成长——数据多样性决定泛化上限，互联网视频是目前唯一够格的物理先验来源，当然还需要按照LLM模型的训练方法论来训练，我们后续文章分享。
它要去哪里——从回答"接下来会发生什么"，走向回答"正在发生什么、为什么、将会怎样"；从机器人和自动驾驶，走向化学、生物、天文的科学发现闭环。
最后，关注Vehicle,后续我们还将有文章深入探讨世界模型的关键技术与架构。
参考资料以及图片
- Understanding World or Predicting Future? A Comprehensive Survey of World Models JINGTAO DING∗ , YUNKE ZHANG∗ , YU SHANG∗ , JIE FENG∗ , YUHENG ZHANG† , ZEFANG ZONG† , YUAN YUAN† , HONGYUAN SU† , NIAN LI† , JINGHUA PIAO† , YUCHENG DENG, NICHOLAS SUKIENNIK, CHEN GAO, FENGLI XU, YONG LI, Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, China。
- A Definition and Roadmap for World Models Physical Intelligence Team, Shanghai AI Laboratory
