世界模型是否退温：自动驾驶与机器人行业讨论变化

过去几个月，大家在自动驾驶和机器人行业听的关于世界模型的词好像少了一点，很多人纳闷：世界模型是不是凉了。

于是，我去深扒了下科技界的讨论，和对几位大佬进行了探讨，也参考了DeepMind 和 LeCun 一方的各种材料，还有总结了最近几个月公开的资本收购，放在一起对了一遍。

先给凉没有凉的结论。没凉，「世界模型」正在快速进入产业落地。

先看研究侧。

十月底，DeepMind 放出他们最新的世界模型 Genie 4。引发了轰动，亮点是每一帧都可以在人操作时现场生成。

同月，Balestriero 和 LeCun 挂出论文，不同模态的模型分开训练，只要正样本取自同一场景的不同观察，就会学到同一个世界表征，来证明世界模型背后确实有规律。

这个说明在产品和学术界，说不上退温，还在推新产品和理论。

再看投资方面。

有投资信息表示，夏天之后，一线基金开始说不投世界模型了，概念溢价在缩水。

也有自媒体信息：世界模型的全球搜索热度七月见顶，后面三个月掉了大约六成。

国内的财联社表示，10 月物理 AI 和世界模型相关的一级融资约 5 起，福布斯统计上半年这一类超过 30 亿美元。

过去几个月我们还看到：World Labs 正在被 AMD 收购，亚马逊在谈以约 70 亿美元买 Decart，Rivian 买下了 Third Dimension。

所以，可以看到世界模型的投资在挪地方。从「谁先喊出世界模型」，挪到「谁的模拟能力能被大厂收进去」。

所以，热的是能点开的演示和论文，热的是能够进入产业的产品技术。凉的可能是只靠名字就能加价。

我们之前文章《详解李飞飞的世界模型 Atlas：如何影响自动驾驶、人形机器人等Physical AI 产业》也介绍过李飞飞今年把市面上叫世界模型的东西拆成三件。

渲染器追画面像。模拟器追尺度和碰撞。规划器输出动作。

她的判断是：为视觉逼真去优化，和为物理准确去优化，是两件工作。

过去两年，演示片卖的是第一件，商业计划书里许诺的是后两件。

Genie 4 把连续交互从约一分钟拉到约两分钟，加了同步的声音和对话。

DeepMind 自己列的限制写得很直。

视觉细节和物体恒常性会漂。复杂物理交互、真实地点的空间精度、文字、实时音频都还在研究，连续交互只有几分钟。

Ars Technica 的说法是，世界在几分钟之后会忘掉开头。

yage.ai 10 月 30 日引了共同一作 Hang Qi 对彭博的话：拉到两分钟，也保证不了全程一致。

架构上还有一步退守。官方博客写，Genie 4 外面挂着 Gemini 家族，一个把模拟锚在真实外观上，一个负责维持连贯。

yage.ai 的读法是，预测下一帧没有自己长出可规划的物理，于是外面再套一个语言模型，拆步骤、盯画面。

LeCun 很早就否定了像素路线。他今年一月对 MIT Technology Review 的原话。

他的定义很窄：预测自己行动的后果，再用搜索和优化去规划。

AMI 公开的仍是论文和融资，工业应用他自己把希望放在 2027。CEO LeBrun 早前还说过，半年之内，每家公司都会说自己在做世界模型。

当然LeCun 的话也不能全信，他一直在推广他的隐式空间的潜在表达JEPA理论。

JEPA 押的就是现有LLM大模型往上堆走不通。

其他几位的位置也不一样。英伟达的 Jim Fan 站在视频加动作一边。Hassabis 认为现有模型缺一套内部物理模拟。李飞飞想把三件事做成同一个模型的三个投影。

定义不统一，名字就会被所有人借。

Li feifei也讲过：这是今天 AI 里最重要、也最被用滥的词。

所以，世界模型现在的名字太大。一个词装了三种交付物，都难以搞清楚。

首先，作为科学研究物，它一直存在。2018 年 Ha 和 Schmidhuber 的 World Models，后来的 Dreamer、MuZero、JEPA、Genie，都是能跑的系统。

作为「一个将取代大语言模型的品类」，我没看到统一的东西。

分歧落在一个问题上：把下一个词预测准，算不算学到了世界。

Ilya 2023 年在 GTC 上说算。文本是世界的投影，把下一个词预测准，网络学到的就是这份投影的压缩。

Othello-GPT 给了小世界里的证据，棋盘状态能从隐藏层里读出来。Andrew Ng 据此愿意说，语言模型在一定程度上已经建起了世界模型。

Hassabis 说过还不够。今天的系统不能在内部跑一套物理模拟，拿来检验自己的假设。

最新LeCun的那篇论文，是 LeCun 一方把这件事收成一条定理加一个实验。

好的正样本是同一场景的两种观察。下一个词预测被写成「坏视角的 JEPA」，所以语言模型得靠规模才慢慢和视觉对齐。

数字是这样的。1.09 亿参数的文本 JEPA，在 PRH 基准上 0.184。他们表里的 Qwen2.5-72B 是 0.154。

同一语料上，好视角达到同等对齐，用的样本约是 next-token 的四十二分之一。

这是表征对齐分，比的是和视觉模型的表征有多像。到了公开媒体上面，被传成了小模型打败 720 亿的通用大模型。

Thomas Aas 随后复核：读出方式一换，next-token 的对照会好看很多，样本效率的差距有一部分来自配对数据。

我的读法是，区别是真实的，替代关系被说大了。

语言模型里可以长出一块世界模型。视频模型可以很会渲染，但是他们都不会规划。

对做产业技术落地的人，请别按「大语言模型还是世界模型」站队，可以按预测对象拆：预测词、预测画面、预测动作后果，各自用什么数据，各自怎么评。

不管名字最后叫什么，我认为能留下来的世界模型系统会叠成三层。

第一层在潜空间里预测状态，供规划用。这是 JEPA 和 AMI 的赌法。

第二层把状态渲成人和机器人能看的画面或三维。Genie、World Labs 的 Marble、英伟达的 Cosmos，现在拿得出手的是这一层。

第三层把预测接上动作。机器人文献里，已经有人把它叫作 World-Action Model。

李飞飞的判断是，这三层的边界以后会消失。方向我同意，不过什么时候到来，不知道。至少这几年交得出来的产品，三层还是分开的。

最重要的是，人类语言在世界模型里面不可能会被拆掉，你想想世界缺少语言还是世界么。另外，Genie 4 自己就是例子，画面模型外面还得挂大语言模型 Gemini 来拆任务、检查帧。

数据科目也换了。互联网文本喂饱了语言模型。

但是，楼梯间、货舱、工厂通道这类三维交互，现在没有同等规模的语料。

TechTarget 引业内的话说得实在：物理还是近似的，今天不能当精密工程环境用，关键在模拟里的成功能不能迁到真机。

所以，我的结论是：未来几年，世界模型更像智能体里的物理后果模块，嵌在语言模型和动作策略中间。

前四节讲的是行业整体。落到我们熟悉的汽车和机器人产业，我看到的信号反而更硬。

原因不复杂。这两个行业要的就是李飞飞说的后两件。画面好看对他们用处有限，尺度和后果对得上才有用。

英伟达六月在台北 GTC 发了 Cosmos 3。黄仁勋把它定成面向机器人、自动驾驶和视觉 AI 的开源世界模型。

披露的用户里，理想汽车、Skild AI、三星排在一起。

车企和人形公司开始用同一个底座。差别在起点和验收。

10 月底，美国汽车新势力Rivian 买下英国15人团队的 Third Dimension。

价格没披露。这家公司种子轮 700 万美元。创始人 Tolga Kart 做过特斯拉 Autopilot 的仿真，Piotr Sokólski 来自 Wayve。

拆开讲，这个公司做的就是把真实路况变成可编辑的场景：改相机、改光照、改天气、改旁边的交通参与者。游戏引擎凭空搭的合成世界。

我们之前文章《美国新势力 Rivian 2025 Autonomy & AI Day ：自研800TOPs芯片，L4“解放双眼”自动驾驶路线图》也分享过Rivian的智驾计划是：

今年底推一版城区和高速都能脱手的软件，当然驾驶员仍要监督。

Robotaxi 版 R2 计划 2028 年上 Uber，先跑旧金山和迈阿密。

这里的读法是，世界模型的价值落在长尾场景的再现，和发版前的闭环验证。

大家熟悉的宇树上科创板，募资 42.02 亿元。其中 20.22 亿元、约 48%，都是投向智能机器人模型，这是最大的单项。

王兴兴在世界机器人大会上回顾过：2020 年初他们做过视频生成的世界模型，效果不好，搁了一阵，去年又捡起来。

现在模型的瓶颈他也说了。每次输入输出都会有偏差，所以现在这些模型的真实成功率还比较差。

这样，世界模型对于汽车和机器人产业预示着什么？下面是我的判断，供参考：

虚拟仿真。有真车、真机在跑的团队，买仿真和后果预测，这是真实已经落地的。

实际控车规划。可能还是概念。

回到标题。世界模型真在退温吗？

退的是名字的资本溢价。研究在加速，车和机器人在掏钱买它的后两层。

它存在争议，只是今天被拆成了三件交付物。它和大语言模型差在预测对象，替代关系被说大了。

往后世界模型和其他模型可能是一条链路。语言在上面派活，潜空间管后果，画面给人看，动作回到真机。

做物理 AI 落地的人，先可以跑通虚拟仿真：仿真迁到真车后的接管变化，仿真迁到真机后的成功率变化。再看看潜、隐式空间是不是能够给控制和产生结果。

下次看到世界模型四个字，区别他的方式是，先了解它交的是画面、是可改的真场景，还是动作之后的状态。

本文基于公开资料整理，含讲者的前瞻性判断，仅供参考，不构成任何投资建议。