世界模型的前世今生:从认知科学到物理AI的核心引擎

摘要

2026 年，世界模型正成为 AI 领域最热的技术方向之一。从 Yann LeCun 的系统定义，到 Sora、Genie、HiDream-O1-World 等产品的密集涌现，这条技术路线正在重塑我们对“智能”的理解。

一、思想源头：人脑里那个“小尺度模型”

世界模型的思想，最早可以追溯到 1943 年英国心理学家 Kenneth Craik 提出的“心智模型”——他认为人类大脑会在内部构建一个外部现实的小尺度模型，用来预演未来、做出决策。

在 AI 语境下，“world model”一词首次明确出现于 1990 年，由 Jürgen Schmidhuber 在其技术报告中使用：一个神经网络学习环境动态，另一个据此向前规划。2018 年，他与 David Ha 合作发表论文《World Models》，用 VAE + RNN + 控制器的架构，让智能体在“梦境”中训练策略，这一概念开始在深度学习社区广泛传播。

二、现代定义：LeCun 的系统性框架

2022 年 6 月，图灵奖得主、Meta 首席 AI 科学家 Yann LeCun 发表长篇论文《A Path Towards Autonomous Machine Intelligence》，首次系统定义了现代 AI 意义上的“世界模型”，并提出

JEPA（联合嵌入预测架构）

作为核心实现路径。

LeCun 认为，当前主流大模型存在根本缺陷：生成式方法被迫预测所有细节（包括噪声、纹理、光照等无关信息），浪费算力且难以用于规划和推理。他提出的世界模型，核心能力是在抽象表征空间中预测未来状态，而非生成像素级画面。

这一框架包含六大模块：配置器、感知模块、世界模型、代价模块、短期记忆和行动模块，形成完整的“感知→预测→规划→行动”闭环。

三、技术分化：两条路线、三种实现

世界模型发展到今天，已经形成清晰的技术分化格局：

非生成式路线（JEPA 系）：以 Meta 为代表，只在抽象表征空间做预测，不还原画面。优点是避免像素冗余、训练效率高、适合长期规划；缺点是可视化难度大、产业落地样本较少。
生成式路线：以 OpenAI、Google DeepMind、英伟达等为代表，直接生成未来画面或视频。内部又分为两种实现路径——

自回归

：按时间顺序逐个预测视觉 token，天然适合实时交互和连续生成，代表产品有 DeepMind Genie、英伟达 Cosmos 自回归家族；

扩散模型

：对整段画面加噪后迭代去噪，整体一致性和画质更强，代表产品有 OpenAI Sora、小鹏 X-World。

两条路线并非替代关系，而是按场景取舍。英伟达 Cosmos 同时提供两种模型家族，已说明产业侧走向混合策略。

四、关键节点：四年进化史

世界模型从概念提出到产品密集涌现，只用了四年：

2022 年 6 月：LeCun 发表奠基论文，系统定义世界模型与 JEPA 架构。

2023 年：Meta 推出 I-JEPA（图像版），首个落地实现；学术界出现 UniPi 等工作，将策略学习框定为“视频生成 + 逆动力学”。

2024 年 2 月：V-JEPA 发布（恰好紧随 Sora 公布之后），展示 JEPA 在动态世界理解上的潜力。同年，DeepMind 推出 Genie（可交互世界模型），Wayve 发布 GAIA-1（自动驾驶世界模型），世界模型进入产品化元年。

2025 年：V-JEPA 2 发布，参数规模达 12 亿，首次展示零样本机器人控制能力；英伟达推出 Cosmos 世界基础模型平台；李飞飞 World Labs 明确区分“渲染器”与“模拟器”两类世界模型。

2026 年：智象未来发布 HiDream-O1-World，号称全球首款原生全模态交互式世界模型，支持漫游、编辑、交互三大能力；LeCun 离开 Meta 创立 AMI Labs，融资超 10 亿美元专攻 JEPA 路线商业化。

五、核心技术脉络

梳理世界模型背后的关键技术，可以归纳为四条主线：

JEPA（联合嵌入预测架构）
：在抽象表征空间做预测，避免像素级冗余，是 LeCun 认定的通往自主智能的核心路径。
扩散模型
：通过迭代去噪生成高质量视频，天然处理多种可能的未来，是当前生成式世界模型的主流实现之一。
自回归 Transformer
：将画面切分为视觉 token 逐个预测，适合实时交互和无限延续场景。
多模态融合与世界状态建模
：从单一视觉预测走向视觉、语言、动作、物理状态的统一建模，支撑更复杂的决策和规划

六、为什么世界模型重要？

世界模型的本质，是让 AI 从“被动响应”走向“主动预演”。它不再只是识别眼前发生了什么，而是能够想象“如果我做某个动作，世界会变成什么样”。

这正是物理 AI、具身智能、工业机器人等方向的核心瓶颈——智能体必须理解物理规律、预测未来状态、做出长期规划，而这些能力，都建立在世界模型之上。

从这一视角看，世界模型不只是一个技术方向，而是下一代 AI 基础设施的关键组成部分。

参考来源：

LeCun, Y. (2022).A Path Towards Autonomous Machine Intelligence. OpenReview.

Ha, D. & Schmidhuber, J. (2018).World Models. arXiv:1803.10122.

Meta AI. I-JEPA / V-JEPA / V-JEPA 2 系列论文及官方公告.

东吴证券研究所.《AI 系列深度 13 期：世界模型如何实现？》(2026-08-05).

智象未来 HiDream-O1-World 官方发布信息.

● END ●

北京元梦翼科技有限公司创立于2023年，以自主研发为核心，依托中科院体系研发团队，专注AI算法与物理仿真前沿技术。打通数字世界与物理世界的技术壁垒，助力实体经济实现数智化升级。业务深度布局工业安全数智实训、公共安全数智宣教、职业教育仿真实训、文旅文博数字沉浸四大板块，提供全链路、自主可控的虚实融合解决方案，赋能产业数智化转型。