文|证券之星

2026年，物理人工智能领域正经历一场深刻的等待的世大规多久范式转移。当大语言模型（LLM）将数字世界的界模文本处理能力推向极致，行业共识已清晰指向下一个核心战场——物理世界。型离

AI不再局限于屏幕内的用还对话与生成，而是物理开始试图“触达实体世界”。英伟达CEO黄仁勋将这一浪潮定义为“物理AI”（Physical AI）。等待的世大规多久在他看来，界模世界模型（World Models）是型离实现这一愿景的关键基石——它赋予AI理解物理规律的能力，从而驱动机器人、用还自动驾驶汽车等设备实现真正的物理自主操控。

(图片来源：浙商证券)

然而，等待的世大规多久尽管世界模型潜力巨大，界模其从实验室走向真正的型离大规模商用，仍面临重重困境与距离。用还

概念先于共识：当所有人都在说同一件事，说的其实不是同一件事

世界模型面临的首要困境，恰恰是其最喧嚣之处——概念定义的模糊性。自2025年以来，“世界模型”已成为AI领域最热也最混乱的术语。目前，能生成火焰视频的工具、能凭空生成可玩游戏的语言模型、以及能精确模拟燃烧过程的物理引擎，都被冠以“世界模型”之名。

智源研究院院长王仲远直言，目前视频生成模型、3D重建工具、多模态大模型纷纷贴上此标签，导致行业在定义、技术路线及评测标准上始终未能形成统一共识。

(图片来源：浙商证券)

针对这一混乱局面，李飞飞在今年6月发表的长文中试图建立分析框架，将市面上的世界模型划分为三类：

1. 渲染器（Renderer）：只管“看起来像”，生成逼真的像素和视频，但不保证物理和几何的正确性。
2. 模拟器（Simulator）：追求结构上的精确，输出非画面数据，而是几何数据、材质参数、碰撞网格等物理信息。
3. 规划器（Planner）：负责在感知和行动之间搭建桥梁，让智能体在行动前能预判世界的变化。

然而，这种分类本身也暴露了问题——如果连“世界模型是什么”都需要长篇大论来厘清，说明该领域远未进入技术收敛期。

王仲远则从技术路线角度切入，将当前分为四类：
* 以语言为中心（如VLA）
* 以像素为中心（如视频生成）
* 以三维结构为中心（如3D重建）
* 以视觉表征为中心（如JEPA系列）

每一类都自称世界模型，但距离真正能理解、预测、交互真实物理世界的基座模型，仍有巨大差距。这四条路线各自推进，却无清晰的优劣排序，更无公认的“正确方向”。

数据的天堑：真实世界的燃料从哪里来？

如果说概念混乱是“方向不明”，那么数据匮乏则是“无路可走”。

训练理解物理世界的模型，所需数据与大语言模型截然不同。LLM可从互联网抓取近乎无限的文本数据（网页、书籍、论文等），成本极低。但物理世界的数据呢？

人类看一眼杯子掉落破碎便懂其因果，但AI学会这一规律，需要的是带有精确几何、物理标注、动作标签的多模态交互数据。这类数据比互联网视频稀缺数个数量级。

更棘手的是，即便拥有数据，也不一定是“对”的数据。王仲远指出，真实物理世界的多模态交互数据极度稀缺，且不同技术路线需求各异。以具身智能为例，机器人虽能在流水线完成特定任务，但因缺乏对世界常识和物理规律的通用理解，导致泛化能力差。目前，世界模型的成功应用仍局限于自动驾驶或电子游戏等特定领域，其数据规模和多样性远不足以支撑通用世界模型的构建。

合成数据曾被视为解药。利用物理仿真引擎和游戏引擎生成虚拟数据，成本远低于真实采集。但这条路陷阱重重：
* 仿真到现实的鸿沟：由于人类对真实物理知识、引擎规则掌握尚不完备，仿真无法达到100%真实。
* 缺陷传递：仿真环境中物体运动规律与真实世界存在偏差。AI生成的几何体可能外观正常，但暗藏面重叠、尺寸错误等缺陷，一旦输入物理引擎计算，结果将荒谬失真。
* 垃圾进，垃圾出：用有缺陷的数据训练模型，模型学到的也只能是有缺陷的世界。

架构的迷思：视频生成、三维重建还是潜空间预测？

在概念与数据之外，更深层的问题在于：即便有了正确数据和清晰定义，我们仍不知道该用什么架构构建世界模型。这不仅是技术选型问题，更是根本假设的分歧。

目前代表性路线包括：

1. 世界模拟器路线（以谷歌Genie3为代表）

创造类似电子游戏的交互式视频环境，能根据用户输入（如“下雨”）实时演进。
* 优势：画面与用户双向互动，支持长时间连贯探索。
* 劣势：内核仍基于视频生成逻辑，并未真正掌握背后的物理因果律。

2. 空间/三维结构路线（以李飞飞World Labs团队为代表）

以Marble模型为例，能生成持久、可下载的3D环境，用户通过提示词即可生成可导出世界。
* 优势：提供空间结构。
* 劣势：更像3D渲染流水线而非机器人“大脑”。它捕捉的是“表面样子”，未内置“世界为何如此运行”的物理规律。例如，人类见斜坡上的球知会滚落，机器人却需质量、摩擦、速度等具体参数才能做出判断。

3. 认知/潜空间预测路线（以杨立昆JEPA架构为代表）

核心思想是预测下一个表征，而非预测下一个像素或数据点。
* 优势：理论上更接近认知科学中的“心智模型”——大脑存储的是抽象内部表征而非每个像素，用于推理和预测。节省算力，聚焦决策相关状态。
* 劣势：远未成熟，从抽象表征到实际行动之间存在漫长的工程鸿沟。

世界模型离大规模应用还有多远？

世界模型离世界有多远？答案并非简单的数字，而是三层隔阂：

1. 定义之雾：概念层面，当所有人用同一词汇表达不同含义时，共识遥不可及。
2. 数据之海：数据层面，真实物理交互数据的稀缺性令最乐观的研究者焦虑。
3. 范式之墙：架构层面，视频生成、3D重建、潜空间预测各有理论支撑，也各有致命短板。

智源研究院判断，未来三到五年将是世界模型持续演进迭代的阶段。这一判断既乐观又克制：乐观在于方向正确，克制在于承认周期漫长。

王仲远将世界模型比作2012年前的深度学习：彼时数据孤岛严重、路线未定、基准打架，ChatGPT时刻尚未到来。

但世界模型面临的挑战可能比当年的深度学习更深层：
* 深度学习处理的是模式识别——从数据中找出统计规律。
* 世界模型要处理的是因果推理——理解物体为何这样运动、事件为何这样发生。

这两种能力之间，隔着的或许不是几年的技术迭代，而是某种根本性的认知范式转换。

从长远视角看，我们不必执着于“世界模型”这一标签，也不必固守某一条特定技术路线。真正重要的是，推动AI从“看起来像世界”走向“理解世界”，从像素级的模拟迈向因果级的推理。