行业趋势 on WorldSense 技术笔记

世界模型风口被放大了：技术辨析与冷思考

Tue, 18 Aug 2026 00:00:00 +0000

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。

为什么说 2026 年，AI 在疯狂寻找物理外壳？

Sun, 16 Aug 2026 00:00:00 +0000

从 Ray-Ban Meta、PLAUD、Amazon Bee，到 Rabbit R1、机器狗和人形机器人：AI 正在一件一件地给自己补齐"器官"。

如果过去两年 AI 的主流产品是 ChatGPT、Claude、Cursor，那么 2026 年让我觉得最有意思的变化，是 AI 开始从屏幕里"搬家"。

它住进了眼镜、胸针、耳机、小盒子、机器狗和人形机器人。

有的给 AI 一双眼睛，有的给它一双耳朵，有的给它记忆，有的给它显示器，有的甚至开始给它手和腿。

所以我越来越觉得，“AI 在寻找物理外壳"并不是一个比喻。

但这里的"外壳"不一定意味着人形机器人。它可能是一副眼镜、一枚胸针、一条腕带、一台机器狗，也可能最终是一台真正能够在现实世界里行动的人形机器人。它们其实都在尝试解决同一个问题：AI 如何从"理解世界”，变成"存在于世界"。

我是一个做世界模型方向的工程师，日常和 MuJoCo、DreamerV3 打交道。但最近半年越来越关注 AI 硬件——因为我做的世界模型、仿真训练和 sim-to-real，最终面对的一个重要问题，就是如何让 AI 从"理解世界"走向"作用于世界"。而这些 AI，迟早需要某种物理载体。

这篇文章不是技术综述，更像是一个"AI 硬件逛展式观察"。我想按一个有意思的角度来聊：AI 正在按器官逐一获得物理形态——从感知到交互再到行动，逐步构建完整的身体。当然，“器官"在这里是一个比喻，更准确地说，是 AI 正在获得不同的物理接口。

AI 的眼睛：Ray-Ban Meta

我第一个想聊的不是机器人，而是一副眼镜。

2025 年 9 月发布的 Ray-Ban Meta Gen 2，到 2026 年，它已经成为 AI 眼镜里最成熟、也最接近大众消费电子的一种产品形态。它有意思的地方恰恰在于：它看起来不像 AI 产品。没有大屏幕，没有科幻造型。它就是一副普通眼镜，但里面塞了摄像头、麦克风、扬声器和 AI。

它真正有意思的能力不是"可以问 ChatGPT”。而是：

AI 可以看到你正在看的东西。

“这是什么植物？““帮我翻译这个菜单。““这个零件叫什么？"——AI 获得了一个非常特殊的输入：佩戴者的第一视角。

我觉得它成功的关键之一，是它首先是一副正常的眼镜，然后才是一台 AI 设备。

2026年，「世界模型」会是下一个AI风口么？

Mon, 03 Aug 2026 00:00:00 +0000

先说结论：是世界模型的风口，但不是所有人的风口。

2025-2026年，世界模型确实热起来了。Sora、Kling、Vidu这些视频生成模型本质上都在学"世界怎么变化"；DreamerV3在机器人控制上证明了世界模型的样本效率优势；2026年中科院的综述把四大技术范式梳理清楚，标志着这个方向从"散兵游勇"进入"体系化"阶段。

但"风口"这个词需要拆开看。我分三个层面聊。

技术层面：确实在爆发

几个信号很明确：

论文数量翻倍。2024-2025年世界模型相关的顶会论文比前两年翻了一倍多，四大范式（观测级生成、隐空间建模、强化学习驱动、对象中心表示）已经成型。

大厂入场。DeepMind、OpenAI、Meta都在布局。OpenAI的Sora虽然定位是视频生成，但技术路线和世界模型高度重合。Meta的V-JEPA系列在隐空间世界模型上走得很快。

应用场景拓宽。从最早的游戏仿真，扩展到机器人操控、自动驾驶决策、科学发现模拟、GUI智能体。每个场景都在催生新的技术需求。

从技术成熟度曲线看，世界模型大概在"期望膨胀期"的早期阶段——技术有真实价值，但市场预期可能跑在了实际能力前面。

产业层面：离大规模商业化还有距离

这是需要冷静看待的部分。

Sim-to-Real还没解决。世界模型在仿真里很强，但部署到真实机器人上性能下降30-50%。这个瓶颈八年没突破，短期内也难有根本性解决方案。

计算成本太高。训练一个像样的世界模型需要多张A100跑几周。对于创业公司或个人研究者，这个门槛不低。

杀手级应用还没出现。大语言模型有ChatGPT，图像生成有Midjourney，世界模型的"ChatGPT时刻"还没到来。目前最接近的是机器人操控，但离消费级产品还有距离。

所以从产业角度，世界模型更像是"2-3年后的风口"，不是"现在就能变现的风口"。

个人层面：谁适合现在入场

基于我自己的观察和实践，分几种情况：

适合入场的：

做研究、读博、进大厂AI Lab的人——这是具身智能的核心技术，未来5-10年有持续需求
有机器人/自动化背景的工程师——世界模型的应用层（任务适配、迁移工具链）离钱更近，大厂还没完全覆盖
有算力资源的团队——能跑得起训练，有机会做出有影响力的工作

需要谨慎的：

想快速变现的创业者——这个方向太慢，不适合追求短期回报
纯软件背景、没有物理世界经验的人——世界模型的核心难点在Sim-to-Real，需要懂机器人、懂控制、懂硬件
算力有限的个人研究者——可以学原理、跑开源代码，但想做出原创贡献很难

我的判断

世界模型是AI从"理解语言"走向"理解世界"的关键一步。这个方向的价值是确定的，但时间线可能比大多数人预期的要长。

短期（1-2年）：技术继续突破，但商业化案例有限，主要是大厂和研究机构在推进。

中期（3-5年）：Sim-to-Real问题部分解决，工业场景（机器人装配、仓储物流）开始出现规模化应用。

长期（5-10年）：如果"统计拟合→机理理解"这个关口能突破，世界模型可能成为通用人工智能的基石。

对于个人来说，现在入场不晚，但需要耐心。不要指望半年就能看到回报，给自己至少2-3年的时间。