夜雨聆风
你以为Sora们已经"理解"了世界？李飞飞说：它们只是在做梦
2026年盛夏，一条从斯坦福现场流出的帖子在硅谷华人创业圈和全球AI社区掀起讨论。有人拍下李飞飞讲话的竖屏视频，配上三行极简的笔记，也让那套三层分类迅速进入公众视野。
▲ @PaulFangBayArea 在斯坦福现场听完李飞飞演讲后发布的转述帖，概括了三层结构
那三行笔记，翻译过来大致是这样的：渲染，世界看起来像什么？模拟，世界如何运转？规划，接下来该发生什么？路径从左到右，最终通向理解、预测，并在物理世界中行动。
就这么几句话，把过去两年AI行业最热闹、最烧钱、最让人眼花缭乱的赛道，一刀切成了三层，然后冷冷地告诉你：绝大多数玩家，还挤在第一层。
一个词被用烂了
要理解这刀为什么切得准，先得看清一个事实："世界模型"这个词，已经被用到几乎失去意义了。
一个能生成60秒电影级画面的视频AI，叫世界模型。一个能让你用键盘"玩"的像素游戏生成器，叫世界模型。一个忠实模拟流体力学的物理引擎，也叫世界模型。一个能让机械臂抓杯子的具身智能系统，还是叫世界模型。
这就好比，你管出租车叫"交通工具"，管波音787叫"交通工具"，管SpaceX星舰也叫"交通工具"。技术上没错，但如果你拿着出租车的票价去买星舰的座位，那就是灾难性的误解。
李飞飞显然受够了这种混乱
▲ 2026年6月3日，李飞飞亲自发布功能分类法长文，开篇引用维特根斯坦
2026年6月3日，她和自己创办的World Labs同步放出一篇万字长文，标题叫《世界模型的功能分类法》（A Functional Taxonomy of World Models）。副标题更狠：渲染器、模拟器、规划器，以及连接它们的环。
▲ 李飞飞发布的分类法长文页首，标题与三类功能一并呈现
她为行业画了一张地图而这张地图上，大部分热钱和头条，都挤在一个角落里。
第一层：渲染器，"漂亮的梦境制造机"
先说大家最熟悉的
渲染器的工作是：让世界"看起来"对 输出是像素，给人眼看的画面文字生成视频、图片生成视频、实时交互的"下一帧预测"，统统归在这一层。Google的Genie 3、各种Sora类产品、以及一大批让你"走进AI生成世界"的demo，本质上都是极其精致的渲染器。
▲ DeepMind的Genie 3：交互式像素世界的天花板，但在李飞飞的框架里仍属于"渲染器"
李飞飞在长文里用了一个极其毒辣的比喻：想象一段AI生成的航拍城市视频，从空中看完美无缺，高楼林立、车流不息、光影绝美。但如果你真的把镜头拉到地面，试图开车穿过那些街道，建筑就会塌掉。
因为那些建筑从来不存在像素存在，结构不存在
一位叫@builderyang的博主概括了这种感受：
▲ "几乎所有你玩过的'可玩世界模型'，都只是渲染器，对下一帧的极好猜测"
"缺少模拟器，世界难以保持一致；缺少规划器，角色也就缺乏意图。这就是它们像梦而不像游戏的全部原因。 游戏活在模拟和规划两个格子里，而这两个格子，在整个领域几乎还是空的。"
这段话把锋芒指向了行业对前沿的判断：那片天花板极高的区域，或许仍属于入门层。
第二层：模拟器，被冷落的"枢纽"
如果渲染器回答的是"世界看起来像什么"，那么模拟器追问的是："世界到底是怎样的，它会如何变化？"
模拟器输出的是状态，也就是在几何、物理、动力学意义上忠实的世界表示。瓶子放在桌子边缘会不会掉？水倒出来会往哪流？机械臂推一下箱子，箱子会滑多远、会不会撞倒旁边的东西？
这些问题，靠猜下一帧是猜不出来的
李飞飞在Bloomberg Tech的口播里说了一句被反复引用的话："模拟器是枢纽。模拟器可以变成渲染器，也可以变成规划器。这一层是解锁空间智能的关键路径"
▲ a16z放出的Bloomberg Tech片段：李飞飞明确将模拟器定位为三层中的"linchpin"（枢纽）
为什么说它是枢纽？逻辑极其优雅，如果一个模型理解"杯子如何搁在桌上"，那它原则上应该能：从任意角度渲染这个杯子（渲染能力），模拟杯子被推后的后果（模拟能力），以及规划手如何拿起它（规划能力）。三层是同一种理解的三种投影 掌握了中间这层，上下都能打通
但这恰恰是最不性感、最难融资、最少上头条的一层。
原因很现实：带精确几何与物理标注的3D数据，远远少于互联网上唾手可得的视频和图片。训练一个视频渲染器，YouTube就是你的数据集；训练一个物理模拟器？你得一砖一瓦地搭建带碰撞体、带材质属性、带动力学参数的3D世界。数据供给的不对称，决定了产业热度的不对称。
第三层：规划器，最诱人，也最早期
规划器的输出最简单也最可怕：行动 给定你看到的东西和你想达到的目标，告诉你，下一步该做什么。
如果说渲染是"从条件到画面"，规划就是它的逆过程，"从画面到动作"。这一层主要服务于机器本身自动驾驶、仓储机器人、手术辅助系统，都在等这一层成熟。
▲ 一条高赞回复精准概括了从渲染到规划的跃迁本质
一条来自@UnderKong的回复把这个跃迁写得极为精辟："关键转变是从预测像素到预测后果。对机器人来说，有用的世界模型既要回答'会发生什么'，也要回答'哪个动作能把世界推向我想要的方向'。"
但李飞飞自己也很冷静长文坦言：近两年机器人演示在视频里很漂亮，可几乎都困在强约束实验室、窄物体集与短时程任务上。从实验室到真实厨房、仓库、手术室，那个鸿沟，比多数demo让你以为的大得多。
谁在造桥？
概念讲完了，回到产业谁在往模拟这个"空白格"里填东西？
World Labs自己的答案是Marble，2025年11月发布的多模态世界模型产品。
▲ Marble：从文本、图像、视频甚至粗略3D布局，生成可探索、可编辑、可导出的3D世界
它的关键差异落在输出上：除了像素，还有碰撞网格。生成出来的桌子看起来像桌子，在物理引擎里也有可计算的结构，你可以往上面放东西、推它、让它倒。这正是从渲染跨向模拟的第一座桥
▲ NVIDIA开发者博客展示了Marble→Isaac Sim的机器人训练管线，场景搭建时间从"周"缩短到"小时"
NVIDIA迅速跟进，把Marble接入自家的Isaac Sim机器人仿真平台。工程师用文字描述或图片就能快速生成多样化的训练场景，省下数周手工搭建的时间。对机器人而言，世界模型由此提供了一个可以犯错、可以试错、可以学习的仿真世界。
一位工业控制领域的从业者在评论区写道：
▲ "系统自主做得越多，越要核验它决定了什么、人类何时接管"
"渲染拿走了头条，但更大的跃迁在从模拟到规划。系统自主做得越多，你越要核验它到底决定了什么，以及人类何时该接管。 这和我在控制室里遵循的原则一模一样。"
这番话来自一位已经在工业场景里摸爬滚打的从业者，带着控制室经验形成的安全底线。
暗流涌动的路线之争
当然，并非所有人都买账
学术圈内部正在发生一场安静但尖锐的分歧：模拟器的"状态"到底该怎么表示？
一派认为，应该走显式路线，Gaussian splats做外观、经典物理引擎做碰撞，一切可检查、可调试。这是World Labs目前的方向。
另一派信奉"苦涩的教训"（bitter lesson），希望让模型自己从海量数据中学出潜在的物理表征，摆脱人类设计的物理规则。也许它学到的"物理"比牛顿方程更适合机器人。
▲ "模拟器把'生成看起来合理的东西'变成了'推理接下来发生什么'，这是视觉玩具和智能层的区别"
这场路线之争仍未有定论李飞飞自己也在长文里把它列为"未解的中心问题"之一。Marble同时输出splats（偏好看）和碰撞网格（偏好算），本身就是一种产品层面的调和。但最终答案是什么，没人知道
为什么这张地图此刻如此重要
回到最初的问题：为什么一篇分类法长文能引发讨论？
因为它给了所有人一把尺子
从今以后，每当有公司发布会上宣称自己做出了"世界模型"，你可以拿出这把尺子量一量：它交付的到底是像素、状态，还是行动？ 是在画梦，是在建世界，还是在让机器执行任务？
Sora们给了我们会动的画Genie 3给了我们可以走进去的画。但画终究是画
李飞飞指着画背后那片空白说：游戏的下一幕，还没有开始。
模拟器和规划器，那两个几乎还是空的格子，才是未来十年AI最深、最难、也最值钱的战场。谁先把它们填满，谁就拿到了从数字幻觉通往物理现实的钥匙。
而这把钥匙的另一个名字，叫空间智能。
