夜雨聆风
2026年，硅谷最火的三个字是World Model。融资BP里写它，估值翻三倍；产品发布会喊它，流量涨十倍从视频生成到机器人，从自动驾驶到游戏引擎，人人都说自己在做“世界模型”。
但李飞飞说：你们搞错了
她开篇引用维特根斯坦，随即抛出一个尖锐判断：“世界并非由词语构成。”
▲ 李飞飞在X上发布《A Functional Taxonomy of World Models》，开篇即点题：“世界并非由词语构成”
这篇题为《A Functional Taxonomy of World Models》的万字长文，6月3日同步上线World Labs官网与个人Substack，做了一件极其简单又极其残暴的事：把所有自称“世界模型”的系统，按功能一刀切成三层，渲染器、模拟器、规划器。然后告诉你，绝大多数拿到融资的，只是第一层。
三把刀：看起来像、跑起来对、动起来准
先说渲染器（Renderer）
它回答的问题只有一个：世界看起来像什么？ 文生视频、文生图、可交互的3D场景漫游，画面越来越惊艳，越来越逼真。它的长处是“画”世界，对世界的理解却未必可靠。 航拍一座城市，从天上看完美无瑕；试试“开进”街景？建筑几何直接崩塌
Sora、Runway、Kling……李飞飞没点名，但谁都知道她在说谁。这些系统的主要消费者是人的眼睛，衡量标准是够不够好看。它们是了不起的工程成就，但拿它来设计建筑、训练机器人？对不起，再美的像素也撑不起一栋楼
再说规划器（Planner）
它回答的问题最性感：下一步该做什么？ 机器人会抓、会走、会叠衣服，Demo视频在社交媒体上十分抢眼，投资人看完恨不得当场打款。李飞飞却泼了一盆冷水：过去两年的机器人演示，多半仍在受控实验室、有限物体、短任务里完成。从实验室到厨房、仓库、手术室，鸿沟大得像太平洋。
最后是模拟器（Simulator），李飞飞把重心压在这一层。
它回答的问题最朴素，也最难：世界实际如何运转？
▲ PaulFang在斯坦福现场听完李飞飞演讲后发帖，用三个问题概括三层框架
两个月后的斯坦福讲台上，李飞飞举了一个任何人都能听懂的例子：“这个瓶子会怎么动？如果我把水倒出去，水流会怎样？” 想要回答，模型必须理解重力、流体力学、容器形状、表面张力，以及这一切如何随时间变化；像真水的视频远远不够
模拟器输出的核心是状态：几何上站得住、物理上守得住、动力学上说得通的世界表征。人眼、程序、算法和控制器都会消费这些状态，它是让机器“看见”世界的方式。
枢纽之争：为什么最不起眼的那层，才是一切的地基
三分法如果只是学术分类，写完发完也就散了。但李飞飞做了一个极具攻击性的价值判断：
模拟器是三者的枢纽（linchpin）。
她在Bloomberg Tech的访谈里进一步表示：“模拟器可以成为渲染器，也可以成为规划器，但反过来不行。”
▲ a16z放出Bloomberg Tech访谈片段，李飞飞原话：simulator is the linchpin
这一判断改变了三层的价值排序
如果你已经理解一个场景的三维结构、材质属性和物理规律，那么往上，你可以把它渲染成任何视角的逼真画面；往下，你可以预测任何动作的后果，让机器人据此决策。模拟器是双向通道，既能喂饱人眼，又能武装机器。
但反过来呢？一个只会生成漂亮像素的渲染器，永远推不出碰撞该怎么发生。一个只会在实验室里抓特定物体的规划器，换个杯子就傻了。
没有可靠的模拟，渲染只能“像”，规划只能“赌”。
这就是为什么李飞飞说，公众注意力和产业资源的分配完全倒挂了：渲染最热闹，因为互联网视频数据海量、消费级产品肉眼可见、资本市场最容易理解“更真的画面”；规划最性感，因为机器人视频十分抢眼；模拟层才是瓶颈所在，它却最不起眼、数据最稀缺、投入最不足。
长文毫不遮掩地列出了模拟层的四大死穴：
- 数据荒漠
，带显式几何、材质与物理标注的3D数据，比渲染器用的互联网视频稀缺几个数量级； - Sim-to-Real鸿沟
，仿真里学到的行为，到真实世界仍会偏； - 生成式几何的隐雷
，AI生成的3D模型可以“看起来对”，却暗藏自相交、错误尺度，一丢进物理引擎就荒谬绝伦； - 多物理场的天价账单
，刚体、柔体、流体、布料同时交互，计算成本比单域模拟贵几个数量级。
越难的事情，价值越大 这几乎是一句废话，但放在2026年世界模型的融资泡沫里，它变成了一面照妖镜。
从论文到产品：World Labs在赌什么
这里还有一个不容忽视的背景：李飞飞身在局中。 她是World Labs的联合创始人兼CEO，Marble是她的产品，这篇分类长文某种意义上也是一份战略宣言。
但这不意味着它不对
▲ World Labs官网博客，标题与“世界并非由词语构成”开篇
Marble的设计哲学恰好卡在渲染器与模拟器的交界线上：从图像、视频或文本提示生成可探索的3D世界，同时输出两种东西，用于视觉漫游的高斯泼溅（Gaussian Splats），以及物理引擎可用的碰撞网格（Collision Meshes）。
一手出像素，一手出状态用一个产品同时摸两层的边界，TechTimes的报道标题直接写成：“Marble瞄准模拟枢纽”。
▲ TechTimes报道：World Labs将世界模型拆成三类，Marble瞄准模拟枢纽
更激进的动作发生在7月机器人仿真公司SceniX并入World Labs，随后团队公开了一条技术路线：Real-to-Sim-to-Real（R2S2R），把一次真实机器人任务重建为可交互仿真，再系统化生成外观、布局、物理参数等大量变体，用于训练与评估机器人策略。早期结果据称包括在零真实训练数据的条件下学习复杂操作任务。
▲ World Labs博客《Building Worlds That Train Robots》，将R2S2R与“模拟器是枢纽”直接对接
翻译成人话就是：先造世界，再用世界训练机器人。 三分法由此成为指导“该先补哪一层”的作战地图，超越了学术分类本身。
社区炸锅：三分法成了新的照妖镜
李飞飞的分类扔出去之后，社区讨论基本沿三条线展开。
第一条线：从像素到后果 有人在评论区写下一句极其精准的话，
“关键转变是从预测像素到预测后果。对机器人而言，世界模型有用，是在它能回答'哪个动作把世界推向我想要的方向'。”
▲ 评论区讨论：世界模型的价值从像素延伸到动作后果
第二条线：自主越强，问责越重 有运维背景的从业者指出，渲染上头条，关键跃迁发生在模拟到规划之间，系统越自主，越需核验它决定了什么、何时该由人接管。技术之外，责任边界也随之浮现
▲ 有控制室经验的从业者回应：系统越自主，验证与接管越关键
第三条线最有趣：拿三分法照游戏行业。 有开发者读完后恍然大悟，为什么所有所谓的“可玩世界模型”像梦不像游戏？因为它们只有渲染器，无法保存持久状态，也形成不了意图。游戏活在模拟器与规划器里，而这两个格子几乎还是空的。大家拼命挤在渲染器的格子里，因为视频数据到处都是；模拟和规划却在为3D资产和演示数据挨饿。
▲ 社区观点：“语言模型掌握了地图，世界模型即将掌握疆域”
这句“语言模型掌握了地图，世界模型即将掌握疆域”，地图与疆域的隐喻，几乎成了这轮讨论的最佳金句。
一个词，三种投入，万亿美元的路线之争
其实在李飞飞动笔之前，投资圈就有人喊过：“世界模型”这个词本身就是一个性感的误称。
LeCun在讲世界模型时，说的是认知架构，在潜空间里学习预测，服务因果推理与规划，根本不关心像素长什么样。NVIDIA在讲世界模型时，说的是仿真基础设施，Omniverse、Cosmos、数字孪生、工厂级仿真，瞄准的是万亿级工业市场。而李飞飞在讲世界模型时，说的是空间智能，显式3D、可交互状态、从渲染到模拟到规划的功能递进。
▲ 早在分类长文之前，就有人指出：同一个词下藏着三种完全不同的技术路线
三个名字，三种路线，三条时间线 把它们捆成一个概念，放大的是炒作，掩盖的是价值到底沉淀在哪里。
李飞飞6月的功能分类，可以被读作对这种混乱的一次精确外科手术：即使在同一条“空间智能”路线里，产品功能仍然必须再拆。你到底输出的是像素、状态，还是动作？你的客户是人眼、控制器，还是两者兼有？这两个问题都答不上来，“世界模型”便只剩下标签。
后续arXiv上的综述工作已经把李飞飞的三分法纳入更大的坐标系，功能维度叠加架构维度，形成二维分类矩阵。社区已将它当作可引用的学术坐标，它的作用也就超出了一次公关发布。
终局猜想：统一世界模型，还是永远三条路
三分法最诱人的地方，恰恰在它暗示了一个终点：如果模拟器真的是枢纽，那么逻辑终局就是一个统一世界模型，根据下游需求，灵活切换输出模态。需要给人看？出像素需要给机器人用？出状态和动作
但统一的代价不小优化视觉美感可能牺牲机器人所需的物理精度；单一架构如何同时服务人眼与控制器，仍是彻底的开放题。就像一个人很难同时是顶级画家和顶级工程师，除非他根本就理解这个世界本身。
也许这正是李飞飞最终想说的：别再迷恋像素了。去理解世界
渲染 → 模拟 → 规划从“外观如何”，走向“怎样运转”，最终回答“下一步该做什么”。这三层递进，构成了未来十年AI从屏幕走进物理世界的路线图。
而现在，绝大多数人还挤在第一层，生产着越来越精美的“幻觉”。
