世界模型概念膨胀：AGI路上的百家争鸣与泡沫
世界模型，已如现实世界般纷乱。
OpenAI称Sora生成的视频是“世界模拟器”；杨立昆（Yann LeCun）则认为Sora是像素幻觉，真正的世界模型应是“预测未来的抽象大脑”；谷歌DeepMind表示Genie3是“可交互的通用世界模型”；李飞飞提出“空间智能”才是正确方向。
现实世界唯一且客观，但AI领域中，似乎人人都在打造自己的“世界模型”。
尽管定义差异巨大，这些争论不休的大佬们在一个基本判断上达成共识：大语言模型终将遇到瓶颈，世界模型是通往AGI的必经之路。
大语言模型在GPT-3.5后经历了参数膨胀，而世界模型在技术路线收敛前，先出现了概念膨胀。
世界模型成筐，万物皆可装入
“世界模型”的混乱，根源在于它是一种目标——让AI具备理解外部世界规律、预测世界变化的能力，而非具体技术路径。
最先混乱的是概念。
世界模型的思想最早可追溯至1943年认知科学家Kenneth Craik提出的“心智模型（Mental Model）”，即大脑通过构建外部世界的微缩模型进行预测，能处理当前信息并预测“若这样做，世界会怎样”。
该理论虽在20世纪90年代被引入强化学习，但真正让它在现代AI领域立足的是Jürgen Schmidhuber等人2018年发表的论文《Recurrent World Models Facilitate Policy Evolution》。这篇论文首次系统定义了神经网络世界模型框架，当时它由视觉组件（VAE）、记忆组件（RNN）和控制器构成，在简单赛车游戏和二维类射击游戏中训练。
七年过去，随着大语言模型爆发，对通用人工智能的渴望让这一概念在近两年快速繁衍。
Yann LeCun在2022年提出以世界模型为核心的“自主智能”，强调通过模块化设计和自监督学习获取抽象表征，并在2023年、2024年先后推出I-JEPA、V-JEPA预测模型。
李飞飞在2024年提出“空间智能”理念，创办World Labs，发布Marble，主张世界模型必须具备生成可交互3D环境的物理一致性能力，“对我而言，空间智能是创造、推理、互动、理解深刻空间世界的能力，无论是二维、三维还是四维，包括动态等所有方面。”
甚至OpenAI前首席科学家Ilya Sutskever提到的“压缩即智能”，本质上也认为只要能无损压缩预测下一个token（无论是文本还是像素），模型内部就构建了世界映射。
一个抽象概念，衍生出更多抽象概念。
若抛开定义争论，从技术方向看，当前世界模型主要分为两大流派，对应两种不同世界观：表征派（Representation）与生成派（Generation）。
Yann LeCun是“表征派”，这是一条不产生画面的极简路线。
类比人脑中的心智模型，我们对世界的预测和行动往往是直觉，而非物理公式或具体画面。基于此，LeCun的世界模型是深藏在系统后端的“大脑”，仅在表征处理后的潜在空间运作，预测“抽象状态”。
在这条推文中，LeCun明确定义世界模型需同时输入四个变量：对先前世界状态的预估s(t)、当前观察x(t)、当前动作a(t)、潜在变量z(t)，结合这四个变量预测下一时刻世界状态s(t+1)。
这个定义有两个关键点：一是世界模型预测下一刻的“状态”而非画面；二是能针对连续动作交互进行因果推断。
比如一辆车开过来，它不会在脑海里画出车牌号和反光，只会计算出“障碍物靠近”这一状态。这种模型不为给人看，只为给机器做决策，追求逻辑上的因果推演，而非视觉逼真。LeCun提出的I-JEPA和V-JEPA，都摒弃了生成式AI“预测每一个像素”的做法，毕竟现实世界充满不可预测的噪音（如树叶纹理），AI不应浪费算力生成这些细节。
第二大流派是目前声量最大的“生成派”，与Yann LeCun最核心的区别在于，他们要重建、模拟视觉世界。
这一派常引用物理学家Richard Feynman的名言：“我若无法创造，便不能理解。”即只要模型能生成正确世界，就证明它懂了世界物理规律。
2024年初，OpenAI介绍Sora时提到它是世界模拟器。OpenAI认为，只要数据量足够大，模型就能通过预测下一帧像素，涌现出对物理规律的理解。通过学习数十亿视频片段，它记住了“人走路时腿会交替”“玻璃杯掉落会破碎”的概率分布。
Sora作为世界模型争议很大，最直接的一点是它无法回应LeCun关于动作与世界状态的因果律——如果模型只能像放电影一样生成视频，而不能回答“如果我踢了这个球，它会怎么飞”这样的动作交互问题，那它可能只是记住了“球飞行的轨迹概率”，而非理解了“力学定律”。
那么，如果视频生成能根据用户动作输入实时预测下一帧呢？
于是，生成派衍生出更进阶的形态：互动式生成视频（Interactive Generative Video），例如Genie3。
和Sora不同，IGV的区别在于实时性、可交互性，即有了动作（Action）。谷歌DeepMind发布的Genie 3，明确定位为「通用目的世界模型」。它允许用户进入场景并互动，支持生成720p分辨率、24fps帧率的实时画面。用户可自由导航，比如以第一人称视角驾驶或探索复杂地形。这意味着模型不仅理解画面，还理解了动作与环境变化的因果关系，尽管目前动作仅限于方向按键的上下左右。
最后是李飞飞主张的“3D空间智能（Spatial Intelligence）”，以World Labs发布的Marble为最新代表。
如果说前两者是处理视频流，那么Marble则试图从底层构建一个持久、可下载的3D环境。
这条路线的技术底座更接近“3D高斯泼溅（3D Gaussian Splatting）”。它不依赖传统网格建模，而是将世界表征为成千上万个漂浮在空间中的彩色模糊小斑点（高斯体）。通过这些微粒聚合，模型能渲染出精美的三维画面，允许用户通过提示词生成、利用内置编辑器自由改造，支持一键导出到Unity等引擎中。
尽管Marble现在离李飞飞提到的空间智能还很远，但能看出她认为达到空间智能的第一步，是先建立一个高精度、物理准确的3D空间。可以总结：区别于Sora，Marble生成的是符合物理规律的3D世界；区别于Genie3，Marble不是实时生成的世界，但精度和还原度更高。
但这些路线的成果，都未达到各自期待的世界模型模样，甚至彼此吵得不可开交，也都有一批拥护者，这导致“世界模型”的概念外延被无限扩大。
如今，凡是涉及环境理解与模拟的上下游工程，不管是具身智能、自动驾驶、游戏视频等结构化垂直领域，还是生成式视频、多模态模型、视频理解、3D模型等技术，甚至做视觉信息压缩的DeepSeek OCR，全都主动或被动地和世界模型挂上了钩。
世界模型越来越像一个筐，啥都能往里装了。
有泡沫也有野心，世界模型是“反LLM中心”叙事
如果仅是技术路线不同，不足以解释为何“世界模型”会在今年井喷。热潮背后，交织着资本焦虑、技术瓶颈以及对AGI的渴望。
我们必须先承认，这里面有巨大泡沫成分。
在创投圈，叙事往往比代码更值钱。当“大语言模型”竞争格局已定，OpenAI、Google等瓜分基础模型天下，后来者和垂直应用开发者急需新故事打动投资人。
“视频生成模型”听起来就是工具软件，天花板有限；但一旦改名叫“世界模型”，瞬间就上升到AGI高度。
这也是当下AI时代一个有趣现象：科研人员大规模下场创办公司，学术与商业发生重叠。
在纯粹科研世界里，所有创新都必须建立在严谨公理之上。若要解决一个问题（如实现AGI），首先必须精准定义这个问题。然而，当Lab变成Company，学术大佬变成CEO，这种原本局限在期刊里的“定义之争”，就被抛到了商业世界。
在科研中，不同路线可以共存；但在创业公司中，资源有限，如果A定义是对的，B公司的几十亿投入可能就打了水漂，一个定义的差异，对应的却是数以亿计的算力投入方向、上下游产业链备货、投资人价值重构。
而当我们抛开定义争夺和炒作，世界模型的兴起，也像是一场“反LLM中心主义”运动。
整个AI行业对大语言模型（LLM）产生了集体性技术焦虑。这种焦虑源于LLM的先天缺陷：它是“离身”（Disembodied）的。LLM在纯文本符号系统中训练，知道“苹果”这个词和“红色”“甜”经常一起出现，但从未真正“看见”过苹果，也无法理解苹果掉在地上的重力加速度，更别提随着数据规模扩大，AI提升的边际效益正在递减。
无论是Ilya Sutskever离职OpenAI后强调的“超越大模型”，还是李飞飞提出的“空间智能”，核心都在于一点：AI需要从学习“人类说的话”，转向学习“世界发生的事”。行业正在从单纯文本处理，转向对物理现实的模拟与交互，因为大家都意识到，通往AGI的最后一块拼图，不在互联网文本数据里，而在真实物理世界中。
只是希望在世界模型真正出现之前，这个词不要先被玩坏了。
本文来自微信公众号“硅星GenAI”，作者：黄小艺，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com