连影视UP主都在讲的世界模型，究竟有什么价值？

著名影视UP主“影视飓风”最近发视频，通过“AI生成的硬币抛出去正面朝上概率是多少”这一大众习以为常的事件，向观众介绍“世界模型”的概念。

当影视博主通过自己擅长的方式，跨界介绍一个理念，那就意味着这个理念，多少能和大众生活产生关联。影视飓风称，世界模型轻则可以改变大家看视频的方式，重则对机器人的训练和发展有举足轻重的作用。

事实上，世界模型，早就被AI业界重点关注，并寄予厚望。

智源研究院院长王仲远在2026年初说，“我们正从预测下一个词，跨越到预测世界的下一个状态。”“AI教母”李飞飞在同一时间写道，“空间智能是AI的下一个前沿。”英伟达的黄仁勋更直接，把世界模型称为“AI领域当下最关键的方向”，并为此专门推出了Cosmos平台。

所以，什么是世界模型？

现在大家说的“AI”，主要是指大语言模型（LLM）驱动的功能。具体来说，就是ChatGPT跟你聊天，Midjourney帮你画图，豆包帮你写邮件。大语言模型活在屏幕背后，通过屏幕和用户进行交互。

在LLM之后，AI还经历了能看图说话听音辨意的多模态大模型，以及多模态的延伸——VLA模型（视觉-语言-动作模型）。其中，VLA是机器从“会想”走向“会动”的关键一步，目前已经装上了量产汽车和工业机器人。

从会说话，到会看会听，到会动手，AI的下一步，就该像人一样懂得预测。世界模型，就是“预测”这一行为的落点。

然而，不同人嘴里说的“世界模型”，竟然不是同一件事。

Sora生成的一段视频，游戏引擎里的一次物理模拟，机器人拿起杯子的一个demo，驱动这些行为的因素，都可以被称为世界模型。

为了避免概念混淆，还是“AI教母”李飞飞，在2026年6月，联合自家团队World Labs团队发了篇长文，把市面上所有叫“世界模型”的产品，按功能拆成三类——

第一类，渲染器，输出的是像素，只管画面看起来真不真。Sora和各类视频生成模型，都属于这一档。

第二类，模拟器，输出的是物理状态，不管画面好不好看，只管演算得对不对。物理引擎和仿真平台，属于这一类。

第三类，规划器，输出的是行动，它要回答“下一步该做什么”，机器人和智能驾驶的大脑，走的就是这条路。

李飞飞认为，真正的世界模型，必须包括看见，推演，决定这三者，还得形成闭环。也就是说，真正的世界模型，就像人一样，得遵循“看见→推演→决定→行动→再看见→再推演→再决定”的闭环，缺一个，就是个半成品。

世界模型，现在是个啥情况？

虽然是“AI教母”提出的见解，但不同应用场合，仍然对世界模型，有着自己的定义。因此，实现世界模型的路径，也各有不同，自然也各有不足。

闭环派和李飞飞的见解一致，要求模型必须参与行动决策，推理、修正、再推理，循环推进。理论上，这条路是完整的，但计算开销大得吓人，性价比是笔算不清的账。

而杨立昆的JEPA路线，只做一件事：在抽象空间里预测未来状态，不管画面好不好看。这就像在脑子里想象球滚下去会怎样，但不画出来，死结相当明显——不生成画面，就没法直观验证。模型到底真学会了物理规律，还是在一堆数字里自欺欺人，没人说得准。

视频生成派，走的是另一条路。它的逻辑是，能生成准确的一帧画面，就说明学到了规律。然而，生成得好，不等于物理理解得好。智源研究院院长王仲远给了个一针见血的例子：视频模型能生成猪和飞机在天上一起飞的画面，因为训练数据里有大量科幻片。

准确但极大消耗算力的闭环派，抽象地预测未来的JEPA，还有根据视频学习的视频生成派，其实都要攻克世界模型的底层问题：如何让世界模型，学会现实世界中的理化规则？

大语言模型能爆发，是因为人类几千年攒下了海量文字数据。对比之下，没人在一百年里持续记录“杯子被推下桌子后碎成几片”、“碎片飞了多远”、“声音是闷的还是脆的”这些理化信息。

智源研究院理事长黄铁军有一个简明扼要的说法——

物理世界，没有“互联网”。

他的意思是，物理世界缺乏像数字世界那样标准化、高带宽、低成本的数据互联基础设施‌，导致真实物理数据难以像文本数据一样被大规模高效采集与共享 。

更重要的是，对理化规则的理解，不是光靠看就能学会的。

一个孩子知道玻璃杯摔地上会碎，是因为他可能失手摔过。感受到了力的传导，听到了声音，看到了碎片飞溅的方向。但机器人和汽车这些“硅基生物”，可没有这个条件和能力。

为什么还要押注世界模型？

换个角度想，等定义吵明白了再动手，等数据攒够了再上路，等所有人都点头了再出发，真到那一天，自动驾驶每年还在用人命交学费，工厂招不到人的缺口只会越来越大。

智能驾驶长尾场景概率极小，但必有一遇。穿恐龙服的人骑摩托上高速，真实路测跑十年未必碰上一次，可车出厂必须能应对。更致命的是，有些危险场景不能人为制造。前车突然爆胎横转，儿童从盲区冲出，在真实道路上故意制造是违法的。物理世界不让你加速，真实时间不可压缩，一辆车一次只能跑一个坐标，这些都需要世界模型来帮忙。

而中国制造业工人平均年龄逐年上升，年轻人不进工厂；日本、韩国、德国的护理和物流岗位缺口已经大到影响经济运行，这些情况，都指向同一个出口：有能力处理更复杂工作的机器人。而要让机器人具备这种能力，世界模型是绕不开的一环。

问题是，现如今机器人行业面对的，首先是真实硬件摔不起的情况。夹爪撞歪，杯子摔碎，传感器受损，每次试错后还要人工复位，复位本身可能比试错还慢。更底层的困境，是仿真和现实之间的鸿沟——仿真里学会的抓取姿势，到了真实世界光照一换、材质一变，动作就偏了。

所以，驱动世界模型理念发展的，并不是“是时候干起来”，而是“不得不做”。所幸的是，世界模型遇上的问题，现阶段可以简单粗暴对等为算力问题，而算力问题可以靠规模和时间解决。解决问题后可以带来跨越式的提升，资本就愿意为世界模型买单，哪怕还不知道世界模型在什么时候能真正兑现价值。

于是，我们就看到了杨立昆的AMI Labs融资超10亿美元，李飞飞的World Labs累计融资约13亿美元，英伟达燃烧大量经费，也要推动Cosmos平台的发展。

而中国的智造力量，也在尽自己最大努力，推动世界模型的拓展和完善。

2026年5月底，智元的世界模型仿真器GE-Sim 2.0在WorldArena Track1（世界模型感知与动作响应赛道）登顶，从视觉质量、运动质量、物理遵循度等多个维度综合领先。

随后，智元在6月初开源了AGIBOT WORLD 2026数据集第二期，这是业内首个聚焦物理交互的开源具身数据集，系统记录了机器人在真实世界中，包括抓取失败、碰撞、滑落等失败在内的各种交互。

此外，华为投资的极佳视界以DriveDreamer系列切入自动驾驶世界模型，已签约合作多家头部车企；星源智在2026年智源大会上发布了具身交互世界模型ω-EVA，现场展示了机器人解华容道、智能分拣等需要连续推理和预判的任务。

世界模型，会怎样发展？

AI这波热潮，让机器学会了人类语言。接下来的多模态，让机器看得见听得着。随后，VLA让机器自己动起来。这就像陪伴孩子成长，新获得的能力，并不是否认前一层，而是在前一层的肩膀上再往上走。

所以，纵使世界模型实现的路径有所不同，本质上它还是会借助VLA的能力来发展。小鹏汽车的做法，就很好地解释了这个逻辑。

2026年3月，小鹏向用户推送了第二代VLA智驾系统，同时发布了世界模型X-World的技术报告。第二代VLA装在车上，每天跑在真实路面上做实时驾驶决策；X-World运行在云端，负责诸如每日仿真等效3000万公里实车测试等仿真测试、强化学习和数据生成。小鹏的技术负责人刘先明在公司会议上明确说，两套技术，互相配合，共同进步。

而阿里巴巴达摩院、湖畔实验室和浙江大学提出的WorldVLA‌，则是更加彻底——把VLA和世界模型塞进同一个模型里，让“做动作”和“预测后果”，在同一个大脑中完成。‌‌

具身智能公司思尔机器人（SEER Robotics）说得更直接：“具身智能的大脑从来不等于任何单一大模型。VLA重要，世界模型也重要，但两者都不是完整的大脑。”

总的来说，在现阶段，VLA负责在现实世界的决策和执行，世界模型在数字空间推演，两条腿走路，缺哪条都跑不远。

确实，世界模型现在还不算成熟，但现实的世界，因为各种原因，已经等不起世界模型慢慢长大。未来一段时间里，世界模型将会在VLA的“搀扶”下，从跌跌撞撞，变得逐渐完善。在这个过程中，世界模型将会为大众的工作和工作带来什么变化，仍然是值得期待的。