夜雨聆风一句话总结
大模型预测"下一个词"，世界模型预测"下一个状态"。2026年，全球顶级科学家和资本正在集体押注一个方向：让AI不只理解文字，还要理解物理世界。但这条路到底走到哪了？
一、为什么需要一个"世界模型"
你跟ChatGPT说"杯子被推到桌子边缘会怎样"，它回答"会掉下去摔碎"。这个回答是它从训练数据里"读"来的——无数篇文章写过杯子摔碎的故事。
但你仔细想想：ChatGPT并没有真正"理解"重力。它不知道杯子为什么掉，不知道掉下去的速度怎么变化，不知道碎片会怎么飞。它只是知道"杯子+桌边=摔碎"这个文本模式。
世界模型要解决的就是这个问题：让AI从"知道答案"变成"理解过程"。
不是去背"杯子掉下去会碎"这句话，而是在脑子里建一个物理模拟器，能推演杯子从推出去、到滑落、到坠落、到撞击地面、到碎片四散的每一个状态变化。
2026年1月，北京智源研究院发布十大技术趋势，把世界模型列为通向AGI的关键方向，提出一个精准的概括：从"next token prediction"（预测下一个词）到"next state prediction"（预测下一个状态）。
杨立昆说得更直接："如果没有世界模型，AI永远无法达到人类水平的智能。"
二、从2018到2026：八年磨一剑
世界模型这个概念不新。
1943年，苏格兰心理学家Kenneth Craik就提出：人类大脑会构建现实的小规模模型，用来预测和理解外部事件。这就是"心智模型"的起源。
2018年，David Ha和Jürgen Schmidhuber发表论文《Recurrent World Models Facilitate Policy Evolution》，正式把世界模型引入深度学习。核心思想很简单：让AI在"脑海"里建一个环境的内部模拟器，先在想象中试错，再执行最优方案。
但接下来的几年，世界模型一直是个小众方向。大语言模型的爆发吸走了绝大多数注意力和资源。GPT-3、GPT-4、ChatGPT，一个比一个能聊，一个比一个能写，整个行业都沉浸在"语言智能"的狂欢里。
转折点出现在2024年。
OpenAI发布Sora，技术报告的标题叫《Video Generation Models as World Simulators》——直接把视频生成模型定义成"世界模拟器"。虽然Sora离真正的世界模型还有差距，但它第一次让全世界意识到：AI不应该只停留在文字世界，它需要理解物理世界。
然后就是2025-2026年的集体爆发。Google DeepMind发布Genie 3，李飞飞的World Labs推出Marble，英伟达推出Cosmos，杨立昆离开Meta自立门户创办ami Labs，专攻世界模型。中国这边，极佳视界、生数科技、星海图、智平方，一轮接一轮融资。
世界模型从小众学术概念，正式进入产业主战场。
三、三条技术路线：画画、心算、搭积木
当前世界模型有三大技术流派，各有逻辑，各有短板。
第一条：像素生成路线——"画画"
代表：OpenAI Sora、Google DeepMind Genie 3、英伟达Cosmos
核心思想很直观：如果一个AI能生成逼真的视频，那它必然已经内化了物理世界的运行规律。就像精通绘画的艺术家，必然理解光影、透视和物体结构。
Sora通过海量视频数据训练，让画面中的实体随时间连续演化，试图掌握物体运动、光影变化、物理碰撞等规律。Genie 3更进一步，实现了实时交互——不是"播放一个世界"的预渲染视频，而是"探索一个世界"的交互式生成，帧率达到20-24fps，支持长达一分钟的交互记忆。
这条路线的优势是视觉逼真、直观可感知。但致命缺陷是：计算成本极高，且模型仍然会产生违背物理常识的"幻觉"。2024年末的一项研究发现，视频生成模型并没有真正学到"动量守恒"这样的物理规则，它做的是"查表式推理"——在训练数据里找最相似的案例然后模仿。当遇到训练数据里没出现过的场景（分布外测试），彻底失败，且增大模型规模几乎无法改善。
更讽刺的是，模型判断物理相似性的优先级是：颜色 > 大小 > 速度 > 形状。也就是说，一个"红色慢球"在模型看来比"蓝色快球"跟"红色快球"更像——它在用颜色而非速度理解物理。
第二条：潜在空间路线——"心算"
代表：杨立昆JEPA架构、Meta FAIR
杨立昆认为：生成每一个像素是对算力的浪费。真正的智能应该像人类一样，只预测事物的抽象特征，不需要把世界"画"出来。
面对一个飞行的球，JEPA不会预测每个像素的RGB值，而是预测轨迹、运动方向等高层语义信息。通过主动忽略不可预测的细粒度信息（比如路边树叶的纹理变化），大幅提升计算效率。
这条路线的优势是效率高、因果推理强，天然适配强化学习和规划任务。被认为是最接近AGI认知架构的方向。但缺陷同样明显：不可见——人类无法直接观察模型的"理解"程度，调试困难；表征空间的可解释性差，工程落地周期长。
杨立昆为此押上了全部身家。2026年，他离开Meta自立门户创办ami Labs，专攻世界模型，种子轮融了10.3亿美元。他公开说："现有的LLM路线彻底错了，单纯靠预测文本，AI永远无法触及人类级别的智能。"
第三条：显式3D路线——"搭积木"
代表：李飞飞World Labs Marble、英伟达Omniverse、腾讯HY-World 2.0
这条路线的核心思想是：真正的世界模型必须理解三维空间。视频生成只呈现了世界的"皮相"，缺乏对底层结构和因果关系的理解。
Marble能从文本、图像或视频输入生成完全可编辑的3D环境。不是"播放"一段视频，而是生成持久的、可下载的3D场景，支持多视角观察，可导出为标准3D格式。一旦掌握了显式的三维信息，就能继承传统物理引擎的优势，确保碰撞、遮挡、受力等物理表现的严格正确性。
优势是几何一致性最好、精确可控、可编辑。但技术难度远高于前两条路线，高质量3D训练数据极为稀缺，计算成本巨大。
一句话总结三条路线：像素生成强在"逼真"，潜在空间强在"效率"，显式3D强在"精确"。
四、李飞飞的分类学：三种世界模型
2026年6月，李飞飞和World Labs团队发表了一篇文章，试图给这个混乱的领域建立秩序。
她把世界模型分成三类：
渲染器——输出观测，即供人眼观看的像素。典型代表是Sora和Genie 3，优化目标是视觉保真度。
模拟器——输出状态，在几何、物理、动力学层面忠实表征世界。典型代表是英伟达Omniverse和Marble，优化目标是结构准确性。
规划器——输出行动，给定观测和目标后回答"下一步该做什么"。典型代表是VLA和World Action Models，优化目标是决策最优性。
李飞飞认为，这三类能力底层依赖同一种知识，最终趋势是走向统一的世界模型。
这个分类的好处是把"世界模型"这个模糊概念拆成了三个可落地的工程方向。做视频的去做好渲染器，做自动驾驶的去做好模拟器，做机器人的去做好规划器。不需要一上来就做一个"全能世界模型"。
五、钱往哪里流
数据说话。2025年底到2026年中，世界模型赛道的融资密度，堪比2023年的大模型。
海外：
李飞飞World Labs：累计融资12.3亿美元，估值50亿美元，首款产品Marble上线 杨立昆ami Labs：种子轮10.3亿美元，创AI种子轮融资纪录 OpenAI：正式宣布进入机器人赛道
国内：
极佳视界：2026年3月融15亿元，GIGAWorld-1在WorldArena评测登顶，成为全球唯一综合得分突破60分的具身世界模型。半年吸金35亿，国内首个世界模型独角兽 生数科技：两个月融资26亿元，估值超120亿，传出最快2026年港股IPO 千寻智能：2026年开年三个月四轮融资，吸金45亿 星海图：2月近10亿B轮，4月再拿近20亿B+轮 智平方：B轮系列融资超10亿，估值过百亿 LiberAI：半年四轮融资，红杉+真格+顺为连续加码 群核科技：全球首家以空间智能为核心技术的上市公司，上市首日涨144%
科技巨头也在抢位。2026年4月16日，腾讯和阿里在同一天各发一款世界模型产品。腾讯推出开源的混元3D世界模型2.0，阿里端出主打实时交互的HappyOyster。
车企更激进。吉利发布WAM世界行为模型，试图统一智驾、座舱和底盘控制。华为乾崑公开拒绝VLA路线，坚持自己的WA（World Action）路线，车BU负责人直言"VLA看着聪明，但不是自动驾驶的真正解"。Momenta把宝全押在世界模型上。
蔚来、小鹏、理想更愿意说"驾驶世界模型"或"世界行为模型"，本质上也是世界模型在垂直场景的变体。百度和阿里则选择了更底层的路线——Qwen-AgentWorld指向语言世界，HappyOyster指向虚拟世界，Qwen-RobotWorld指向物理世界。
一句话：一二级市场、顶尖科学家、跨界巨头，正以极高密度向世界模型低头。
六、走到哪了？老实说，还在早期
热闹归热闹，得承认现实：当前世界模型离"真正理解物理世界"还有很大距离。
第一，视频路线的"物理理解"是假象。 前面提到的研究已经证实，Sora类模型学到的是统计相关性，不是物理因果。它在训练数据覆盖的范围内表现惊艳，遇到分布外场景就彻底崩盘。增大模型规模解决不了这个问题。
第二，数据瓶颈严重。 大语言模型有互联网上几乎无限的文字数据可训练。世界模型需要的是高质量的物理交互数据——机器人操作数据、自动驾驶数据、3D场景数据。这些数据要么稀缺、要么昂贵、要么标注困难。高质量3D训练数据的匮乏，是限制显式3D路线的最大瓶颈。
第三，三条路线都还没跑通商业闭环。 Sora更多是内容创作工具，离"世界模拟器"还远。Genie 3交互时长限制在分钟级，离"可持续探索的世界"差得远。JEPA路线可解释性差，工程化周期长。3D路线计算成本太高，泛化能力不足。
第四，"世界模型"正在变成营销标签。 很多公司把视频生成模型换个名字就叫"世界模型"，把自动驾驶仿真器换个包装就叫"世界模拟器"。真世界模型和伪世界模型的区分，是当前投资最需要警惕的事。
第五，算力需求是个悖论。 世界模型本身就需要大量算力训练，训完之后还要实时推理——自动驾驶需要毫秒级响应，机器人需要持续运行。这意味着世界模型的大规模部署，对推理算力的需求可能比训练大模型还要恐怖。当前全球的算力基础设施，还远没准备好迎接这个世界。
七、产业链雏形：谁在哪个环节
虽然还在早期，物理AI的技术栈已经隐约可见。和之前聊的大模型产业链不同，世界模型把链条拉长了：
第一层：物理数据采集。 传感器、摄像头、激光雷达、力传感器。谁掌握数据入口，谁就拿到第一张门票。自动驾驶公司（特斯拉、Waymo、华为）天然拥有海量物理交互数据，这是它们在世界模型赛道的核心优势。
第二层：数据清洗与合成。 真实数据不够，合成数据来凑。英伟达Omniverse的Synthetic Data Generation、各种数字孪生平台，都在解决"训练数据从哪来"的问题。
第三层：世界基础模型。 这是核心层。当前三条路线的玩家都在争这个位置——Sora/Cosmos（像素生成）、JEPA/V-JEPA（潜在空间）、Marble/Omniverse（显式3D）。最终大概率是融合架构：底层3D保证几何准确，中层潜在空间做高效推理，顶层像素生成做人机交互。
第四层：仿真与评测。 模型训好了怎么验证？WorldArena是目前主要的评测基准，但整个评测体系还非常不成熟。这是一个被低估的环节。
第五层：行动模型。 世界模型最终要驱动行动——控制机器人、指挥自动驾驶、调度工厂。这一层连接世界模型和具身智能，是价值变现的关键出口。
八、和前面几期的关系
如果你一直跟着这个系列看，会发现一条清晰的脉络：
第1-10期，我们聊的是AI算力的"硬件层"——芯片、存储、封装、光模块、散热、电力、Token经济。
第11-15期，聊的是"软件层"——Token成本、消费者画像、国产替代、CUDA生态。
第16期聊应用落地，第17期聊Agent。
现在第18期聊世界模型——它是Agent的"升级版基础设施"。Agent让AI有了手脚，但Agent对物理世界的理解仍然是"读出来的"而非"理解的"。世界模型要补的就是这块短板：让AI从"知道答案"变成"理解过程"，从"数字世界的执行者"变成"物理世界的理解者"。
下一期（第19期），我们聊世界模型的商业落地和投资逻辑——自动驾驶仿真、机器人训练、游戏/数字孪生、创意设计，哪些场景先赚钱，产业链哪个环节最值得布局。
本文仅为产业链分析，不构成任何投资建议。文中提及的公司、数据均来自公开信息，不涉及个股推荐或买卖时点建议。投资有风险，决策需谨慎。
