"世界是一切发生的事实。"

维特根斯坦100年前说的这句话，李飞飞拿来做了篇文章的开头。

她在6月发了一篇长文，叫《A Functional Taxonomy of World Models》，把"世界模型"这个被用滥了的概念掰开揉碎了讲清楚。原文在X上，我花了几天反复研究，结合我自己在企业AI落地里踩过的坑和观察，用我的视角给你翻译一遍。

先说结论：这套分类法不止是学术框架，它直接关系到你做AI落地时的技术选型和路径判断。

先回答一个问题：为什么需要这套分类法？

现在"世界模型"这个词太火了，火到被用滥了。

做个视频生成模型，说自己是世界模型。做个游戏引擎，说自己是世界模型。做个机器人规划系统，也说自己是世界模型。

古希腊人争论世界由什么构成，火还是水还是原子？李飞飞说，今天我们面临同样的问题。因为"世界"从来不是一个单一对象。它是一个总称，用来指代某个思考者在推理时需要的整体。

所以问题来了：大家都在说世界模型，到底谁说的是对的？

先把基础循环搞清楚

要理解这套分类法，先得理解一个基础循环：智能体→行动→世界状态→观测→智能体。

智能体可以是人，是机器人，是软件系统。它采取行动，行动影响世界状态。但智能体从来不能直接看到世界状态。它接收到的是"观测"：视网膜上的光子，传感器的读数，视频帧里的像素。

这个循环在强化学习教科书里已经存在了几十年，叫POMDP（部分可观测马尔可夫决策过程）。"世界模型"这个词最早的技术含义，就出自这里。

听起来抽象。但你想想我们做企业AI落地时遇到的那个经典问题：模型看到的数据（观测）和真实业务（世界状态）之间，永远有差距。

这就是"世界模型"要解决的核心问题。那个差距，决定了一个AI系统是在"看起来对"还是"真的对"。

李飞飞说的三种功能

她把所有号称"世界模型"的系统，分成三类。这一刀切得特别清楚。

第一类：渲染器（Renderer）

输出的是"人眼看到的图像"。视频生成模型就是典型的渲染器。核心指标是视觉保真度，画面好不好看。

但它不一定理解三维结构。从天上俯瞰，建筑可能是完美的；一旦开车进这个城市，结构可能瞬间崩塌。

这让我想起前段时间一个客户，用AI做产品设计图，图片看着很漂亮，但放大一看比例是错的，根本没法做出来。

这就是渲染器的上限。它优化的是视觉可信度，不是物理准确性。

第二类：模拟器（Simulator）

输出的是"世界真实的状态"。几何结构经得起检查，物理过程符合牛顿定律。它同时服务两类对象：一类是建筑师、设计师等人类专业人员，另一类是机器人、自动驾驶等AI系统。

模拟器受到的公众关注最少，但李飞飞认为它最具决定性。

为什么？

因为渲染器可以很美但不可靠，规划器还处在早期。而模拟器是连接二者的桥梁。她说了一段很精彩的话：如果说语言是对世界的抽象，像素是对世界的投影，那么几何、物理和动态就是世界本身。

翻译成企业AI的语言：你的AI系统输出的东西看起来再好（渲染），如果底层业务逻辑不对（模拟），最终没法落地执行（规划）。

我做了19年技术，从京东到AI创新中心，最大的体会是：架构设计中最怕的不是技术难点，而是对业务世界的理解有偏差。模拟，就是对这种理解的验证。

第三类：规划器（Planner）

输出的是"下一步该做什么"。给定观测和目标，规划器要回答：智能体接下来应该干什么？

视觉语言行动模型（VLA）、自动驾驶决策系统，本质上都是规划器。

但李飞飞也坦率指出了当前的问题：几乎所有演示都发生在高度受控的实验室环境。它们尚未在真实部署所要求的复杂度、变化性和持续时间上得到验证。一个吸引人的演示视频，距离一个能够在厨房、仓库或手术室中可靠工作的机器人，仍然相距甚远。

这段话我读了很有感触。因为我们在企业AI落地中也经常遇到类似的问题：演示时很惊艳，一到真实业务场景就各种翻车。从POC到生产环境，中间的鸿沟远比想象的大。

为什么模拟是关键环节

李飞飞在这篇文章里花最多篇幅讲的是模拟器。她觉得公众对它的关注远不够。

渲染器商业化程度最高，一批文生图、文生视频产品正在消费级和企业级市场快速扩张。规划器最令人兴奋，一批资金充足的新进入者正在竞相推出通用规划系统。

但模拟，才是那个把两者真正连接起来的东西。

NVIDIA Omniverse一个方向，瞄准的就是超过万亿美元的可服务市场，覆盖工厂、仓库、供应链和数字孪生。机器人训练、自动驾驶测试、建筑设计、药物发现，都依赖某种形式的模拟能力。

这和我们在企业AI转型中看到的方向完全一致。越来越多的企业客户不再问"你的模型参数多大"，而是问"你的模型在我业务场景里能不能跑通"。

能模拟，才敢落地。

三大功能正在融合

最让人兴奋的是李飞飞说的趋势：这三类模型的边界正在消融。

一个真正理解杯子如何放在桌面上的模型，应该能同时做到三件事：从任意角度渲染这个杯子，模拟杯子被推动后的变化，规划一只手如何拿起它。

渲染器、模拟器、规划器，本质上是同一底层世界理解的三种输出形式。

这对企业AI意味着什么？意味着未来的AI系统不会是"各管一摊"的拼凑，而是一套统一的世界理解。它能看懂、能推演、能行动。

语言让机器能够谈论这个世界。

世界模型，将让机器最终能够理解、想象、推理，并与这个世界互动。

这是李飞飞文章的最后一段话。

但我想多说一句：对我们这些做AI落地的人来说，世界模型不是远在天边的学术概念。它直接关系到你的技术选型、架构设计和落地路径。搞清楚渲染器、模拟器、规划器的区别和关系，你就能更清楚地知道：你的AI系统现在处于哪个阶段，下一步往哪里走。

我是杰克船长，在线教育上市公司AI创新中心负责人，专注企业AI转型落地。每周更新AI转型实战干货，关注我，一起把这件事做扎实。

对了，我整理了一份《hermes入门手册》10万字干货，持续更新。关注后👇🏻回复【 爱马仕】领取。