如果你关注AI圈，最近一定发现一件怪事：OpenAI拼了命做大模型，几位AI顶流却反过来，集体押注了一个叫"世界模型"的新赛道。图灵奖得主LeCun拿了10亿美元不做大语言模型，李飞飞拿了数亿美金做空间智能，DeepMind的哈萨比斯也一直在偷偷布局。

为什么这帮最聪明的人，会一起抛弃"更大就是更好"的主流路线？世界模型到底是什么？它真能比ChatGPT还厉害吗？

0.jpg流量变天了：从搜索框 → AI对话框。用户不再"搜"，而是"问"。谁被AI推荐，谁就拿到新入口。方法在公众号「智扣AI」。

一、先给你讲明白：世界模型和ChatGPT到底差在哪？

很多人听到"世界模型"四个字就头大，觉得又是一堆看不懂的公式。其实特别好理解：

ChatGPT这类大语言模型，告诉你"世界是什么样"，它是个坐在旁边给你讲故事的旁观者。

但世界模型不一样，它会告诉你"我这么做之后，世界会变成什么样"，它是帮你做决策的参与者。

举个最简单的例子：你要开车过一个路口，ChatGPT会告诉你"红灯停绿灯行"，这是知识。但世界模型会帮你算："现在前面有行人，我踩刹车到这个力度，车会刚好停在线前，不会撞到人"——它能预测你每个动作带来的结果。

这个想法其实一点都不新，早在1943年，就有心理学家说：我们大脑里本来就装着一个"现实的小模型"，你做任何事之前，都会先在脑子里"预演一遍"。80年过去，今天AI领域的顶级大佬们，终于要把大脑这套工作方式，搬到电脑里了。

二、我们大脑本身，就是天生的"世界模型"。

说世界模型是下一代AI，不如说它其实是在模仿我们人类自己。

90年代神经科学发现了一个很有意思的事儿：我们大脑不是在"看"世界，而是一直在"预测"世界。只有预测错了的部分，才会引起我们注意。这叫"预测编码"。

比如你每天走路上班，进办公室坐下来，全程都不用特别费脑子——因为一切都在你预料之内。但今天你一进门，发现你的椅子被人搬到了门口，你一下子就注意到了，对不对？

这就是大脑的聪明之处：预测对的事情，直接压缩省能量，只有不对的地方才需要消耗脑力去处理。

不光大脑这么工作，工程领域早就用了这个思路。比如我们送飞船上太空，控制飞船的系统里，必须先装一个飞船自身的模型。要控制一件事，你得先懂它，不然根本玩不转。

三、三句话说清：世界模型到底能解决什么问题？

为什么现在工业界这么看好世界模型？因为它有三个大语言模型替代不了的价值，后两个尤其重要。

第一个价值：学东西特别省样本。

以前AI学一个新技能，得在现实里试几百万次，试一次就是一次的时间成本和金钱成本。有了世界模型，AI可以先在自己脑子里"虚拟练习"一万遍，练好了再拿到现实里用，省老多钱了。

第二个价值：做事情之前会先规划。

就像我们下象棋，走一步之前会先想三步：我走这一步，对手会怎么走，然后我再怎么应对。世界模型就是帮AI干这个的，动手之前先把几条路都走一遍，选最好的那条再走。DeepMind那个打败人类围棋冠军的MuZero，靠的就是这个本事。

第三个价值：太安全了，这是工业界最在乎的。

你想啊，机器人拧螺丝、自动驾驶，要是AI在现实里试错，错一次可能就是人命关天的大事。有了世界模型就不一样了：所有危险场景都先在模型里模拟一遍，什么雨天路滑、行人突然闯出来，生成一万种场景练都没问题，成本只有真实路测的零头，安全多了。

四、从1943到2026：世界模型走过的四个阶段。

其实世界模型研究快80年了，真正火起来就是最近两年，我给你捋一遍这个过程你就懂了。

第一阶段：理论打基础（1950年代到2017年）

七十年里，不同领域的研究者都在各自干这个事儿：控制论要预测系统状态，语音识别要预测下一个音节，机器人要预测下一步位置，但那时候没人把这些统一叫"世界模型"，就是各干各的。最典型的就是卡尔曼滤波器，当年阿波罗登月就是靠它实时预测飞船位置，这个思路今天还在用在天气预报、机器人里。

第二阶段："在梦里学会开车"（2018年）

2018年，有两位研究者发表了一篇叫《World Models》的论文，第一次把这些模块拼到了一起，让AI在"梦境"里训练，然后把技能拿到现实用。

这个概念一下子火了，但当时也留下个问题：AI太聪明了，会在梦里"作弊"——它发现模型预测错了，就专门利用这个错拿高分，就像员工为了KPI造假，实际啥本事没学会。这个问题困扰了领域好多年。

第三阶段：潜在空间革命（2019-2022年）

后来研究者想了个办法：别在像素层面预测了，我们把画面压缩一下，只保留关键信息，扔掉没用的噪点和光影，直接在压缩后的"潜在空间"里预测。

这么一改，算力省了好多，速度快了，AI作弊的空间也小了。后来出的Dreamer系列，从V1更到V4，现在一个模型能搞定150多种不同任务，这在以前根本想都不敢想。

第四阶段：视频就是世界（2023年到现在）

最近两年，视频生成突然变厉害了，大家就开始想：我们能不能直接从视频里学物理规律？

一条路是Meta走的JEPA路线：我不生成清晰的视频画面，我只要理解画面里的东西在哪、会怎么动就行；另一条路是Google、NVIDIA走的视频生成路线：我生成越逼真的视频，是不是就能顺便学会物理规律？现在两条路都在跑，还没分出胜负，但都被大家寄予厚望。

五、为什么偏偏这两年火了？三个条件刚好凑齐了。

很多人会问：世界模型概念这么老了，为什么2024、2025突然就成了热点？其实不是突然冒出来的，是三条线刚好同时成熟了。

第一条：视频生成技术突然质变。

这两年Genie、Veo这些视频模型出来，生成质量一下上去了，大家就开始追问：这些模型生成视频的时候，是不是已经偷偷学会了物理规律？能不能拿来给机器人用？一下子就带出了一大堆研究。

第二条：具身智能遇到数据瓶颈了。

现在大家都在做机器人，但机器人训练数据太贵了，找个操作员遥操作一小时，成本大几千。可互联网上有好几万小时的人类日常操作视频，世界模型刚好能从这些无标注视频里学规律，一下就绕开了数据成本的问题。

第三条：自动驾驶已经验证了商业价值。

英国的Wayve公司已经验证了：用世界模型生成各种罕见危险场景，比你跑一百万英里真实路测效率还高，商业逻辑已经跑通了，钱当然就跟着来了。

上一次世界模型热还是2018年，那时候只有学术界在玩，落地遥遥无期。这一次不一样，工业界和资本一起入场，因为它真的解决了现实里的成本和安全问题。

六、现在最火的五条技术路线，我给你一次说清楚。

现在世界模型分化出五条路，每条面对的核心权衡都不一样：RNN/RSSM 追求样本效率、Transformer 追求长程建模、Diffusion 追求生成质量、JEPA 追求语义理解、Embodied WM 追求数据效率。选哪条，取决于你的任务对哪个瓶颈更敏感：

7.png STORM：把视频当文字处理

GPT处理文字那么厉害，那我们能不能把每一帧视频压缩成一个"词"，然后像GPT预测下一个词一样，预测下一帧视频？这么做的好处就是训练特别快，单块3090显卡4个小时就能训好，成绩还比以前的方法好。

 Diamond：用扩散模型直接画出下一帧

这条路线更直接：我不压缩，我就是用扩散模型，以当前动作和历史画面为条件，直接把下一帧画出来。它生成的画面是五个路线里最清晰最好看的，成绩也最好，但缺点就是算起来特别慢，费算力。

 V-JEPA 2：我不画画，我只理解

这是LeCun最看好的路线，它特别另类：根本不生成图像。我的训练目标就是：你挡住一块视频，我预测被挡住那块的语义，我不需要知道它像素长啥样，我只要知道它是什么东西、在哪里就行。这种方式特别擅长理解物理世界的结构，不纠结没用的细节。

 DreamDojo：从人类视频里偷学技能

这是NVIDIA最近的工作，专门解决机器人数据贵的问题：机器人操作数据那么贵，但是互联网上有好多人类干活的视频啊，物理规律都是一样的，先在人类视频上学一遍基本规律，再用一点点机器人数据微调，就能用了，还能做到实时推理，特别实用。

七、现在吵得不可开交：世界模型真的是正确方向吗？

现在五条路五条方向，钱也投了，论文也发了，但业内其实吵得特别凶，主要有三种声音：

第一种：世界模型是唯一正确的路，大模型走歪了

这就是LeCun和谢赛宁的立场，他们拿了10亿美元融资，就是要跟现在的大模型路线对着干。谢赛宁有个比喻特别有名："语言是AI的鸦片，看起来有用，其实是捷径，你一直靠拐杖走路，永远练不出自己的肌肉。"

他们的逻辑是：大语言模型学的是人类总结好的符号，是对世界的二次抽象。真正的智能得直接从感官信号里学物理世界，现在的大模型路线就是一段弯路。

第二种：不用另起炉灶，大模型加多加模态融合就行

这是Google DeepMind的立场，他们说Gemini本来就是往世界模型方向走，只不过我们不用推翻重来，在现有大模型基础上加具身推理能力就行了。

毕竟大语言模型已经把人类几千年的知识都压缩好了，常识推理、语言理解都做得很好，我们直接在这个基础上加视觉、加空间感知，比从头开始建一套新架构务实多了。

但反对者也说了：大语言学的是统计关联，不是因果。它知道玻璃杯掉下来会碎，但不知道为什么会碎，碎了碎片会飞哪去，这种"知道结果但不懂原理"，在语言任务够用，机器人操作可不行。

第三种：方向可能对，但现在押注还太早

这是业界很多人私下认同，但公开不说的观点：核心问题就是数据密度。一句话几十个字就能说清楚一件事，但是一帧视频几百万个像素，真正有用的信息也就几十个字，语义密度差太远了。

要练出一个跟现在大语言模型能力差不多的世界模型，需要的数据和算力可能比大模型高好几个数量级，最后能力还不一定比得上。历史上这种事儿太多了：当年研究了几十年的语法分析，大模型出来直接就没用了；研究了半个世纪的脉冲神经网络，Transformer出来直接就被超越了。

所以他们说：方向没问题，但现在条件还不成熟，别着急大规模砸钱。

其实这三种声音都有道理，也都没法说服彼此。现在方向已经进了主流，但谁对谁错，还得等时间给答案。

八、最后：这才是世界模型真正回答的问题。

从1943年心理学家提出"颅骨里的小模型"，到今天AI教机器人拧螺丝，这条80年的线索，其实一直在回答同一个问题：智能要怎么在行动之前，先想清楚后果？

大语言模型回答了"世界是什么样"，但世界模型回答的是"如果我这么做，世界会变成什么样"。这是两个完全不同的问题，到今天为止，没有任何一个架构能同时把两个问题都解决好。

接下来十年，机器人和具身智能一定会从实验室走到我们生活里，那"预测动作结果"这个问题，只会越来越重要。下一代AI是什么样，我们不妨一起等等看。

最后想说，世界模型不是突然火的概念，它是AI发展到今天，解决具身智能、机器人、自动驾驶这些真实场景问题的必然方向。它和现在的大语言模型不是谁取代谁的关系，是解决不同问题的两条路径。三位顶级大佬集体押注，说明这个方向已经被主流认可，至于最后谁能跑出来，我们只需要拭目以待。