2026年，世界模型突然变得拥挤。但当时钟跳到下半年，行业开始出现一个微妙变化：大家不再只忙着证明自己能够生成一个世界，而开始证明这个世界到底能不能被使用。
9月1日，李飞飞创办的World Labs发布Atlas。与此前主要从图片生成可漫游场景的Marble不同，Atlas从头预训练，将文本、图像、视频和3D放进同一个spatial context中。它既能生成，也能重建，还试图模拟世界如何演化。World Labs给它的定义是一个 “omni world model”——一套同时承担生成、重建和模拟任务的统一模型。
另一条更值得注意的变化发生在评测端。8月，Odyssey发布CaliBench，开始直接追问一个过去很少出现在视频生成评测里的问题：World Model是否真的符合物理规律？此前它还连续推出多智能体世界模型Agora-1、实时多模态模型Starchild-1和面向探索学习的PROWL-1。行业的关注点迅速移向“状态是不是稳定、动作有没有真正改变未来、模拟出来的物理过程能不能被校准”。
同样的变化也出现在商业化上。Decart今年发布Oasis 3后，已经把world model直接推向自动驾驶模拟：模型可以实时生成可交互的驾驶环境，并通过API向开发者开放，用于构造现实世界中罕见甚至危险的长尾场景。它试图做的已经不是另一个生成工具，而是一层可以被自动驾驶和机器人程序直接调用的simulation infrastructure。
技术仍在快速试错，资本却已经提前完成第一轮定价。World Labs最新一轮估值约54亿美元，Decart约40亿美元，Odyssey 6月完成3.1亿美元B轮后估值达到14.5亿美元；Yann LeCun离开Meta后创办的AMI Labs，更以35亿美元投前估值完成10.3亿美元种子轮。仅2026年，几家相对pure-play的世界模型创业公司融资总额已经超过30亿美元。但需要指出的是，天花板级别的估值定价的是团队背景、底层路线与未来的基础设施生态卡位，而非当前的商业变现能力。绝大多数企业仍处于项目制、API调用或早期试点阶段，估值成熟度与收入落地之间的落差，成为了当下行业最显著的隐忧。
一个还没有统一定义、技术路线没有收敛的赛道，已经率先进入十亿美元估值时代，这构成了当下世界模型最鲜明的矛盾。本文，Z Potentials将从技术演进背后的核心变量出发，系统梳理中美世界模型创业图谱、六条主要技术路线及其资本进展，并进一步追问这个当红赛道的未来流向和可能性。
02 为什么是现在：世界模型爆发背后的五层变量世界模型并不是一个突然出现的新概念。从强化学习中的环境模型，到自动驾驶仿真，再到LeCun多年前提出的预测式世界模型，AI学界一直试图解决同一个问题：机器能不能在内部建立一个关于外部世界的模型，并据此预测未来？
真正发生变化的是时间点。过去两年，世界模型开始从强化学习和机器人领域的一条技术支线，快速进入Google DeepMind、Meta、NVIDIA、World Labs等头部实验室的核心路线图；与此同时，Runway、Odyssey、Decart等创业公司也开始把融资、产品和下一代模型押向这一方向。
但资本只是结果，而不是原因。世界模型在此时进入产业视野，背后实际上是几条过去彼此独立的技术曲线，第一次开始在同一个交点汇合。
第一推动力来自AI的任务正在从“理解世界”转向“预测世界”。过去十年AI最成功的一套范式，本质上都是在回答已经存在的问题。但机器人、自动驾驶乃至真正能够长期行动的Agent，需要解决的是完全不同的问题：如果我现在做这个动作，接下来会发生什么？杯子被推之后会往哪里移动？Agent打开一扇门之后，门后面的空间应该是什么样？这意味着模型不再只需要理解当前状态，还必须学习：State → Action → Next State。语言模型擅长回答“世界是什么”；世界模型试图解决的是“世界接下来会变成什么”。Google DeepMind对Genie 3的定义就非常直接：世界模型需要预测环境如何演化，以及Agent的行动将如何改变环境。Genie 3已经能够根据文本实时生成可导航环境，并保持数分钟的一致性。
第二个变量则来自视频模型正在跨过世界模拟的最低技术门槛。如果没有过去三年的视频生成模型进步，今天这轮世界模型热潮很难发生。因为视频天然包含了一种图片和文本都缺少的信息：时间。物体如何运动、人物如何行动、镜头移动之后空间如何变化、遮挡之后物体是否仍然存在——这些信息，本身就是关于世界动态规律的大规模训练数据。视频生成模型的发展实际上无意间完成了世界模型最重要的一轮基础设施建设。
两者在模型结构上可能非常接近，但目标函数不尽相同。这也是为什么今天视频生成公司和世界模型公司之间的边界越来越模糊。Runway已经明确把下一代模型定义为world models；Odyssey从交互视频向机器人和模拟扩张；Decart的Oasis 3则已经把实时生成世界首先用于自动驾驶模拟。2026年6月发布的Oasis 3，可以实时生成长时间的驾驶环境，并通过API向开发者开放。Google DeepMind的路线同样说明了这一变化。Veo解决高质量视频生成，Genie则进一步加入action conditioning和实时交互。Text-to-Video → Video Prediction → Action-conditioned Video → Interactive World可能正在成为世界模型的一条重要Scaling Path。
视频模型解决了世界模型的“生成能力”，机器人和Physical AI则第一次给它提供了足够大的需求端。原因很简单：机器人缺的不是一个更聪明的聊天机器人，而是一个可以低成本犯错的世界。现实世界的数据采集太贵。一个语言模型可以从互联网获得数万亿token，但机器人没有一个对应规模的“互联网”。更严重的问题是长尾。工厂正常搬箱子的场景可以采集一万次，但叉车突然经过、物体滑落、灯光改变、人突然闯入这样的极端情况，很难在现实世界反复制造。这直接形成了Physical AI的数据瓶颈。于是世界模型出现了一个非常现实的价值，机器人不必把所有错误都在现实世界里犯一遍，而是可以先在生成的世界里经历数百万种可能。
NVIDIA2026年推出的Cosmos 3已经把这条路线明确产品化：将视觉推理、世界生成和action prediction放进同一个Physical AI foundation model，用于机器人、自动驾驶和视觉Agent的训练。World Labs也开始将world model直接接入Real-to-Sim-to-Real，希望从现实场景重建可模拟世界，再在其中训练和评估机器人策略。其9月发布的Atlas已经原生处理文本、图像、视频、相机位姿以及3D信息。这意味着世界模型可能承担一个与语言大模型完全不同的位置：LLM是Agent的“大脑”，world model则可能成为Agent的“训练场”。甚至进一步成为它在采取行动之前进行内部推演的“想象空间”。
世界模型另外一个容易被低估的驱动力，是数据。LLM的Scaling建立在一个特殊历史条件上：互联网已经替它完成了几十年的数据生产。但对于世界模型而言，类似的数据基础设施并不存在。模型真正需要的是：长时间、连续、具有动作信息的真实世界数据。这类数据远比普通互联网视频稀缺。世界模型竞争很可能重新上演一次“大模型数据战争”，只是争夺对象从文本变成了世界轨迹（world trajectories）。甚至已经出现专门的数据公司。过去AI基础模型Scaling的基本单位是token。世界模型正在探索的，则可能是另一套Scaling：空间 × 时间 × Action。一旦这一范式成立，模型处理的不再只是“内容”，而是状态不断变化的空间。
2026年获得融资的Origin Lab，就开始帮助游戏公司把游戏交互数据出售给world-model builders。其逻辑非常直接：游戏天然包含环境状态、动作、物理反馈以及结果，因此是一种比普通视频更接近world model所需结构的数据。自动驾驶公司的历史数据、游戏公司的玩家轨迹、机器人公司的遥操作数据、AR/VR设备产生的第一视角数据，都因此突然拥有了新的价值。所以未来世界模型公司的壁垒，不仅是模型。还包括：谁拥有世界的数据。
世界模型还有一个比机器人更容易被低估的推动力：AI原生内容形态正在变化。第一代生成式AI的核心体验是：输入Prompt得到结果。这是一个静态的生成关系。Google DeepMind已经允许用户直接进入Genie 3生成的世界进行实时探索；它还可以通过Promptable World Events在运行过程中加入天气、物体和角色。这背后可能对应的是生成式AI下一轮产品范式变化：从Generative Content，走向Generative Experience。游戏、影视、教育、培训、数字人、AR/VR，甚至未来某种AI原生社交产品，都可能建立在这一能力之上。这也是为什么今天世界模型公司虽然讲的是同一个词，却最终可能形成完全不同的商业模式。
03 六条技术流派，引领下一阶段的新范式如果你在2024年问一个AI研究员世界模型是什么，他大概率会给你三个不同的答案。如果你在2026年问同一个人，他可能会给你六个，然后补一句：“但没人知道最终哪个是对的。”
世界模型正在经历一场范式演进。前四派回答的是“世界模型是什么”，探索不同的表征与预测形态；Physical AI派回答的是“世界模型如何成为产业基础设施”，推进能力的规模化落地；而Active Inference与因果派，则是试图补齐现有路线缺陷、引领下一阶段的新范式。
PS：以上图表为互联网公开信息不完全统计
1. 生成式世界模拟/Model-based RL：把视频生成推向可行动的模拟器
这条路线的本质是学习一个动作条件下的世界演化模型。给定当前状态和action，模型不只生成下一帧，而是持续预测“做了这个动作以后，世界会怎样变化”。它与普通视频生成最大的差异，不是画面更逼真，而是生成结果必须受action控制，并在连续交互中保持一致性。Model-based RL则进一步把dynamics model接入reward、policy和planning，让Agent先在内部“想象”不同动作的后果，再决定真正执行哪个。
目前，这一方向已从生成视频进入实时交互世界阶段。Google DeepMind的Genie 3可根据文本生成可实时探索的环境，达到720p、24fps，并保持数分钟的一致性交互；2026年5月，Google又把Project Genie与Street View结合，让生成世界锚定真实地点。
PS：以上图表为互联网公开信息不完全统计
这也是目前世界模型中资本最热、产品形态也最直观的一条路线，竞争指标从清晰度、美学和prompt following，转向action fidelity、长时一致性、实时生成以及物理规律是否可信。这条路线的核心挑战第一是长时一致性，Genie 3仍把连续交互能力描述为“几分钟”，离数小时甚至持续存在的世界还有很远。第二是action fidelity：生成一个视觉合理的未来，并不意味着这个未来真的由输入action导致；一旦动作与结果之间的对应关系不准确，它就很难成为机器人真正可信的simulator。第三是计算成本，实时生成高分辨率、长时序、多视角世界，比普通视频生成昂贵得多。
2. 潜空间预测派：不预测所有像素，只预测“世界真正重要的状态”
JEPA路线与生成式路线最大的思想差异在于——世界并不需要被逐像素重建。Yann LeCun一直强调，人类预测世界时不会预测树叶的每一个像素变化，而会形成更加抽象的内部状态。因此JEPA的核心，是先将观察编码成latent representation，再预测这个latent space中“重要的信息”如何变化，而不是直接生成完整画面。
这条路线最大的优势是效率与抽象能力。Meta 2025年推出的V-JEPA 2已从纯视觉表征推进到机器人规划：模型首先使用大量普通视频进行无监督预训练，再使用仅62小时的DROID机器人数据进行action-conditioned训练，随后能在新环境中执行reaching、grasping、pick-and-place等任务。Meta将其定位为一个可以完成understanding、prediction和planning的world model。这里出现了一条非常重要的Scaling路线：Internet Video → Latent World Representation → 少量Robot Data → Planning。这与“必须获得海量机器人数据才能训练机器人”的主流思路形成明显差异。
PS：以上图表为互联网公开信息不完全统计
这条路线的核心挑战在于，第一，latent representation是否真的包含完成复杂任务所需要的所有物理信息，目前很难证明；一个representation很适合预测，并不意味着它天然适合manipulation。第二，latent state的可解释性较弱，很难知道模型究竟学到了“物体、力、摩擦、关系”，还是只是非常复杂的统计特征。第三，它在长时规划和复杂多步骤任务上的能力不及预期。
3. 空间智能派：从“生成一个画面”变成“建立一个持续存在的世界”
李飞飞和World Labs代表的是另一种出发点——AI今天很擅长理解语言，但真正进入现实世界，需要建立空间的内部表征。这一派的核心并不是简单的3D generation，而是建立一个能够持续存在的spatial context：一个物体在画面外依然存在；从另一个角度观察时，它的位置、形状和关系仍然成立；用户或者机器人行动后，整个空间仍保持一致。
2026年这条路线进展非常快。World Labs在9月1日发布了新一代世界模型Atlas，从头进行multimodal pretraining，原生处理text、image、video和3D，并将它们统一进入shared spatial context；模型基于multimodal autoregressive diffusion transformer，根据已有空间上下文预测和生成后续内容，同时保持3D consistency。World Labs的路线也正在明显从“生成3D世界”扩展到机器人。2026年它提出Real-to-Sim-to-Real：把真实世界转换成可控模拟世界，在模拟世界中训练机器人，再迁移回现实。这意味着空间智能、世界生成和robotics simulation正开始汇流。
挑战在于Geometry并不等于Physics。一个模型可以很好地理解“杯子在哪里”“桌子是什么形状”，但这并不意味着它知道杯子质量多大、摩擦系数是多少、推多大力会滑动多少距离。换句话说：3D reconstruction → Spatial understanding → Physical simulation，中间还有非常大的鸿沟。
空间智能派下一阶段最关键的问题，是让空间表示真正成为机器人planning和interaction的底层状态。
PS：以上图表为互联网公开信息不完全统计
4. Physical AI Foundation Model：世界模型开始变成机器人的“基础设施层”
这是目前中美资本最密集、同时也是中国公司最多的一派。这一派严格来说和前面几派不是完全平级。前面几条更多讨论：世界应该怎么表示、怎么预测。Physical AI Foundation Model讨论的是：如何把这些能力规模化，成为机器人、自动驾驶和智能设备可以共同使用的基础模型与数据基础设施。
NVIDIA Cosmos是目前最典型的路线。它并不是只训练一个生成模型，而是试图建立完整的Physical AI Stack：world generation、reasoning、action prediction、synthetic data、post-training和evaluation。2026年5月发布的Cosmos 3是一个明显节点。NVIDIA使用Mixture-of-Transformers，将vision-language reasoning tower与diffusion generation tower放进统一架构，使一个模型能够同时处理视觉推理、world simulation和action generation；Cosmos 3同时支持text、image、video、ambient sound和action。
这里正在出现一个很重要的产业变化：过去机器人的基础模型更接近VLM → VLA。现在开始逐渐变成VLM + World Model + Action Model。也就是机器人先理解环境，再内部simulate不同行动可能导致的未来，最后生成action。NVIDIA甚至开始直接将Cosmos 3定位成World Action Model的backbone。Waymo World Model则体现了另一个方向：world model不一定直接负责开车，而可以首先成为数据机器和测试机器。真实世界里危险、极端、罕见的场景很难大量采集，但生成式world model可以规模化创造这些场景，使机器人和自动驾驶系统提前经历“现实里还没遇到的情况”。
PS：以上图表为互联网公开信息不完全统计
这一派最大的挑战则是Sim-to-Real Gap。生成的视频看起来足够真实，不代表其物理规律足够准确；如果机器人在错误physics的世界里训练，它甚至可能学习错误策略。因此Physical AI world model最终竞争的核心是谁生成的数据，对真实世界policy improvement最有价值。
5. 因果世界模型：从“预测接下来发生什么”走向“理解为什么会发生”
这是目前六条路线里最值得作为“新变量”单独强调的一条。大部分当前世界模型，本质还是学习P(st+1|st,at)——看到这个状态、执行这个动作之后，接下来通常发生什么，但这只是correlation。因果世界模型真正希望学习的是P(Y|do(X))——如果我主动改变X，会造成什么结果？再往前一步则是counterfactual：如果刚才我没有做A，而是做B，会发生什么？
这一派希望latent space中不只是存在“压缩后的视觉token”，而是逐渐形成：Causal Variables → Causal Structure → Causal Dynamics。比如机器人抓杯子，世界模型不仅需要知道“手靠近杯子以后杯子通常会移动”，而应该理解：抓取点 + 摩擦力 + 夹爪力度 + 速度 → 是否成功拿起杯子。
Aether AI是目前这一方向非常明确的代表公司。其创始人黄碧薇长期研究causal representation learning，并把causal world model推向机器人；公司将其核心目标定义为学习latent causal variables、变量之间的结构以及action下的dynamics。2026年7月，Aether公布CD-LAM，直接针对embodied world model中一个非常现实的问题：很多模型生成的视频看起来合理，但输入action对生成结果的真实控制其实很弱。Aether将其解释为latent action中存在visual confounding；其方法尝试在训练world model前先对latent action做causal debiasing，并报告action-following error下降超过30%，同时显著降低机器人action post-training的更新次数。
另一个值得关注的方向是kausable，它将自身定义为reasoning-first causal world model，希望模型在很少数据、甚至不进行传统gradient retraining的情况下，根据新的动态系统快速建立因果模型。2026年研究界也开始出现更加直接的“Causal World Model for Robot Control”工作，例如LingBot-VA将视觉latent和action token放进统一causal sequence，并通过真实环境反馈不断重新grounding，而不是一次性open-loop rollout。
PS：以上图表为互联网公开信息不完全统计
因果路线最大的难题是，真实世界的causal variables并不会自动带标签出现。质量、摩擦、意图、接触状态等大量变量都是latent的；仅靠observational video很难区分correlation和causation，而真实intervention data又非常昂贵。
6. Active Inference：世界模型从预测环境变成主动减少自己的不确定性
Active Inference它代表的并不是又一个Video World Model，而是一个更底层的问题——智能体不只是预测世界，而应该主动决定“接下来我需要知道什么”。它 的源头不是计算机视觉，而是Karl Friston的Free Energy Principle与计算神经科学。
它与前面几派最根本的区别在于：传统world model通常假设State → Predict Future → Choose Action，而Active Inference更强调Belief → Action → Observation → Update Belief。也就是说，Agent并不知道世界的真实状态，只维持对世界的一组belief distribution。因此行动不仅是为了完成任务，也是为了获得信息。比如机器人看到桌子后面露出一个物体的一角，与其直接猜“那是什么”，它可能先移动摄像头看一眼。这个动作本身并没有直接完成任务，但降低了uncertainty。Active Inference引入了非常重要的概念：Epistemic Action——为了知道更多而行动。
PS：以上图表为互联网公开信息不完全统计
Stanhope AI是目前少数明确以Active Inference构建embodied AI的创业公司之一，其目标是让机器维护轻量级、可解释的world model，在低功耗edge device上不断更新belief，而不是依赖大规模训练数据覆盖所有情况。有意思的是，这套框架已经开始进入自动驾驶的真实系统。2026年6月，Waymo公布了与TU Delft合作的ReD（Reference Driver）模型，其中就使用Active Inference来模拟人类司机面对潜在碰撞时如何预测、判断和采取避让行动，用作Waymo Driver的安全行为基准。
Active Inference目前仍然存在明显的理论和工程鸿沟。在低维控制、机器人任务和行为建模上已有应用，但如何把belief、expected free energy等机制扩展到高维视觉世界、复杂机器人以及Foundation Model规模，仍然没有统一答案。
这一方向从belief、uncertainty、epistemic action，重新定义Agent如何认知与行动。Active Inference还处在“理论成熟、产业化很早”的阶段，中国尚未形成明显创业群。
整体来看，把六条路线放在一起，资本密度差异非常明显，首先美国的新范式创业更突出。AMI押JEPA，World Labs押Spatial Intelligence，Stanhope押Active Inference，Aether/kausable押causality。中国的创业密度更集中于Physical AI/WAM。很多公司不是从“重新定义世界表征”出发，而是从真实机器人任务倒推：现有VLA不够，就加入world prediction、simulation、latent reasoning。于是出现一批：VLA → VLA + World Model → WAM的公司。
04 跨过模型、数据、真实验证三道门槛，才能成为基础设施当下，世界模型正在经历一个关键的重心转移。过去两年这条赛道最直观的进步几乎都可以通过Demo被看到：更高清的视频、更稳定的镜头、更长的生成时长、更逼真的3D世界。但当越来越多模型都能生成“看起来像真的”世界之后，真正拉开差距的问题开始发生变化——这个世界能不能被行动改变，变化是否符合物理规律，以及模型在里面推演出的结果，究竟能不能反过来指导真实世界。
也正因为评价标准正在变化，今天看起来彼此分立的几条技术路线，长期来看反而可能走向汇合。
虽然今天世界模型还处于各自为战的阶段，Genie押视频生成，JEPA押latent representation，World Labs押3D/4D空间，Active Inference押belief和uncertainty，因果世界模型试图显式建模mechanism，而Physical AI公司则更关心最终action是否有效。表面上看，这是几套完全不同的技术信仰，但随着问题从“生成世界”进一步走向“模拟世界”，单一路线的局限也越来越明显。
纯像素模型能够生成逼真的世界，却很难提供稳定、精确的内部状态；纯latent world model计算效率更高，却很难直接观察和审计模型内部究竟发生了什么；3D/4D representation能很好地描述“东西在哪里”，却天然无法独立回答“推一下之后会发生什么”；仅仅拥有policy，又容易退化成observation到action的复杂模式匹配。
因此下一代主流world model很可能不是某一个流派赢掉其他流派，而是一次架构的汇流。真正成熟的世界模型可能不会执着于一种representation，而是根据任务同时维护多个层次的世界：看得见的世界、看不见的状态，以及可以被行动改变的未来。
所以接下来，下一阶段世界模型竞争的核心，将从Generation Quality转向Simulation Utility。真正决定行业进展速度的，可能是六个变量。第一，时间一致性。从几十秒到几十分钟、几小时，是完全不同的技术难度。第二，空间一致性。镜头离开再回来，世界还是原来的世界吗？物体有没有稳定的位置、几何与身份？第三，Action Controllability。用户或Agent的动作能否真正改变世界，而不只是控制摄像机移动？第四，物理真实性。模型有没有学到碰撞、重力、惯性、遮挡、材料等规律，而不是只生成视觉上“像真的”画面？第五，实时性与成本。如果一次世界演化需要几十秒生成，它仍然更接近视频模型；只有延迟降到实时交互级别，新的产品形态才会真正出现。第六，也是最难的一项，是Sim-to-Real：模型在虚拟世界里学会的能力，能不能真正迁移到现实世界？
为支撑这一转变，模型的输入模态也要从传统的“文本/图像/视频”向“动作（Action）、力、触觉、声音、深度及机器人状态”扩展。模型竞争的范式，正加速从Next Frame Prediction（下一帧预测） 跨越至Next Physical State & Next Action（下一物理状态与动作） 的联合建模。
此外，另一个核心卡点是数据。真正稀缺的数据，正在从单纯的Observation变成：Observation + Action + Consequence。再往前一步，真正高价值的数据还包括失败、恢复、奖励、力、触觉、声音、深度、机器人自身状态，以及多传感器之间严格同步的时间信息。相比普通互联网视频，这些数据更难获得，却也更接近Physical AI真正需要学习的世界规律。这也是为什么游戏操作日志、自动驾驶车队、机器人真机网络和工业现场正在成为新的数据入口。它们提供的是一个更完整的闭环：状态、动作、结果，以及结果之后的继续行动。未来，谁拥有更多真实世界、可行动、可反馈的闭环experience。
世界模型还有一个核心挑战是评测错位。大量视频模型Benchmark仍然在测清晰度、文本一致性、美学、人类偏好甚至“视频像不像真的”。这些指标适合衡量生成模型，但无法回答世界模型最重要的问题：这个世界究竟是不是真的按照正确规律运行。
因此下一代world model Benchmark很可能从视觉指标转向至少四个更底层的问题：第一，Persistence。物体、位置、关系和历史状态能不能长期保持，而不是离开镜头就被“忘掉”。第二，Action Fidelity。改变action后，世界是否发生对应变化，而不是模型依然按照训练数据最常见的路径往前生成。第三，Long-horizon Rollout。几十步甚至数百步推演之后，误差是否快速累积，世界是否开始崩塌。第四，也是最关键的一项：Sim-to-Real。在这个世界里训练出来的policy，放到真实机器人之后到底有没有用。
届时最有价值的指标也会发生变化，这或许也会成为世界模型与视频生成模型真正分家的那一刻。
05 商业化：世界模型的双轨结构、四层兑现与终局分水岭从场景和商业一侧来看，虽然今天讨论世界模型时，机器人和Physical AI获得了最多关注，但真正最早形成收入的市场，有很大来自数字世界。核心场景有游戏、影视、广告、3D设计、互动娱乐、数字孪生。这些行业对“生成一个可进入、可编辑、可持续的世界”已经存在明确需求，而且容错率高、反馈周期短，更容易形成商业收入。
另一条路线则是：自动驾驶、机器人、工业simulation。这部分商业化周期明显更长，因为生成结果不能只“像”，必须经受真实物理世界验证。但一旦证明world model可以减少真机数据采集、降低危险场景测试成本、提高机器人训练效率，它所替代的就不再只是内容生产成本，而是现实世界中昂贵的数据、设备、时间与安全成本。
因此头部世界模型公司很可能出现一种有意思的“双轨结构”：左手用创意工具和数字世界获取用户、数据和现金流；右手不断把同一套模型推进机器人、自动驾驶和Physical AI。Runway、World Labs、VAST、生数等公司实际上都已经不同程度走到了这条交叉线上。最终决定公司天花板的，是能不能从Digital World跨到Physical World。这可能也是决定公司天花板的真正分水岭。
而这种“双轨结构”也意味着，世界模型的商业化不会只有一个终局，而会沿着不同层级逐步兑现。
第一类是创作工具和订阅/API。视频、3D和可交互世界模型可以直接按生成次数、算力消耗或订阅收费，这是目前最接近成熟SaaS的商业模式。Runway、生数、VAST等公司的早期商业化，本质上都可以先从这一层建立现金流。
第二类是内容生产和行业解决方案。游戏工作室、影视制作、广告、电商和设计企业并不一定直接购买一个“World Model”，而是为更快的资产生成、场景制作、互动内容和数字孪生付费。世界模型在这里首先是一种生产力工具，而不是基础设施。
第三类是Simulation-as-a-Service。到了自动驾驶、机器人和工业领域，收费对象开始从“生成内容”变成“生成训练环境和测试场景”。企业愿意付钱的核心，不再是视频质量，而是它能否减少真实数据采集和测试成本，以及能否制造现实中难以反复获取的极端、失败和危险样本。
再往后，则可能出现第四层：World Model as Infrastructure。如果一个模型能够被不同机器人、本体和行业重复调用，它就不再只是某个应用的功能，而可能成为训练、验证和决策环节共同依赖的一层基础设施。到了这一阶段，商业模式也会从按内容、按调用收费，进一步走向平台授权、企业部署和长期基础设施合同。
也正因为市场开始期待World Model从“工具”一路向“基础设施”上移，这种预期已经被资本提前计入估值。美国已经出现多家数十亿美元估值的world model创业公司，一些项目甚至在商业模式尚未完全验证时，就获得十亿美元级融资；中国同样快速出现20亿元、30亿元级别的大额融资。大家的基本逻辑基本上是抢团队、抢路线、抢下一条Scaling Curve。
但当越来越多公司都开始叫World Model，下一轮资本一定会重新追问几个非常具体的问题：你有没有自己的可扩展预训练体系？你的模型是真否的受action控制？你的模拟结果能不能被真实世界验证？客户为什么需要持续为这个模型付钱？届时，一批公司的估值逻辑可能被重新定义。反过来，真正跨过三道门槛——模型、数据、真实验证——的公司，才有机会从一个热门AI Startup，变成Physical AI的基础设施公司。
