ARTICLE · 人工智能
万字科普：一千个「世界模型」在发布，到底什么是世界模型？
一语总结本文整合李飞飞与 Packy McCormick 的观点，系统梳理世界模型的概念、三大分类（渲染器/模拟器/规划器）、三十年技术演进、数据挑战与未来方向，为读者提供清晰的判断框架。
文章指出，世界模型已成为 AI 领域最被滥用的术语之一，几乎所有视频生成、机器人、游戏引擎、自动驾驶系统都在自称世界模型。在此背景下，李飞飞撰文提出功能性分类：渲染器（输出视觉像素）、模拟器（输出几何/物理状态）、规划器（输出行动序列），三者本质是同一底层世界理解的不同投影。文章还梳理了从 1990 年 Schmidhuber 奠基论文到 2026 年实际部署的四波浪潮，分析了游戏数据作为训练源的优势，以及数据稀缺、迁移曲线等核心挑战。最后给出一个用于判断任何世界模型项目的框架，并预测统一模型是长期趋势。
- 世界模型的核心是交互式预测，通过动作模拟下一状态，与单向视频生成有本质区别。
视频模型预测 P(x(t+1)|x(t))，而世界模型预测 P(s(t+1)|s(t)， a(t))，动作 a(t)是交互性的关键，使 Agent 能在模型内部演练并迁移到真实世界。
- 李飞飞将当前所谓的世界模型分为渲染器、模拟器、规划器三类。
渲染器输出像素（视频模型），模拟器输出状态（几何/物理），规划器输出行动（机器人控制）。三者处于感知-行动循环的不同节点，最终应趋于统一。
- 数据是世界模型的最大瓶颈，游戏数据因包含完整动作-观测配对而成为理想训练源。
Medal 平台每年捕获超 10 亿游戏片段，同时记录玩家操作指令，形成无信息损失的‘观测-预测-行动’样本，优于缺乏动作标注的真实世界视频。
- 世界模型历经四波浪潮：理论奠基、可行性验证、媲美人类、真实世界部署。
从 1990 年 Schmidhuber 的早期 RNN 到 DreamerV2 在 Atari 达到人类水平，再到 GAIA-1 用于自动驾驶、V-JEPA 2 零样本机器人泛化，当前正进入真实产品部署阶段。
- 未来趋势是统一模型，但面临三条迁移曲线及数据稀缺等未解难题。
输入模态迁移、传感器迁移、环境迁移三条曲线相互影响，目前尚无 Scaling Law 能证明大规模收集物理数据必然带来泛化，游戏数据和真实部署互补是务实策略。
万字科普：一千个「世界模型」在发布，到底什么是世界模型？
文章指出，世界模型已成为 AI 领域最被滥用的术语之一，几乎所有视频生成、机器人、游戏引擎、自动驾驶系统都在自称世界模型。在此背景下，李飞飞撰文提出功能性分类：渲染器（输出视觉像素）、模拟器（输出几何/物理状态）、规划器（输出行动序列），三者本质是同一底层世界理解的不同投影。文章还梳理了从 1990 年 Schmidhuber 奠基论文到 2026 年实际部署的四波浪潮，分析了游戏数据作为训练源的优势，以及数据稀缺、迁移曲线等核心挑战。最后给出一个用于判断任何世界模型项目的框架，并预测统一模型是长期趋势。
文章用渲染器、模拟器和规划器三类框架澄清被过度使用的「世界模型」概念，并梳理三十多年技术演进与数据瓶颈。关键区别是世界模型必须预测动作影响下的下一状态，而不是只生成下一帧画面。作者还解释游戏数据为什么珍贵：它同时保留观测与操作，比普通视频更接近完整的感知行动闭环。这不是追逐发布热度的科普，而是一套判断项目是否真正具备交互式预测能力的实用坐标系。适合研究、产品与投资读者。
文章金句
"世界模型模拟环境，并在你于其中行动时做出响应。
"六个月后，每家公司都会自称是世界模型公司来融资。
"你有没有做过清醒的梦，能在梦境中主导故事的走向？那就是一个世界模型。
"我们作为一个物种，已经往大语言模型基础设施上砸了数万亿美元和无数工程师时间，复用这台机器的诱惑实在太大了。
"Agent 能在自己的梦里学习吗？在极短的时间内，这个领域已经有了答案：能。