一篇2026年发布的长达88页的论文，为日益混乱的“世界模型”概念给出了清晰的坐标：AI理解世界的能力，可以分为预测、模拟、进化三个层次，以及物理、数字、社会、科学四个领域。

在人工智能领域，“世界模型”是一个被热议但含义却非常模糊的词。搞机器人的人说自己的模型能预测机械臂的下一个姿态，做自动驾驶的说自己的模型能生成连续的行驶画面，而研究大语言模型Agent的则认为，模型能在脑海里“想象”出网页点击后的下一步状态。

这些说法都对，但又不完全一样。正因如此，一篇发表于2026年的长篇综述论文，试图为这个“众说纷纭”的概念建立一座统一的坐标系。

这篇标题为《World Models for Agentic AI: From Local Predictors to Evidence-Driven Evolvers》的论文，由多位学者联合撰写，整合了计算机视觉、强化学习、机器人、AI for Science等领域的上千篇参考文献。它没有提出新的算法或榜单，而是给出了一个极具解释力的能力层级框架：L1 预测者、L2 模拟者、L3 进化者。同时，它按照“支配规律”的不同，把世界模型的应用场景划分为物理、数字、社会、科学四个领域。

下面，我们就来拆解这篇论文的核心思想。

为什么我们需要一个统一的世界模型坐标系？

世界模型之所以混乱，是因为不同领域的人用它来做完全不同的事。一个生成视频的模型，只要画面流畅、物体不穿模，就可能被称为“世界模拟器”。但在强化学习工程师眼里，如果这个模型不能根据“向左推”这个动作，稳定预测出物体会向左滚动，那它对决策就毫无用处。

论文指出，真正有价值的世界模型，不应该只是“看起来像真的”，而应该能够帮助一个Agent做出更好的决策。基于这个出发点，作者提出了一个从弱到强的三级能力阶梯。

第一级：L1 预测者 —— 看一眼，猜下一步

这是最基础的能力。一个L1世界模型，能够根据当前的状态和动作，预测紧接着的下一步会变成什么样。打个比方，你看到一个人拿起杯子，L1模型能猜出下一秒杯子会离开桌面。但它不保证几十秒后杯子会不会飞到外太空去。

典型的L1模型包括Dreamer系列、MuZero等。它们通过一个“隐状态”来压缩过去的观测信息，然后学习一个局部的转移概率。这个阶段的模型，靠的是休谟所说的“恒常联结”——过去如此，未来也大概率如此。但它有一个致命弱点：一步预测很准，但多走几步，误差就会像滚雪球一样越滚越大。

第二级：L2 模拟者 —— 在脑内预演一整条故事线

如果一个世界模型不仅知道下一步，还能连续想象10步、20步之后的状态，并且对“如果我中途换一个动作会怎样”这种反事实问题给出合理的回答，那它就进入了L2阶段。论文给L2设定了三个可测试的边界条件：

• 长程一致性：滚动的轨迹在几十步后依然可用，不会离谱地发散。

• 干预敏感性：改变动作或初始条件，后续的预测会发生稳定且有意义的改变。

• 约束符合性：生成的未来状态必须遵守所处世界的“基本法”。

这里的“基本法”因领域而异。在物理世界里，物体不能互相穿透；在数字世界里，程序不能调用一个不存在的API；在社交世界里，承诺过的事情不能无缘无故被遗忘；在科学世界里，实验的因果链条必须自洽。

论文用大量篇幅分别介绍了这四个领域中的代表性L2系统。比如物理世界中的自动驾驶世界模型GAIA-1、VISTA，数字世界中的WebAgent、SWE-agent，社交世界中的生成式Agent小镇，以及科学世界中的天气预测模型GraphCast、Pangu-Weather等。

有意思的是，论文特别强调：一个优秀的L2模拟器不需要长得和真实世界一模一样，它只需要在约束层面足够像。一个简单的刚体碰撞检测器，可能比一个画质精美但物体经常互穿的视频生成器，更适合做决策规划。

第三级：L3 进化者 —— 发现错了，就自己改自己

这是论文最具野心的部分。L3模型不再把世界模型当作一个训练完就冻结的组件，而是让它能够在部署过程中，主动收集证据、诊断错误、并修改自身的结构和参数。

打个比方：一个L2的自动驾驶模型，在冰雪路面上打滑了，它只能重新规划一条路径。而一个L3的模型，会意识到“我的摩擦力参数是错的”，然后主动设计一个实验（比如轻踩刹车），观察实际滑移距离，再用这个数据更新自己的动力学模型。下次再遇到冰雪路面，它的预测就准了。

论文指出，目前最接近L3的领域是自动化科学发现，比如CAMEO系统在同步辐射光源下自主合成新材料，A-Lab机器人17天完成353次实验并优化配方。在数字世界里，FunSearch和AlphaEvolve这类系统让大语言模型生成程序、自动运行测试、再根据结果改进程序，也体现了部分L3的闭环。

但在社交世界和物理机器人领域，L3还非常初步。原因是归因太难：一机器人抓取失败，到底是视觉看歪了，还是动力学模型错了，还是执行器坏了？没有明确的证据链，就无法安全地让模型自己修改自己。

## 四个世界，各自需要什么能力？

论文的另一条主线是按照“支配规律”将应用场景分为四类。每一类对世界模型的要求差异很大：

• 物理世界：需要保持几何和运动学约束。失败模式是物体互相穿透、能量不守恒。评价靠稳定性指标。

• 数字世界：需要遵循程序语义和API契约。失败模式是调用不存在的接口、权限错误。评价靠错误分支覆盖。

• 社交世界：需要维护信念、目标、规范和契约。失败模式是人格漂移、承诺消失。评价靠反事实敏感性。

• 科学世界：需要符合因果机制和可证伪性。失败模式是幻觉机制、忽视负面结果。评价靠证据链完整性。

一个真实系统往往混合多个世界。自动驾驶既要遵守物理约束，又要预判行人的社交意图；科研自动化既要模拟化学反应，又要处理移液机器人的物理动作。

评价和实现：从“像不像”到“能不能用”

论文花了专门章节批评当前的主流评价方式：FVD、FID、PSNR这些视觉指标，和决策质量几乎没有关系。一个世界模型好不好，应该看两个数字：动作成功率（用模型规划后，真实环境里任务完成的比例）和反事实偏离度（改变动作后，预测结果是否跟着变）。

在实现架构上，论文给出了一个很实用的决策树：低延迟场景（如机器人控制）适合用轻量级隐状态+模型预测控制；中等延迟场景（如Web Agent）可以用大语言模型作为世界模型滚动；高延迟场景（如科学计算）则可以跑完整的扩散模型集成。

值得注意的是，论文反复提及一个争议性观点：L3级别的模型修订，很可能需要符号化表示。因为只有把物理定律、API规范或社交规范写成显式的、可编辑的符号（比如代码或逻辑规则），Agent才能确定地修改它们。而纯神经网络的黑箱特征，在“主动实验—归因—修改”这个闭环中会成为巨大的障碍。

未来：元世界模型与可进化Agent

论文最后提出了十个开放问题，其中最引人注目的是“建模那些自身会演化的规律”。比如病毒的免疫逃逸、气候系统的突变、社交规范的变迁——如果世界本身的规律就在变化，那么世界模型必须具备学习“规律的变化规律”的元能力。这已经是目前技术的边界之外了。

整体而言，这篇论文没有给出一个可以立刻跑起来的代码，但它提供了一份非常难得的“导航地图”。对于任何一个想在机器人、AI Agent、自动驾驶或科学发现领域认真做世界模型的研究者来说，弄懂L1、L2、L3的含义，以及自己领域属于哪个“世界”，可能是避免跑偏的第一步。

毕竟，一辆车开得再快，如果方向错了，也没什么意义。

感兴趣的可以阅读文章：https://arxiv.org/abs/2604.22748