近年來(lái)，AI已經(jīng)學(xué)會(huì)了寫文本、生成圖像、制作視頻，甚至可以生成可運(yùn)行的計(jì)算機(jī)代碼。隨著這些功能的普及，AI研究的關(guān)注點(diǎn)轉(zhuǎn)向了一個(gè)更深層的問(wèn)題：機(jī)器是否能夠?qū)W會(huì)世界的實(shí)際運(yùn)作方式，而不僅僅是如何描述它？

對(duì)于研究人員來(lái)說(shuō)，這個(gè)問(wèn)題具有現(xiàn)實(shí)意義，從機(jī)器人如何在家中導(dǎo)航到自動(dòng)駕駛汽車如何預(yù)測(cè)十字路口可能發(fā)生的情況。這就是世界模型的用武之地。

世界模型并不是一個(gè)新概念。這個(gè)術(shù)語(yǔ)最初出現(xiàn)在1950年代，在2018年左右重新出現(xiàn)在現(xiàn)代AI研究中，并在2024年隨著OpenAI的Sora和Google DeepMind的Genie等模型獲得了更廣泛的關(guān)注。

2025年，這一概念進(jìn)一步擴(kuò)展為世界基礎(chǔ)模型，英偉達(dá)的Cosmos使其廣受歡迎，該模型榮獲CES 2025最佳AI獎(jiǎng)。Meta的V-JEPA 2也在2025年發(fā)布，聲稱能夠理解重力等物理規(guī)律。

那么，世界模型到底是什么，誰(shuí)在構(gòu)建它們，為什么它們正在成為AI研究最重要的領(lǐng)域之一？讓我們深入了解一下。

世界模型 vs 基礎(chǔ)模型 vs 世界基礎(chǔ)模型

我們首先需要澄清這些術(shù)語(yǔ)。

"世界模型"最初指的是構(gòu)建來(lái)理解和預(yù)測(cè)特定環(huán)境內(nèi)發(fā)生事件的AI系統(tǒng)，如機(jī)械臂工作空間或視頻游戲關(guān)卡。例如，一個(gè)智能體學(xué)習(xí)對(duì)象在Atari游戲中如何移動(dòng)。

基礎(chǔ)模型是在大規(guī)模數(shù)據(jù)集上訓(xùn)練的大型通用系統(tǒng)，能夠同時(shí)處理多個(gè)任務(wù)。這包括大語(yǔ)言模型，如ChatGPT或Gemini，它們主要從文本中學(xué)習(xí)廣泛模式，以及在圖像、音頻或代碼上訓(xùn)練的多模態(tài)模型。

世界基礎(chǔ)模型結(jié)合了兩種想法，采用基礎(chǔ)模型的規(guī)模，并專門訓(xùn)練它們使用視頻和感官數(shù)據(jù)模擬物理現(xiàn)實(shí)（想想英偉達(dá)的Cosmos或Genie 3）。

然而，"世界模型"一詞經(jīng)常被用作這些更大世界基礎(chǔ)模型的簡(jiǎn)稱，而不是該短語(yǔ)最初描述的更窄系統(tǒng)。

從書本智慧到世界智慧

大語(yǔ)言模型善于聽起來(lái)很博學(xué)。然而，這種知識(shí)來(lái)自閱讀大量文本，而不是來(lái)自對(duì)世界的直接體驗(yàn)。它們被訓(xùn)練來(lái)預(yù)測(cè)下一個(gè)Token，即基于文本模式的下一個(gè)詞或詞的一部分。因此，它們可以描述重力如何作用或交通如何流動(dòng)，而無(wú)需真正感受重量、運(yùn)動(dòng)或因果關(guān)系。

一些人說(shuō)世界模型是大語(yǔ)言模型的繼承者。但AI數(shù)據(jù)公司Encord的聯(lián)合創(chuàng)始人兼首席執(zhí)行官Eric Landau告訴CNET："很難說(shuō)這是下一步，但這絕對(duì)是一個(gè)并行運(yùn)行的軌道。"

它們不再專注于句子，而是專注于行動(dòng)后接下來(lái)會(huì)發(fā)生什么。這可能涉及預(yù)測(cè)對(duì)象如何在空間中移動(dòng)，當(dāng)某個(gè)東西被遮擋時(shí)場(chǎng)景如何變化，或者對(duì)于AI智能體或機(jī)器人，回答類似"如果我向左轉(zhuǎn)，攝像頭會(huì)看到什么？"的問(wèn)題。

語(yǔ)言模型和世界模型之間的關(guān)鍵區(qū)別在于它們被訓(xùn)練預(yù)測(cè)的內(nèi)容。語(yǔ)言模型預(yù)測(cè)文本。世界模型預(yù)測(cè)環(huán)境中的變化。該環(huán)境可以是物理的，如房間或道路，也可以是虛擬的，如模擬世界。通過(guò)學(xué)習(xí)行動(dòng)如何導(dǎo)致后果，世界模型理論上使AI系統(tǒng)能夠在行動(dòng)前進(jìn)行推理，而不是一步一步地反應(yīng)。

AI智能體平臺(tái)Integral AI的首席執(zhí)行官兼聯(lián)合創(chuàng)始人Jad Tarifi告訴CNET，大語(yǔ)言模型已經(jīng)包含了一種世界知識(shí)形式，但它是不完整的。

"大語(yǔ)言模型確實(shí)學(xué)習(xí)了隱藏在其網(wǎng)絡(luò)權(quán)重中的基本隱式世界模型，"Tarifi說(shuō)。"但這是一個(gè)破碎的世界模型。"

直接作為世界模型訓(xùn)練的模型旨在構(gòu)建更清潔、更直接的世界運(yùn)作方式表示。

世界模型如何工作？

在基本層面上，世界模型試圖預(yù)測(cè)當(dāng)環(huán)境內(nèi)發(fā)生某事時(shí)環(huán)境如何變化。

研究人員主要使用兩種方法。在第一種方法中，世界是實(shí)時(shí)生成的。當(dāng)一個(gè)人在場(chǎng)景中移動(dòng)或與對(duì)象交互時(shí)，模型根據(jù)它對(duì)運(yùn)動(dòng)、對(duì)象和基本物理學(xué)的學(xué)習(xí)更新接下來(lái)發(fā)生的事情。它的工作原理有點(diǎn)像響應(yīng)你的運(yùn)動(dòng)的視頻游戲世界。

第二種方法預(yù)先構(gòu)建整個(gè)世界，就像電影布景一樣。模型創(chuàng)建一個(gè)具有自己規(guī)則的固定空間環(huán)境，然后你走進(jìn)去。因?yàn)榻Y(jié)構(gòu)已經(jīng)存在，你可以探索它或改變事物，而不會(huì)使場(chǎng)景移位或失去邏輯。

兩種方法都旨在做同樣的事情。它們幫助AI理解世界是如何組合的，以及行動(dòng)如何導(dǎo)致結(jié)果，而不是僅僅基于語(yǔ)言進(jìn)行猜測(cè)。

從機(jī)器人技術(shù)到日常使用

隨著AI從聊天機(jī)器人轉(zhuǎn)向智能體、機(jī)器人和需要在較少監(jiān)督下操作的系統(tǒng)，對(duì)世界模型的興趣有所增長(zhǎng)。在現(xiàn)實(shí)世界中直接訓(xùn)練這些系統(tǒng)既昂貴、緩慢，有時(shí)還很危險(xiǎn)。世界模型提供了一個(gè)更安全的替代方案，允許AI在模擬環(huán)境中學(xué)習(xí)和失敗，同時(shí)發(fā)展對(duì)現(xiàn)實(shí)如何表現(xiàn)的更深理解。

這就是為什么世界模型在機(jī)器人技術(shù)、自動(dòng)駕駛和其他形式的物理AI中最重要。Landau告訴CNET，機(jī)器人和其他具身系統(tǒng)是最明顯的使用案例，無(wú)論它們是直接部署還是用于在仿真中訓(xùn)練其他AI系統(tǒng)。

研究人員期望這些應(yīng)用會(huì)快速擴(kuò)展。

"世界模型將從純視頻預(yù)測(cè)轉(zhuǎn)向能夠生成抽象概念的模型。我們應(yīng)該期望這些模型在機(jī)器人技術(shù)、科學(xué)自動(dòng)化和人機(jī)交互中大規(guī)模部署，"Tarifi說(shuō)。"我也認(rèn)為它們將革命化醫(yī)學(xué)。"

Landau同意醫(yī)學(xué)是"一個(gè)非常合理的使用案例"。他指出了在藥物發(fā)現(xiàn)和理解不同條件如何在人體內(nèi)相互作用方面的潛力，為在現(xiàn)實(shí)世界測(cè)試之前探索治療提供了更全面的方式。

世界模型還可以塑造創(chuàng)意和教育工具。AI系統(tǒng)不再生成單一圖像或視頻，而是可以生成一個(gè)隨著人們探索而響應(yīng)的環(huán)境，允許設(shè)計(jì)師走過(guò)原型或?qū)W生與復(fù)雜系統(tǒng)互動(dòng)，而不是閱讀相關(guān)內(nèi)容。

風(fēng)險(xiǎn)和限制

模擬現(xiàn)實(shí)是困難的。模型在理解物理學(xué)或因果關(guān)系方面的小錯(cuò)誤可能會(huì)隨時(shí)間放大。

Landau說(shuō)計(jì)算是一個(gè)主要約束。今天的世界模型需要大量GPU資源，在機(jī)器人或自動(dòng)駕駛車輛等實(shí)時(shí)系統(tǒng)中部署具有挑戰(zhàn)性。他還指出數(shù)據(jù)是另一個(gè)瓶頸。世界模型依賴基于軌跡和豐富傳感器的數(shù)據(jù)，這比用于訓(xùn)練語(yǔ)言模型的文本要難收集得多。如果模擬數(shù)據(jù)無(wú)法準(zhǔn)確反映現(xiàn)實(shí)世界，模型可能會(huì)學(xué)習(xí)錯(cuò)誤的物理學(xué)或因果關(guān)系。

Tarifi指出風(fēng)險(xiǎn)不僅僅是技術(shù)性的。他警告未經(jīng)檢查的激勵(lì)措施、將自主智能體惡意用作武器以及保護(hù)人類機(jī)構(gòu)的需要，特別是當(dāng)社會(huì)為他所描述的"向勞動(dòng)不再是大多數(shù)人口經(jīng)濟(jì)生活來(lái)源的經(jīng)濟(jì)轉(zhuǎn)型"做準(zhǔn)備時(shí)。

聚光燈下的AI

對(duì)AI日益增長(zhǎng)的關(guān)注是《時(shí)代》雜志將AI架構(gòu)師評(píng)為2025年年度人物的原因。這反映了AI創(chuàng)新在各行各業(yè)和社會(huì)中變得多么核心。正如英偉達(dá)首席執(zhí)行官黃仁勛告訴《時(shí)代》雜志的："這是我們時(shí)代最具影響力的技術(shù)。"

世界模型是從只會(huì)響應(yīng)的AI轉(zhuǎn)向能夠推理、規(guī)劃和預(yù)測(cè)的AI的轉(zhuǎn)變。該技術(shù)仍在開發(fā)中，但它指向了先進(jìn)AI研究的發(fā)展方向。

Q&A

Q1：世界模型是什么？它與大語(yǔ)言模型有什么不同？

A：世界模型是專門訓(xùn)練來(lái)理解和預(yù)測(cè)環(huán)境變化的AI系統(tǒng)，它們預(yù)測(cè)行動(dòng)后會(huì)發(fā)生什么，而不是像大語(yǔ)言模型那樣預(yù)測(cè)文本。大語(yǔ)言模型通過(guò)閱讀文本獲得知識(shí)，世界模型則通過(guò)學(xué)習(xí)行動(dòng)和后果的關(guān)系來(lái)理解世界如何運(yùn)作。

Q2：世界模型主要應(yīng)用在哪些領(lǐng)域？

A：世界模型主要應(yīng)用在機(jī)器人技術(shù)、自動(dòng)駕駛和物理AI領(lǐng)域。它們還有望應(yīng)用于醫(yī)學(xué)領(lǐng)域的藥物發(fā)現(xiàn)，創(chuàng)意和教育工具，以及需要AI在模擬環(huán)境中學(xué)習(xí)和操作的任何場(chǎng)景。

Q3：世界模型面臨哪些主要挑戰(zhàn)和限制？

A：世界模型面臨的主要挑戰(zhàn)包括：計(jì)算資源需求高、需要大量GPU；數(shù)據(jù)收集困難，需要基于軌跡和豐富傳感器的數(shù)據(jù)；模擬精度問(wèn)題，小錯(cuò)誤可能隨時(shí)間放大；以及潛在的安全風(fēng)險(xiǎn)，如惡意使用自主智能體作為武器。