世界模型元年啟示錄：動(dòng)機(jī)、亂戰(zhàn)與暗礁

出品 | 智械島

作者 | 霍如筠（北京）

4月16日，阿里巴巴發(fā)布了開(kāi)放式世界模型Happy Oyster，騰訊開(kāi)源了3D世界模型HY-World 2.0。

同一天，兩家中國(guó)互聯(lián)網(wǎng)巨頭宣示了自己在世界模型賽道上的存在感。

此前不到一個(gè)月，李飛飛的World Labs剛完成10億美元融資，Yann LeCun的AMI Labs更是以10.3億美元的種子輪震驚硅谷。

資本、巨頭、創(chuàng)業(yè)者蜂擁而入，一個(gè)響亮的口號(hào)迅速傳遍行業(yè)：世界模型是大語(yǔ)言模型之后最重要的賽道。

但如果你真的去問(wèn)這些玩家“世界模型到底是什么”，很可能會(huì)得到一堆彼此矛盾的回答。

有人說(shuō)是“可交互的3D世界”，有人說(shuō)是“理解物理規(guī)律的因果模型”，有人說(shuō)是“機(jī)器人訓(xùn)練的數(shù)字仿真器”，還有人干脆說(shuō)“就是更高級(jí)的視頻生成”。

這不是學(xué)術(shù)討論的分歧，而是整個(gè)賽道正在經(jīng)歷的認(rèn)知混亂。

這篇文章試圖理清這場(chǎng)混亂。我們會(huì)從三個(gè)層層遞進(jìn)的問(wèn)題入手：為什么所有大廠突然都在押注世界模型？他們的產(chǎn)品到底在做什么，哪些是實(shí)、哪些是虛？以及，那些被光環(huán)掩蓋的困境和模糊地帶，究竟有多深？

一、為什么突然All in世界模型？

要理解世界模型為何突然爆火，得先回到大語(yǔ)言模型的一個(gè)尷尬事實(shí)。

過(guò)去兩年，ChatGPT們展示了驚人的語(yǔ)言能力，也暴露了一個(gè)致命短板：它們不懂物理世界。

你問(wèn)一個(gè)LLM“把杯子從桌子邊緣推下去會(huì)怎樣”，它能回答“杯子會(huì)掉到地上”，卻并不能真正理解重力、加速度、碰撞，它只是從訓(xùn)練數(shù)據(jù)中記住了類(lèi)似的句子。

2026年初的一項(xiàng)研究指出，幻覺(jué)不是數(shù)據(jù)問(wèn)題，不是訓(xùn)練問(wèn)題，而是LLM架構(gòu)的內(nèi)在缺陷。

這個(gè)缺陷在純文本任務(wù)中或許可以忍受，但當(dāng)AI要進(jìn)入真實(shí)世界：操控機(jī)器人、駕駛汽車(chē)、在工廠里作業(yè)，它就變成了一個(gè)無(wú)法繞過(guò)的坎，你不能讓一個(gè)自動(dòng)駕駛模型“大概正確”地判斷前方障礙物，也不能讓一個(gè)工業(yè)機(jī)器人“差不多”地預(yù)測(cè)零件運(yùn)動(dòng)軌跡。

于是，一個(gè)更根本的需求浮出水面：我們需要一個(gè)能理解物理世界因果律的AI。

它不只要能說(shuō)，還要能做；不只要看見(jiàn)，還要能預(yù)判。這就是世界模型被推到聚光燈下的根本原因。

大語(yǔ)言模型改變了人和信息的關(guān)系，而世界模型要改變的，是人和現(xiàn)實(shí)的關(guān)系。

過(guò)去兩年AI的商業(yè)化主要停留在信息處理，寫(xiě)文案、做翻譯、生成代碼，但下一波增長(zhǎng)引擎顯然在物理世界：具身智能、自動(dòng)駕駛、智能制造。

這些場(chǎng)景的共同要求是：AI必須理解空間、預(yù)測(cè)動(dòng)態(tài)、規(guī)劃動(dòng)作。

所以，大廠押注世界模型，本質(zhì)上是在爭(zhēng)奪“后LLM時(shí)代”的技術(shù)制高點(diǎn)。誰(shuí)先讓AI真正理解物理世界，誰(shuí)就能在下一輪產(chǎn)業(yè)周期中占據(jù)主導(dǎo)。

國(guó)內(nèi)外玩家的打法截然不同。

美國(guó)那邊，DeepMind、World Labs、AMI Labs更像是在做基礎(chǔ)科學(xué)。

他們關(guān)心的是如何讓AI擁有像人類(lèi)一樣的物理直覺(jué)和因果推理能力，商業(yè)化是遠(yuǎn)期目標(biāo)。Yann LeCun自己都承認(rèn)，AMI的產(chǎn)品可能要幾年后才能看到。

中國(guó)則是另一番景象。阿里和騰訊幾乎在發(fā)布模型的同時(shí)就綁定了商業(yè)場(chǎng)景：Happy Oyster瞄準(zhǔn)影視制作和游戲開(kāi)發(fā)的付費(fèi)用戶(hù)，HY-World 2.0直接輸出可導(dǎo)入U(xiǎn)nity/UE的3D資產(chǎn)，做起了AI造世界的生意。

還有Sand.ai的VidMuse，圍繞音樂(lè)生成視頻這個(gè)細(xì)分場(chǎng)景，上線幾個(gè)月就做到了千萬(wàn)美元級(jí)別的年收入。

中國(guó)團(tuán)隊(duì)的邏輯很務(wù)實(shí)：世界模型首先得是一個(gè)能賺錢(qián)的產(chǎn)品。

這兩種路線沒(méi)有高下之分，但決定了各自的節(jié)奏和風(fēng)險(xiǎn)。美國(guó)團(tuán)隊(duì)敢于押注十年后的突破，中國(guó)團(tuán)隊(duì)則必須在一年內(nèi)看到回報(bào)。

問(wèn)題是，當(dāng)所有人都擠在同一個(gè)熱詞下喊口號(hào)時(shí)，局外人很難分清誰(shuí)在做什么。

二、關(guān)于技術(shù)標(biāo)準(zhǔn)的拷問(wèn)

花時(shí)間看完各家產(chǎn)品的介紹，你很可能會(huì)陷入更大的困惑。因?yàn)槊總€(gè)世界模型長(zhǎng)得都不一樣，它們的底層邏輯甚至彼此矛盾。

先來(lái)看最反直覺(jué)的一派。Yann LeCun的AMI Labs走了一條很少有人敢跟的路，他們不認(rèn)為AI需要生成逼真的畫(huà)面。

LeCun的JEPA架構(gòu)刻意丟棄像素細(xì)節(jié)，只在抽象的隱空間里做預(yù)測(cè)。最新發(fā)布的LeWorldModel只有1500萬(wàn)參數(shù)，單GPU幾小時(shí)就能訓(xùn)練完，但規(guī)劃速度比傳統(tǒng)方法快了48倍。

缺點(diǎn)是，它的輸出人類(lèi)看不懂，你不能“看到”它預(yù)測(cè)的未來(lái)，只能相信它算對(duì)了。

這是一個(gè)純粹的學(xué)術(shù)路線，離普通用戶(hù)很遠(yuǎn)，但LeCun賭的是：真正的智能不需要模擬每一片樹(shù)葉的飄落，只需要理解“風(fēng)會(huì)吹落樹(shù)葉”這個(gè)因果。

另一條路來(lái)自李飛飛的World Labs。李飛飛相信，智能必須建立在三維空間的顯式理解之上。她的Marble模型能從一張照片或一段文字生成一個(gè)可編輯、可導(dǎo)航的3D世界，用戶(hù)可以在里面自由移動(dòng)視角。

World Labs還開(kāi)源了渲染引擎Spark 2.0，讓普通瀏覽器都能流暢加載上億個(gè)3D點(diǎn)。

一個(gè)坦誠(chéng)的評(píng)價(jià)是：Marble擅長(zhǎng)重建空間的樣子，但對(duì)空間中會(huì)發(fā)生什么的理解還比較薄弱。

你可以走進(jìn)它生成的房間，但你推不動(dòng)里面的椅子，也打不翻桌上的杯子。它是一個(gè)靜態(tài)世界的復(fù)刻者，而不是動(dòng)態(tài)物理的模擬器。

最熱鬧的陣營(yíng)當(dāng)屬生成派。谷歌的Genie 3、阿里的Happy Oyster、騰訊的HY-World 2.0都屬于這一類(lèi)。

他們的邏輯是：只要生成的畫(huà)面足夠逼真、交互足夠流暢，物理規(guī)律自然會(huì)被學(xué)出來(lái)。

阿里在Happy Oyster里做了一個(gè)很有意思的功能叫導(dǎo)演模式，用戶(hù)可以在視頻播放的過(guò)程中隨時(shí)輸入文字指令，改變劇情走向、切換鏡頭角度。騰訊更務(wù)實(shí)，直接輸出可二次編輯的3D資產(chǎn)，讓游戲開(kāi)發(fā)者可以導(dǎo)入U(xiǎn)nity或UE引擎里直接用。

但這類(lèi)產(chǎn)品有一個(gè)共同的軟肋：長(zhǎng)時(shí)序一致性和物理準(zhǔn)確性仍然不穩(wěn)定。

Genie 3的演示很驚艷，但幾分鐘后畫(huà)面就開(kāi)始走樣。阿里的漫游模式目前只能支持1分鐘的連續(xù)位移，超過(guò)這個(gè)時(shí)間會(huì)發(fā)生什么？官方?jīng)]說(shuō)。

騰訊的3D資產(chǎn)在單一場(chǎng)景下看起來(lái)不錯(cuò)，但它的優(yōu)勢(shì)主要體現(xiàn)在場(chǎng)景完整度和對(duì)輸入圖片的遵循程度，這些都是“看起來(lái)像”的指標(biāo)，而不是“物理上對(duì)”的指標(biāo)。

最后還有一個(gè)特殊的玩家：英偉達(dá)。Cosmos平臺(tái)不生產(chǎn)世界模型，它生產(chǎn)“生產(chǎn)世界模型的工具”。

數(shù)據(jù)處理管線、視頻分詞器、預(yù)訓(xùn)練基礎(chǔ)模型，全部免費(fèi)開(kāi)放下載。黃仁勛的算盤(pán)很清楚：無(wú)論哪條路線最終勝出，訓(xùn)練和推理都需要英偉達(dá)的GPU。

這是最聰明的生意，不賭方向，只賭算力。

那么，這些世界模型哪些是名副其實(shí)的？一個(gè)關(guān)鍵的技術(shù)標(biāo)準(zhǔn)是：真正的世界模型必須是“動(dòng)作條件化”的，也就是說(shuō)，輸入一個(gè)動(dòng)作，模型要能輸出世界狀態(tài)的變化。

你用鍵盤(pán)按“W”，畫(huà)面里的視角應(yīng)該向前移動(dòng)；你給機(jī)器人一個(gè)抓取指令，模型應(yīng)該預(yù)測(cè)物體的位置變化。

按照這個(gè)標(biāo)準(zhǔn)，李飛飛的Marble就不太合格，用戶(hù)只能看，不能做。它更像一個(gè)3D重建工具，而不是世界模擬器。

谷歌的Genie 3和阿里的Happy Oyster雖然支持交互，但物理準(zhǔn)確性存疑。騰訊的HY-World 2.0輸出的是靜態(tài)資產(chǎn)，本身就不涉及動(dòng)態(tài)預(yù)測(cè)。

換句話說(shuō)，目前市場(chǎng)上幾乎沒(méi)有一家達(dá)到了“完美物理世界模擬器”的標(biāo)準(zhǔn)。每家都在自己的能力范圍內(nèi)，選擇了一個(gè)可展示、可商業(yè)化的切入點(diǎn)。

這本身沒(méi)有錯(cuò)，錯(cuò)的是大家都在用“世界模型”這個(gè)模糊的大詞來(lái)包裝自己，讓外界誤以為他們已經(jīng)解決了所有問(wèn)題。

三、那些被刻意回避的模糊地帶

只讀各家公司的新聞稿，會(huì)覺(jué)得世界模型已經(jīng)進(jìn)入了規(guī)?；涞氐那耙梗恍┍缓雎缘募?xì)節(jié)拼出了一幅截然不同的圖景。

數(shù)據(jù)問(wèn)題首當(dāng)其沖。訓(xùn)練一個(gè)真正的世界模型，需要海量的“觀察、動(dòng)作、結(jié)果”三元組，但現(xiàn)實(shí)中沒(méi)有這樣的現(xiàn)成數(shù)據(jù)集。

有人用游戲數(shù)據(jù)，動(dòng)作標(biāo)簽完美，但游戲里的物理是引擎模擬的，不是真實(shí)物理。

有人用人類(lèi)第一人稱(chēng)視頻，最接近真實(shí)世界，但視頻里沒(méi)有動(dòng)作標(biāo)簽，而且人的頭部運(yùn)動(dòng)和手部動(dòng)作糾纏在一起，模型根本分不清是誰(shuí)在動(dòng)。

還有人用真實(shí)機(jī)器人遙操作數(shù)據(jù)，保真度最高，但采集一小時(shí)數(shù)據(jù)可能要花費(fèi)數(shù)萬(wàn)美元，根本跑不起來(lái)規(guī)模。

這意味著每個(gè)世界模型都有天生的“能力邊界”。

評(píng)估真空是另一個(gè)麻煩。你打開(kāi)任何一家世界模型公司的官網(wǎng)，幾乎都能看到“登頂全球權(quán)威評(píng)測(cè)榜第一”的標(biāo)語(yǔ)。

問(wèn)題是，這些評(píng)測(cè)榜單本身就不成熟。有的側(cè)重視覺(jué)逼真度，有的側(cè)重物理準(zhǔn)確性，有的側(cè)重任務(wù)完成率。一個(gè)在視覺(jué)榜單上拿第一的模型，可能在物理榜單上墊底。

這種標(biāo)準(zhǔn)的不統(tǒng)一，讓各家可以各說(shuō)各話。普通人根本搞不清這到底是同一個(gè)榜單的不同類(lèi)別，還是營(yíng)銷(xiāo)話術(shù)的巧妙編排。

還有一個(gè)被刻意回避的“不可能三角”。

世界模型面臨三個(gè)相互制約的指標(biāo)：空間尺度、視覺(jué)保真度、實(shí)時(shí)交互性。

你不可能同時(shí)做到“世界很大、畫(huà)面很清晰、交互很流暢”。李飛飛的Marble就是最好的例子：1.1版本畫(huà)質(zhì)好但空間范圍有限，1.1-Plus版本能生成大場(chǎng)景但畫(huà)質(zhì)發(fā)糊。

昆侖萬(wàn)維的Matrix-Game 3.0能做到720P下40FPS的實(shí)時(shí)生成，但演示場(chǎng)景的風(fēng)格和復(fù)雜度都很有限。

幾乎沒(méi)有產(chǎn)品會(huì)主動(dòng)承認(rèn)自己的短板，它們更傾向于展示最優(yōu)工況下的演示視頻，而把極限條件下的失敗藏起來(lái)。這種選擇性展示正在制造一個(gè)危險(xiǎn)的泡沫。

最后，資本的狂歡也帶來(lái)了新的投機(jī)風(fēng)險(xiǎn)。

一個(gè)值得注意的現(xiàn)象是，資本從追捧“大廠老兵”轉(zhuǎn)向押注頂尖高校的年輕學(xué)者。逆矩陣科技的兩位創(chuàng)始人，一個(gè)98年、一個(gè)04年，來(lái)自北大，首輪融資超千萬(wàn)美元。

他們的技術(shù)路線是“強(qiáng)化學(xué)習(xí)+世界模型”，目前只有論文，沒(méi)有產(chǎn)品。這不是說(shuō)年輕人不行，而是說(shuō)在范式混沌期，資本愿意為“定義下一代技術(shù)”的可能性支付極高的溢價(jià)。

但大多數(shù)這樣的實(shí)驗(yàn)室項(xiàng)目，最終無(wú)法跨越“論文→產(chǎn)品”的鴻溝。Yann LeCun這樣的圖靈獎(jiǎng)得主都承認(rèn)商業(yè)化要等幾年，更何況是剛畢業(yè)的博士生？

四、結(jié)語(yǔ)

世界模型的目標(biāo)，是讓AI能夠預(yù)測(cè)甚至干預(yù)物理世界。那么，如果AI的預(yù)測(cè)錯(cuò)了，誰(shuí)來(lái)承擔(dān)責(zé)任？

設(shè)想一個(gè)場(chǎng)景：一輛自動(dòng)駕駛汽車(chē)的世界模型在仿真中“想象”出一個(gè)不存在的障礙物，導(dǎo)致車(chē)輛緊急剎車(chē)，被后車(chē)追尾。

這個(gè)鍋應(yīng)該甩給算法工程師，還是仿真數(shù)據(jù)的提供方？

再設(shè)想：一個(gè)工業(yè)機(jī)器人的世界模型錯(cuò)誤預(yù)測(cè)了零件的運(yùn)動(dòng)軌跡，撞壞了整條生產(chǎn)線。保險(xiǎn)公司的理賠標(biāo)準(zhǔn)是什么？

更極端的場(chǎng)景：有人用世界模型生成了一個(gè)逼真的虛假3D災(zāi)難視頻，在社交媒體上引發(fā)恐慌。平臺(tái)有沒(méi)有審核義務(wù)？法律如何界定這種“虛擬與現(xiàn)實(shí)混淆”的傷害？

這些問(wèn)題，目前沒(méi)有任何一家公司、任何一個(gè)國(guó)家給出了清晰的答案。世界模型的倫理框架和法律邊界，遠(yuǎn)遠(yuǎn)落后于技術(shù)的發(fā)展速度。

當(dāng)資本和媒體聚焦于“誰(shuí)能造出最逼真的虛擬世界”時(shí)，一個(gè)更根本的問(wèn)題被擱置了：我們真的準(zhǔn)備好了嗎？

這或許才是世界模型賽道最被低估的變量。不是算力，不是數(shù)據(jù)，不是算法，而是責(zé)任。

智械島版權(quán)所有，未經(jīng)授權(quán)，禁止轉(zhuǎn)載

聯(lián)系郵箱：Cogtopia@163.com