“大語言模型是基礎(chǔ)，世界模型是途徑，自主智能才是AI的終極奧義。

在過去兩年里，大語言模型（LLM）在語言理解、文本生成、推理、指令執(zhí)行等方向取得突破，使AI在理解語義層面變得越來越可靠。

然而，語言智能只是通向通用智能的一環(huán)。要讓AI在懂語言的基礎(chǔ)上，去理解真正的世界，就必須讓它理解環(huán)境、感知?jiǎng)討B(tài)、在環(huán)境中做出行動(dòng)判斷。這其中的關(guān)鍵，就是世界模型（World Model）。

世界模型的核心是讓AI內(nèi)部構(gòu)建一個(gè)可交互的世界，要理解物理規(guī)則、模擬未來狀態(tài)、預(yù)測(cè)動(dòng)作結(jié)果。實(shí)現(xiàn)從靜態(tài)圖像、視頻生成，逐步走向多模態(tài)、帶動(dòng)作控制的視覺語言動(dòng)作模型（VLA，Vision-Language-Action）。

從OpenAI的Sora（文本→視頻世界模擬）到DeepMind的Genie（可交互世界生成），從Meta的V-JEPA 2（視覺自監(jiān)督世界模型）到特斯拉在自動(dòng)駕駛系統(tǒng)中隱含的世界意識(shí)探索，乃至國內(nèi)諸如華為ADS等智駕系統(tǒng)，這些案例都表明世界模型正成為AI Agent化路徑上的關(guān)鍵支點(diǎn)。

可以預(yù)見，未來的AI Agent很可能是“LLM+世界模型+執(zhí)行動(dòng)作層”的三層協(xié)同結(jié)構(gòu)。理解這一趨勢(shì)，對(duì)我們判斷產(chǎn)業(yè)方向、技術(shù)路線、戰(zhàn)略布局至關(guān)重要。

從語言到世界：AI理解的邊界在延伸

如果說大語言模型讓AI學(xué)會(huì)了理解語言，那么世界模型的出現(xiàn)，則意味著AI開始嘗試?yán)斫馐澜纭?/p>

在人工智能研究的脈絡(luò)中，“世界模型”（World Model）并不是一個(gè)全新的概念。早在2018年，谷歌大腦研究科學(xué)家David Ha與瑞士AI實(shí)驗(yàn)室IDSIA負(fù)責(zé)人Jürgen Schmidhuber在經(jīng)典論文《World Models》中提出，智能體要想高效學(xué)習(xí)，就必須在大腦中構(gòu)建世界的內(nèi)部模型。這種模型能夠通過感知輸入，去預(yù)測(cè)外部世界在未來的變化，在內(nèi)部“想象”出一系列可能的結(jié)果，從而據(jù)此選擇行動(dòng)。

智能體包含緊密相連的三個(gè)模塊：視覺 (V)、記憶 (M) 和控制器 (C)（來自World Models）

彼時(shí)，世界模型還主要服務(wù)于強(qiáng)化學(xué)習(xí)領(lǐng)域，用于在游戲或仿真環(huán)境中幫助智能體做規(guī)劃與決策。

隨著算力的提升和多模態(tài)學(xué)習(xí)的成熟，世界模型的內(nèi)涵被重新定義，從在仿真環(huán)境里學(xué)習(xí)，演進(jìn)為讓AI自己生成并理解環(huán)境。比如谷歌DeepMind在Dreamer系列工作中，讓智能體能夠在潛在空間（latent）中對(duì)未來進(jìn)行滾動(dòng)預(yù)測(cè)（roll-out），從而無需真實(shí)環(huán)境就能完成策略優(yōu)化。這種思路，被視為世界模型的早期成熟版本，也讓預(yù)測(cè)未來成為機(jī)器學(xué)習(xí)的新邊界。

而真正讓世界模型走出學(xué)術(shù)圈，成為AI產(chǎn)業(yè)熱詞，是視頻生成技術(shù)的突破。

2024年2月15日，OpenAI發(fā)布Sora模型，并在官方論文中首次明確提出，視頻生成模型正在成為世界模擬器（world simulator）。Sora不僅能生成語義上合理的視頻，還能在物理規(guī)律、光影運(yùn)動(dòng)、空間連續(xù)性等層面維持一致性，讓AI演繹世界成為可能。

Sora2

幾乎在同一時(shí)間，Meta發(fā)布視覺自監(jiān)督模型 V-JEPA（Visual Joint Embedding Predictive Architecture）。這是由Yann LeCun團(tuán)隊(duì)主導(dǎo)的項(xiàng)目，旨在讓AI通過預(yù)測(cè)視覺序列中的時(shí)空變化，在潛在空間中理解世界的結(jié)構(gòu)與規(guī)律。與生成式模型不同，V-JEPA不直接生成圖像，而是學(xué)習(xí)世界的抽象表征，這是Meta首次在視覺領(lǐng)域明確提出構(gòu)建世界模型的研究方向。

僅在那十余天后，DeepMind發(fā)布了Genie模型。與Sora不同，Genie并不是單純的視頻生成器，而是一個(gè)“可玩世界”的生成模型，可以從普通視頻素材中學(xué)習(xí)環(huán)境規(guī)律，并生成可實(shí)時(shí)交互的二維游戲場(chǎng)景。用戶可以控制角色在生成的世界中移動(dòng)、碰撞、跳躍，這種“生成—交互—反饋”的閉環(huán)，被認(rèn)為是世界模型從被動(dòng)感知邁向主動(dòng)參與的重要一步。

Sora、V-JEPA與Genie，分別代表了世界模型演化的三個(gè)方向，生成世界、理解世界、參與世界。三者幾乎出現(xiàn)在同一時(shí)間節(jié)點(diǎn)，共同組成了世界模型認(rèn)知層面的突破。

而另一條更具現(xiàn)實(shí)意義的路徑，則來自執(zhí)行層面的落地。

自2023年底起，特斯拉在其自動(dòng)駕駛系統(tǒng)FSD（Full Self-Driving）中推行端到端神經(jīng)網(wǎng)絡(luò)架構(gòu)，從感知到規(guī)劃再到控制，全部由統(tǒng)一模型完成。

馬斯克將FSD V12稱為世界模型驅(qū)動(dòng)的駕駛系統(tǒng)，因?yàn)檐囕v已不依賴高精地圖或人工編碼規(guī)則，而是通過多攝像頭視頻流在內(nèi)部重建外部環(huán)境，并實(shí)時(shí)預(yù)測(cè)交通參與者的行為。今年上半年推出的FSD V13進(jìn)一步加入時(shí)序記憶與多模態(tài)預(yù)測(cè)，使這一世界模型式駕駛的雛形更趨完整。

而在國內(nèi)，這樣的探索思路也幾乎同步落地。

比如華為在2024年4月發(fā)布ADS 3.0（乾崑），以去高精地圖與世界建模感知為核心，依托多源傳感重建動(dòng)態(tài)場(chǎng)景；

小鵬在2024年5月公布XPlanner（規(guī)劃與控制大模型），與感知網(wǎng)絡(luò)XNet、車載大模型XBrain組成端到端量產(chǎn)棧，將長(zhǎng)時(shí)序預(yù)測(cè)引入軌跡規(guī)劃；

百度Apollo則在同月推出ADFM自動(dòng)駕駛基礎(chǔ)模型，并搭載到第六代 Robotaxi。

這些系統(tǒng)共同指向一個(gè)趨勢(shì)，世界模型正在從虛擬場(chǎng)景走向真實(shí)世界，從“認(rèn)知世界”轉(zhuǎn)向“執(zhí)行世界”。如果說Sora、V-JEPA、Genie們構(gòu)建的是AI的感知與想象層，那么FSD、ADS、XPlanner、Apollo們則構(gòu)建了AI的行動(dòng)與落地層。前者是通往通用智能的基礎(chǔ)，后者則是將智能具象化的通道。

中美雙極：世界模型競(jìng)賽的兩種路徑

如今，世界模型已經(jīng)成為全球AI競(jìng)爭(zhēng)的新焦點(diǎn)。其中，最具代表性的當(dāng)屬中美之間的競(jìng)爭(zhēng)。

這場(chǎng)看似關(guān)于算法的較量，背后卻是認(rèn)知方式與產(chǎn)業(yè)邏輯的分歧，也正因?yàn)檫@種分歧，中美兩國正走在兩條不同的路徑上。

前文說過，在美國，OpenAI、DeepMind、Google、Meta、Anthropic五大巨頭構(gòu)成了最具體系化的“世界建模陣營”。

它們的共同特征是，從語言模型出發(fā)，沿著認(rèn)知—生成—具身（Embodied）的路線，把AI從語言理解延伸到物理模擬。

今年9月，Sora 2登場(chǎng)，不僅整合了音視頻統(tǒng)一建模和動(dòng)態(tài)光照控制，還新增 “Cameo”功能，讓用戶可以直接把自己嵌入生成的世界中。

今年8月，DeepMind發(fā)布Genie 3，允許從自然語言直接生成三維、可操作的虛擬世界，用戶能實(shí)時(shí)控制角色，與環(huán)境交互并觀察反饋。

今年6月，Meta V-JEPA 2以自監(jiān)督方式讓AI理解視頻中的時(shí)序與動(dòng)力規(guī)律，成為世界模型“視覺直覺”的雛形。它不依賴標(biāo)簽數(shù)據(jù)，而是通過預(yù)測(cè)畫面未來幀的方式，逼近人類感知世界的方式。

與此同時(shí)，盡管Google Gemini 2.5 Pro與Anthropic Claude 4.5不算嚴(yán)格意義上的世界模型，但它們都在讓語言模型具備理解世界的能力，前者通過多模態(tài)語義建模理解現(xiàn)實(shí)邏輯，后者通過隱式因果推理保持認(rèn)知一致性。

以此可見，美國的研究體系已經(jīng)形成了完整的認(rèn)知鏈條，從理解語言、預(yù)測(cè)視覺變化到生成并模擬世界。

而在中國，世界模型的側(cè)重方向更貼近執(zhí)行層面。

從智能駕駛到行業(yè)智能體，再到具身機(jī)器人，國內(nèi)企業(yè)更關(guān)注AI在真實(shí)物理環(huán)境中的可感知、可預(yù)測(cè)與可執(zhí)行性?？梢哉f，中國企業(yè)更看重系統(tǒng)集成與工程落地。

智能駕駛之外，國內(nèi)世界模型的思想和策略也正在進(jìn)入更多行業(yè)場(chǎng)景。

比如華為盤古大模型引入物理建?？蚣?，將世界模型理念應(yīng)用到氣象預(yù)測(cè)、制造、制藥等工業(yè)領(lǐng)域；

百度文心在視頻理解和數(shù)字人交互中融入動(dòng)態(tài)世界建模機(jī)制，此類案例非常多，這里就不一一展開。

更具代表性的，是中國在具身智能方向的系統(tǒng)化突破。

過去一年，宇樹、優(yōu)必選、傅利葉、小米等公司，陸續(xù)推出新一代人形與四足機(jī)器人，讓世界模型從算法概念真正落地到機(jī)器身體。

比如宇樹發(fā)布的R1人形機(jī)器人，支持圖像與語音多模態(tài)融合，可進(jìn)行動(dòng)態(tài)行走與交互；

優(yōu)必選 Walker S2具備靈巧雙臂與自主換電功能，更貼近工業(yè)執(zhí)行場(chǎng)景；

傅利葉推出可遙操作的GR-3C人形機(jī)器人版本，可用于康復(fù)與人機(jī)協(xié)作；

從智能駕駛，到智能機(jī)器人，中國的AI正在推動(dòng)世界模型從虛擬走向物理，從算法走向具身。

中美世界模型生態(tài)邏輯對(duì)比：

當(dāng)然，這種解讀僅限于生態(tài)偏重，不涉及能力邊界。

美國并非只有認(rèn)知與生成。以特斯拉、Figure AI、Boston Dynamics為代表的企業(yè)，已經(jīng)在構(gòu)建具身智能與自動(dòng)駕駛的世界建模系統(tǒng)建立一定優(yōu)勢(shì)。

國內(nèi)也不止于感知與執(zhí)行。萬相、可靈等視頻生成模型，也在構(gòu)建中國版的“視覺世界模擬器”。

盡管中美兩國為代表的世界模型演變生態(tài)邏輯不同，但從更長(zhǎng)的技術(shù)周期看，這種分野正逐漸進(jìn)化為互補(bǔ)關(guān)系。

世界模型的最終方向，肯定不是生成完美的視頻，也不是控制一輛汽車，而是打通“理解—預(yù)測(cè)—行動(dòng)”的完整閉環(huán)。從這個(gè)層面來說，中美兩國正共同構(gòu)建通向通用智能的現(xiàn)實(shí)路徑。

AI的下一個(gè)臨界點(diǎn)：

世界模型接管智能體

過去十年，AI的每一次躍遷都源自輸入方式的變革：文字帶來了語言智能，圖像催生了視覺智能，而如今，世界模型正在讓AI理解現(xiàn)實(shí)世界，一個(gè)有時(shí)間、有空間、有因果的動(dòng)態(tài)系統(tǒng)。

這正是世界模型的核心價(jià)值，它讓AI獲得了具身智能（Embodied Intelligence）的基礎(chǔ)。

在過去的一年中，具身智能已經(jīng)成為全球AI研究的共識(shí)。

如OpenAI投資的Figure AI，正在以GPT系列模型驅(qū)動(dòng)人形機(jī)器人的決策系統(tǒng)；特斯拉的FSD與Optimus，分別在道路和工廠場(chǎng)景中驗(yàn)證世界模型驅(qū)動(dòng)的閉環(huán)控制；中國的機(jī)器人企業(yè)也在讓模型直接掌控傳感器與電機(jī)，使算法真正落地到身體。

這種趨勢(shì)背后，AI正在經(jīng)歷一場(chǎng)從虛擬智能到物理智能的轉(zhuǎn)變。在虛擬世界中，它生成一段視頻或一段話，而在物理世界中，它必須理解摩擦力、時(shí)間延遲和人的意圖。

可以預(yù)見，未來的智能體將是一個(gè)多層協(xié)作系統(tǒng)：上層的大語言模型負(fù)責(zé)目標(biāo)規(guī)劃與邏輯推理，中層的世界模型負(fù)責(zé)環(huán)境建模與因果預(yù)測(cè)，底層的執(zhí)行系統(tǒng)則負(fù)責(zé)感知、行動(dòng)與反饋。

當(dāng)這三層閉合，AI才真正擁有“意圖—計(jì)劃—行動(dòng)”的完整循環(huán)，這正是通用智能的現(xiàn)實(shí)路徑。

再往前一步，便是AI的終極奧義——自主智能（Autonomous Intelligence）。

一旦AI能在內(nèi)部模擬世界、預(yù)測(cè)變化并根據(jù)反饋修正決策，它就不再只是生成內(nèi)容、執(zhí)行動(dòng)作，甚至可能思考如何存在。

這意味著，AI將具備一種內(nèi)在的驅(qū)動(dòng)力：能根據(jù)環(huán)境變化自主設(shè)定目標(biāo)、規(guī)劃路徑、評(píng)估后果、修正策略。這種能力不再依賴外部指令，而是建立在長(zhǎng)期記憶、世界建模與價(jià)值函數(shù)的協(xié)同基礎(chǔ)之上。

可以說，自主智能是AI自我意識(shí)的一種雛形，即不以人類輸入為中心，而以世界模型為認(rèn)知坐標(biāo)系，主動(dòng)發(fā)現(xiàn)問題、驗(yàn)證假設(shè)、優(yōu)化自身。

智能的定義，也將被徹底改寫。

挑戰(zhàn)與啟示：從概念到產(chǎn)業(yè)化仍有距離

當(dāng)然，這是最順暢的路徑。事實(shí)上，每一次智能的躍遷，都伴隨著新的復(fù)雜性與不確定性。

首先，是技術(shù)和生態(tài)層面的挑戰(zhàn)。

與語言模型不同，世界模型必須同時(shí)理解文本、圖像、視頻、語音、動(dòng)作等多模態(tài)信息。數(shù)據(jù)維度暴漲、推理鏈條加深、模型參數(shù)呈指數(shù)級(jí)增長(zhǎng)，對(duì)算力、能耗與數(shù)據(jù)質(zhì)量提出了前所未有的要求。

Sora級(jí)別的視頻生成模型都需要巨量GPU支撐，而具身智能又要求在端側(cè)實(shí)現(xiàn)實(shí)時(shí)計(jì)算，其中的復(fù)雜性將考驗(yàn)當(dāng)下的算力極限。

同時(shí)，世界模型也缺乏跨平臺(tái)協(xié)同的工程體系配套。目前而言，世界模型沒有標(biāo)準(zhǔn)，缺乏統(tǒng)一的訓(xùn)練語料、可比的評(píng)價(jià)指標(biāo)與公共實(shí)驗(yàn)平臺(tái)，企業(yè)往往各自為戰(zhàn)。

如果無法實(shí)現(xiàn)跨模型的可驗(yàn)證性與可復(fù)用性，世界模型的生態(tài)就很難真正形成規(guī)?；瘎?chuàng)新。

其次，是認(rèn)知層面的挑戰(zhàn)。

世界模型的強(qiáng)大之處，在于它可以在內(nèi)部推演與預(yù)測(cè)，但這也讓它的決策過程愈發(fā)難以被人類理解。試想一下，當(dāng)一個(gè)模型能在潛在空間中模擬成千上萬種結(jié)果時(shí)，我們還能否追蹤它的決策邏輯？

從自動(dòng)駕駛的責(zé)任歸屬，到自主智能之間，有沒有可能產(chǎn)生長(zhǎng)期目標(biāo)漂移（Goal Drift）？進(jìn)而延伸出AI的目標(biāo)是否仍與人類一致的問題。

一旦AI從被動(dòng)執(zhí)行轉(zhuǎn)為主動(dòng)學(xué)習(xí)，安全與倫理的議題，也隨之從技術(shù)層面上升到價(jià)值層面。

接下來，是產(chǎn)業(yè)和倫理層面的挑戰(zhàn)。

世界模型的進(jìn)一步發(fā)展，勢(shì)必重新定義產(chǎn)業(yè)邊界。AI不僅可能重構(gòu)交通、制造、醫(yī)療、金融等領(lǐng)域的決策體系，也將催動(dòng)算法主權(quán)、智能監(jiān)管等制度議題。

中美雖然在路徑上各有偏重，美國憑借資本與開放生態(tài)快速試錯(cuò)，中國依托產(chǎn)業(yè)鏈協(xié)同推進(jìn)落地，但雙方都面臨同一問題，當(dāng)世界模型真正嵌入社會(huì)運(yùn)行系統(tǒng)，它將以何種規(guī)則參與人類世界？

就目前而言，世界模型所依托的世界，仍建立在人類提供的語料、規(guī)則與經(jīng)驗(yàn)上。但AI進(jìn)化下，人類需要持續(xù)地在技術(shù)、倫理與治理層面為智能設(shè)定邊界，這會(huì)是一項(xiàng)長(zhǎng)期的考驗(yàn)。

總之，世界模型是算法從符號(hào)空間步入物理現(xiàn)實(shí)的通道。大語言模型構(gòu)建了AI的語義基礎(chǔ)，世界模型打開了AI的行動(dòng)途徑，目標(biāo)是智能的真正落地。

可以肯定的是，世界模型的意義，絕對(duì)不是讓AI更像人，而是讓人類在AI的協(xié)同下，走向更遠(yuǎn)的未來。