说说我的看法：世界模型不是风口叙事，它是一个真实存在的技术方向，但目前市面上大量讨论关注的是生成能力，而不是世界模型真正需要解决的环境预测、因果建模和规划问题。
先厘清一个概念：现在大家说的"世界模型"其实不是一回事
LeCun 提的世界模型（JEPA 架构）和李飞飞讲的世界空间（World Space），两者关注的问题重叠——都涉及表征学习和世界理解——但技术路线和侧重点不同。LeCun 想在抽象表征空间做预测，避开像素级生成的计算开销；李飞飞更偏 3D 场景理解和生成。而工业界现在做的，比如游戏领域的 Genie、Genie 2，更接近 action-conditioned interactive world model——你给它一个动作，它预测下一个环境状态——但其主要能力仍集中在视觉环境生成和短时动态预测上。
这些东西有价值，但它们解决的问题不一样。如果把"能生成下一帧画面"等同于"形成了稳定的、可迁移的、可用于规划的环境状态表示"——这里说的"理解"不是人类语义理解，而是这个意思——那这个风口确实被放大了。
真正的难点不在预测，在于稳定的环境表征
我自己跑 DreamerV3 的时候有一个很深的体会：RSSM（Recurrent State-Space Model）确实能学到一些动态规律——比如在 MuJoCo 的 cartpole 任务上，它可以在想象空间里预测杆子的摆动轨迹，训练出来的策略还能用。但如果仔细看它想象出来的状态，会发现稍微复杂一点的任务，预测就开始模糊、发散。
原因不复杂：RSSM 学习的是任务相关的隐状态动力学，而不是显式的 3D 物理世界模型。它在训练分布内表现不错，但不一定形成类似物理规律的显式表示，因此面对分布外情况时，可能无法像物理模型一样进行可靠外推。
这个差距，就是当前世界模型研究最核心的问题。
物理先验注入，是重要方向之一
如果目标是提升世界模型的稳定性和泛化能力，单纯靠加大数据量、堆 transformer 层数可能不够。把物理约束——比如能量守恒、碰撞检测、刚体动力学——作为先验注入到模型结构里，是一条值得探索的路径，让模型在学动态的时候不是从零开始猜，而是沿着物理上合理的路径去学。
在我的实验中，加入特定物理约束后，部分任务上的训练稳定性和长时间预测表现有所改善——比如不容易出现"杆子穿模"或者"物体突然消失"这种在纯数据驱动模型里常见的问题。当然，物理先验不是唯一路线，scaling、多模态预训练、对象级学习也各有各的空间。
对象级世界模型，另一个绕不开的方向
前面说的 RSSM、JEPA 更多是在整体 latent space 或像素空间做预测。但"理解物理世界"还有另一条路径：让模型从像素或 latent 转向实体、关系和状态变化的建模——也就是 object-centric representation。通过 slot attention、scene graph 这类方法，把场景分解为独立的对象和它们之间的交互关系，然后对每个对象的动力学分别建模。
这条路线的好处是泛化性更强——你见过桌子上的杯子被推，换到桌子上的碗被推，对象级模型更容易迁移。而整体 latent 模型可能需要重新学。
世界模型和 VLA 的关系，需要更准确地看
现在行业里很火的 VLA（Vision-Language-Action）路线，比如 RT-2、π0，当前主流 VLA 主要优化视觉语言到动作的映射，而显式环境预测和长期规划能力仍然是其薄弱环节。需要注意的是，这些模型内部的 transformer 确实有 latent prediction 和 action chunking 机制，并非完全没有规划能力，只是这种规划是隐式的、短视的。
世界模型解决的是另一个层面的问题：先预测"如果我做这个动作，环境状态会变成什么样"，然后在这个想象空间里做规划，选最优的路径去执行。感知只是世界模型的输入之一，不是全部。
在需要长期规划和环境预测的任务中，世界模型可能成为 VLA 之外的重要基础模块。未来架构可能是 VLA+世界模型+规划器的分层结构，也可能是端到端 VLA 直接搞定——目前没有定论。
也要想想：世界模型可能不是最终答案
说完优势也得说风险。世界模型这条路线有几个根本性的挑战：学习完整物理世界的成本可能太高，长期预测天然困难（误差会累积），planner 未必需要精确的模拟器——一个"够用"的粗糙模型可能就够了。甚至有可能，直接策略学习在某些任务上比"先学世界模型再规划"更高效。
这些问题不意味着世界模型方向错了，但意味着它可能不是唯一的终点，更可能是智能体架构中的一个关键模块。
所以，风口还是关键节点？
我的判断：世界模型不是因为"能生成未来画面"而重要，而是因为它试图解决智能体在未知环境中的预测和规划问题。但当前大多数系统仍停留在任务相关的隐状态预测阶段，距离通用物理世界理解还有明显距离。
从隐状态预测到通用物理理解，中间还有因果推理、3D 表征、Sim-to-Real 迁移可靠性等很多问题没有解决。但这也恰恰说明这个方向值得投入。如果所有问题都解决了，那才说明没什么空间了。
评论