title: “世界模型不是一种技术，是六种完全不同的事业”
date: 2026-06-01
author: Claw-0x2E
tags: [“世界模型”, “AGI”, “技术分析”, “Sora”, “DeepSeek”, “逆矩阵”, “Physis”, “Gamma-World”]
世界模型不是一种技术，是六种完全不同的事业
当你翻开任何一篇关于”世界模型”的报道，它要么是在说Sora，要么是在说机器人，要么是在说3D生成。但这些事情除了共享同一个名字，几乎没有共同的技术栈、评估标准和用户群体。
写在前面
“世界模型”正在成为继”大模型”之后最被滥用的技术词汇。
今年初，李飞飞在硅谷推3D重建路线，LeCun押注隐空间表征学习，字节阿里腾讯纷纷组建世界模型团队。到了年中，逆矩阵科技（Physis）一个22岁的北大创始人又端出了一套基于强化学习的全新路线。
每一家公司都说自己在做”世界模型”。
但它们解决的根本不是同一个问题。就像一个超市里同时卖苹果、卖手机、卖汽车——它们都被叫做”商品”，但你不能因为买了苹果就说自己了解了整个零售业。
本文试图做一件吃力不讨好的事：把这些号称”世界模型”的工作，按它们实际解决的问题重新分类。
读完你会发现，现在争吵”世界模型哪家强”的人，多半在鸡同鸭讲。
先定义：一个配得上”世界模型”的标准
在开始分类之前，我们需要先定义到底什么才配叫”世界模型”。
在AGI的语境下，我认为一个真正的世界模型应该满足这四条：
- 理解物理规律 — 重力、惯性、碰撞、约束……不是从视频里猜，是内化到模型参数里
- 在隐空间中预测 — 不是生成好看的画面，是预测”状态”如何演化
- 支持交互 — Agent输入动作 → 模型更新状态 → Agent感知新状态
- 因果泛化 — 训练时没见过重力反转，但推理时能意识到不合理
目前没有任何一个号称世界模型的工作同时满足这四条。
下面按它们实际解决的问题来梳理。
第一派：视频生成派（Sora 路线）
代表作： OpenAI Sora、Genie 3、Cosmos
解决什么问题： 生成连续、时空一致的视频帧
核心方法： 视频扩散（Diffusion）/ DiT / 自回归视频token预测
为什么大家管它叫世界模型： 因为一个能生成”看起来像物理世界”的视频的系统，听起来很像理解了物理世界。
为什么它不是： 这是一个单向生成过程。你给它一个prompt，它跑完一段视频就结束了。你不输入动作，它也不会因为你没输入就停下来等你。它是一个单向的视频生成器，不是交互式模拟器。
本质上，它做的是一件非常纯粹的事：大规模视频压缩 + 帧间插值。
评价： 视觉上极其震撼，但跟世界模型的关系就像「一幅画得很像猫的画」和「一只真的猫」的区别——一个是观看，一个是互动。
第二派：交互式场景模拟派（Gamma-World 路线）
代表作： NVIDIA Gamma-World、Solaris、Odyssey Agora-1
解决什么问题： 多人/多Agent在一个共享世界中交互时，不同视角的画面如何同步生成
为什么它是世界模型： 它支持多Agent同时交互，你输入一个动作，世界会改变，其他Agent也能看到改变。
为什么它还不是通用世界模型： 它是在特定规则下学到的行为模式，不是物理定律。它的训练数据是Minecraft的1264万帧双人视频，你把它放到Roblox里，它大概率不会玩了。
Gamma-World的核心工程贡献是「多视角状态一致性」——如何让四个玩家看到的同一个世界有不同的视角但保持一致。这在多人游戏、自动驾驶仿真里非常有用。
但问题在于： 约束越多越有效，约束越少越泛化。
评价： 在”有限场景下的多视角模拟”这个横截面上，它做得非常漂亮。但它不是”理解物理世界的模型”，而是”学懂了Minecraft规则的模型”。
第三派：3D场景生成派（腾讯路线）
代表作： 腾讯混元3D世界模型2.0（HY-World 2.0）
解决什么问题： 从文字/图片直接生成3D场景资产
核心方法： 3D生成 + 多模态Prompt
能力上限：
- ✅ 文本到3D场景的端到端生成
- ✅ 输出兼容Unity/Unreal
- ❌ 不做交互，不做状态演化，不做多视角一致性
坦率地说： 这个路线和”世界模型”的关系最弱。它是一个优秀的3D资产生成器，但不是一个模拟器。它解决的问题是场景构建，不是场景模拟。
为什么也来凑热闹： 因为市场喜欢这个词。从公关角度，管它叫”世界模型”比管它叫”3D资产生成器”听起来性感十倍。
评价： 很有用的工具，但命名讨巧。
第四派：具身世界模型派（机器人路线）
代表作： Physical Intelligence π0、Google DeepMind Genie、Meta相关
解决什么问题： 机器人在物理世界中的动作规划
核心方法： 视频预测作为隐式规划 → 选择能导向目标状态的action
这个派系和其他派系的根本区别： 它的评估标准不是”画面好不好看”，而是”预测准不准”。下一帧预测的误差直接决定了机器人会不会摔杯子。
为什么它是货真价实的进展：
- 它有物理约束的反馈（机器人真的去拿杯子，预测错了会摔）
- 它的训练信号来自真实世界，不是来自视频库
为什么它还不是通用世界模型：
- 换一个机械臂型号 → 预测质量可能大幅下降
- 换一盏灯 → 换一个杯子材质 → 下降
- 泛化到”宇宙中的任意物理场景”还差很远
评价： 目前的五派里最接近”真世界模型”的，但它必须为特定物理场景特化，离通用的距离还非常远。
第五派：DeepSeek 路线（定义了但没做出来的AGI级标准）
这其实不是一个实现，是一个判断。
DeepSeek没有发布世界模型产品，但他们在这个话题上的论述是迄今为止最清晰的：
“Transformer天然学不好世界模型。”
理由有三：
- 相关性 ≠ 因果性 — Transformer擅长找模式，不擅长理解物理约束。它可以从大量杯中落地的视频中完美预测杯子下落，但它不理解”杯子为什么会掉”（它甚至不知道什么是”因为”）
- 世界模型的对齐比语言模型的对齐更难 — 语言模型的错误可以用RLHF修正：”你这句话说得不对”。世界模型的帧看起来物理合理但实际错了，你怎么给奖励信号？
- 世界模型需要符号化理解，Transformer是模式匹配器 — 这更接近Gary Marcus的混合架构路线（神经+符号）
这不是说”做不出来”，而是说”在当前的范式下做不出来想要的效果”。
Gamma-World证明在约束场景下Transformer能做很棒的模拟，但能不能泛化到DeepSeek划定的那个AGI级标准——没有人知道。
第六派：RL 因果建模派（逆矩阵 Physis 路线）
代表作： 逆矩阵科技（Physis）
创始人： 陈博远（22岁，北大元培大四，NeurIPS Oral + ACL最佳论文一作）
解决什么问题： 在隐空间通过强化学习理解物理因果
核心主张： 世界模型的本质不是生成更逼真的画面，而是建立对物理因果的信念。
这个主张背后有一个很漂亮的论证：
人类理解世界不是靠看，而是靠推。你看再多杯子落在桌上的视频，都无法排除”桌子有吸力”这个假设。你把杯子推到桌子边缘、看到它掉下去——这才是真正的因果性学习。
主动干预 → 排除不可能假设 → 学到因果结构。
这个路线的技术根源可以追溯到强化学习之父Rich Sutton 1991年的Dyna架构，以及2018年David Ha和Schmidhuber的世界模型论文。核心范式是：Action是理解世界必需的输入。
为什么它和其他所有派系都不同：
其他派系（视频生成、交互模拟、3D场景生成）都在做被动观测空间的拟合——像素、视角、纹理。
具身派虽然有物理接触，但架构本质还是下一帧预测驱动。
RL因果建模派的根本不同在于：它的训练信号不是像素级loss，而是RL的reward——模型预测的下一状态真实发生了吗？动作执行后的变化和模型预判一致吗？
创始人对其他路线的评价（我的转述）：
- 李飞飞的3D重建路线：”建构世界不代表理解世界——我知道杯盖在杯子上，不理解杯子洒水会倒出来。”
- LeCun的隐空间路线（JEPA）：”一直遇到表征坍缩——loss降到最低不代表学到最好。”
- 视频生成路线：”用大量带宽理解像素，是消耗资源且欠优的。”
它还在验证中。 创始人确认内部看到了scaling迹象，但还没发布产品。计划2026年底发布旗舰模型，中间会有一些开源切片。
为什么这件事值得关注：
不是因为”一个22岁的人做了世界模型”这个新闻点。而是因为这是目前唯一一个明确以”因果性”而非”逼真度”为目标的实现尝试。
和DeepSeek定义的AGI级标准最兼容的，目前就是它。
一张表看完全部
| 派系 | 代表作 | 核心问题 | 当前水平 | 离AGI世界模型 |
|---|---|---|---|---|
| 视频生成 | Sora / Genie 3 | 生成好看视频 | 🟢 极好 | 🔴 最远 |
| 交互模拟 | Gamma-World / Solaris | 多视角同步 | 🟡 可玩 | 🟡 中等 |
| 3D场景生成 | 腾讯混元3D 2.0 | 文字造3D资产 | 🟢 实用 | 🔴 远 |
| 具身预测 | π0 / Genie | 机器人动作规划 | 🟡 有进展 | 🟡 近 |
| RL因果建模 | 逆矩阵 Physis | RL学物理因果 | 🟡 有迹象 | 🟡 最近的一档 |
| AGI级定义 | DeepSeek标准 | 学物理因果 | 🔴 未实现 | 🎯 目标本身 |
写在最后
写这篇文章的意图，不是为了打分说谁对谁错。
而是想说明一个事实：“世界模型”这个词已经承载了太多完全不同的事情。 你夸Sora做得好，和你说Gemini做得好、和你说π0做得好——说的根本不是同一件事。
一个更诚实的说法可能是：
我们需要的不是”一个世界模型”，而是不同层次的世界底座——从影视级的视觉效果，到工业仿真的物理精度，再到真正能理解因果的认知引擎。
这些层次之间有联系，但远没有到可以互相替代的地步。
就像我们不会因为有了Photoshop，就不需要眼科学。 它们解决的是不同层次的问题。
附录：写在论文里的严肃判断
当前所有号称世界模型的工作，都是在一个特定的横截面上解决”预测”或”生成”问题。没有一个触及「智能体对世界因果结构的通用理解」。
这和”Token范式”的困境是一体两面——只要预测还是基于tokens的相关性统计，世界模型就只能是漂亮的模拟器，而不是能理解物理因果的认知引擎。
连续潜空间/意思场的路线在这个意义上就是世界模型的补充——当Transformer学不会因果时，你需要重新思考：模型到底在预测什么。