看 Sora 生成的视频，你会有一种错觉：模型「理解」了世界。但只要试着在画面里走两步，错觉就破灭了——它生成的不是世界，是世界的录像。录像不能被交互，不能回答「如果我往左走会看到什么」，而真正需要这个能力的，是智能体训练、机器人和自动驾驶。补上这块拼图的研究方向，叫世界模型（World Model）。这篇文章讲清楚它是什么、谁在做、和视频生成模型到底差在哪。
世界模型要解决什么问题
「世界模型」的想法并不新：给定当前状态和要采取的动作，预测环境的下一个状态——这本质上是让模型在内部维护一个可模拟的环境动力学。传统强化学习靠这个思路做基于模型的规划；到了深度学习时代，问题变成：用什么表示来承载这种预测能力？
Yann LeCun 给出了目前最有影响力的系统主张。他的答案叫 JEPA（联合嵌入预测架构）：不要在像素空间做逐帧预测，而要在抽象的表示空间里预测「发生了什么」，让模型自己学会丢弃不可预测的细节。LeCun 长期公开批评大语言模型是「死胡同」，认为仅靠文本自回归到不了能理解物理世界的智能。2025 年 11 月，他离开效力十余年的 Meta 创业，新公司 AMI Labs（高级机器智能）直接把「世界模型」写进使命；据 TechCrunch、WSJ 等多家媒体报道，2026 年 3 月公司完成约 10.3 亿美元种子轮，投前估值约 35 亿美元，被称为欧洲最大种子轮，贝索斯旗下基金参投。
无论是否认同「LLM 死胡同」的判断（这是 LeCun 的观点，而非共识），一个事实是：2026 年，「世界模型」已经从论文词汇变成了头部公司押注的产品方向。
三条代表性路线
DeepMind Genie 3：能玩的生成世界
Google DeepMind 在 2025 年 8 月 5 日发布的 Genie 3，是目前「可交互生成环境」最直观的演示。按官方博客的描述：输入一句文字提示，模型生成一个可以实时导航的世界，帧率 24fps、分辨率 720p；环境能在数分钟内保持基本一致——你走过的路回头还在，视觉记忆可回溯约一分钟前——而且一致性是涌现出来的，不依赖显式的 3D 表示（不同于 NeRF 或高斯溅射）。
更有意思的是「可提示的世界事件」（promptable world events）：玩家可以用文本中途改变天气、凭空引入新物体或角色，扩大了智能体可学习的「如果……会怎样」场景空间。DeepMind 明确承认了局限：智能体自身可执行的动作空间仍受限、多智能体交互建模困难、真实地点无法以完美地理精度模拟、连续交互只支持几分钟而非数小时。目前它以 limited research preview 形式向少量学者与创作者开放。
NVIDIA Cosmos：给机器人和自动驾驶用的世界基础模型
如果说 Genie 3 面向「智能体去哪玩」，NVIDIA Cosmos 则面向「物理 AI 在哪训练」。按 NVIDIA 官方定义，Cosmos 是开放的物理 AI 世界基础模型平台，用于机器人和自动驾驶的合成数据生成与闭环仿真。2026 年发布的 Cosmos 3 被官方称为「omni-model」：一个模型打通文本、图像、视频、环境音与动作的生成与推理，推理优先于生成的设计带来官方所称的领先物理精度；架构采用 Mixture-of-Transformers，推理与生成模块各用一套 transformer。模型以 Linux 基金会的 OpenMDW1.1 许可证开放，配套 Curator（数据处理）、Evaluator（评分）、tokenizer 工具链，后训练脚本在 GitHub 开放。对机器人团队，它可以后训练到特定本体、环境与传感器布局，「运行物理上精确的闭环仿真」；对自动驾驶，它生成高保真传感器数据用于训练与验证。
World Labs：把「空间智能」做成产品
李飞飞的创业公司 World Labs 走第三条路：从「空间智能」出发，生成持久化、可交互的 3D 环境。2025 年 11 月 12 日发布的 Marble 是其首款商用世界模型，支持文本、图片、视频、空间草图四类输入；2026 年 4 月的 Marble 1.1 可以仅凭几张多视角照片或单张普通照片，数分钟重建高保真可交互 3D 场景。2026 年 9 月，AMD 宣布以约 82 亿美元收购 World Labs，李飞飞出任 AMD 执行副总裁兼首席科学家——这是「世界模型」方向迄今最大的一笔并购。
一张表看懂区别
| 维度 | 视频生成模型（Sora 2、可灵等） | 世界模型（Genie 3、Cosmos 等） |
|---|---|---|
| 输出 | 一段固定的录像 | 可交互、可导航的环境 |
| 交互性 | 无（观众只能播放/暂停） | 实时接收动作输入并响应 |
| 一致性目标 | 单条视频内好看即可 | 探索离开再回来，世界还在 |
| 典型用途 | 内容创作、广告、短剧 | 智能体训练、机器人仿真、驾驶验证 |
| 成败标准 | 视觉质量、人类偏好 | 物理一致性、可预测性、闭环精度 |
两者的技术底座高度重叠——大量世界模型直接用视频生成架构做「下一帧预测器」，Genie 3 的一致性也是从视频模型演化出来的涌现能力。差别在目标函数：视频模型优化「这段画面像不像真的」，世界模型优化「这个世界在交互下是否稳定自洽」。前者卷到 4K HDR，后者卷到 24fps 实时与分钟级记忆，路线就此分岔。
展望
2026 年世界模型的竞赛格局可以概括为：DeepMind 用 Genie 系列探「通用交互环境」的上限，NVIDIA 用 Cosmos 做「物理 AI 基础设施」，LeCun 的 AMI Labs 和被 AMD 收入麾下的 World Labs 分别押注表示学习与空间智能。三条路线殊途同归的地方在于一个判断：下一代智能体需要的不只是语言，而是一个可以演练的世界。
对本站读者，值得跟踪的信号有三个：世界模型与视频模型何时在架构上真正合流；智能体训练环境何时从「研究预览」变成「生产工具」；以及物理一致性评测（而非视觉质量榜）何时成为新的 leaderboard。
读者留言
COMMENTS 暂无还没有留言，来说第一句？