風口上的世界模型，到底是什么？

想象空間巨大，但仍在早期階段。

AIX財經(jīng)（AIXcaijing）原創(chuàng)

作者 | 王璐

編輯 | 魏佳

AI圈的新風口又來了。

進入2026年，“世界模型”快速從學術概念站到資本和產(chǎn)業(yè)的中心。海外，“AI教母”李飛飛創(chuàng)立的World Labs在年初拿下10億美元融資，估值飆至50億美元，投資方包含a16z、英偉達、AMD、Autodesk等巨頭；另一邊，圖靈獎得主楊立昆，離開Meta另起爐灶創(chuàng)辦的AMI Labs，僅種子輪便獲得超10億美元融資。國內(nèi)同步跟進，成立于2023年的極佳視界，在今年三個月內(nèi)連續(xù)完成三輪大額融資，累計35億元，成為國內(nèi)首個世界模型百億獨角獸。

資金涌入的速度、規(guī)模以及頭部機構(gòu)的扎堆程度，讓不少人感慨，好像回到了ChatGPT引爆市場的那一刻。

幾乎人人都在談論世界模型，但很少有人能說清它到底是什么。

其實世界模型并非新概念。它在認知科學和深度學習領域早有討論，但真正走入大眾視野，是2024年前后Sora的橫空出世時，母公司OpenAI將其表述為“world simulator”（世界模擬器），強調(diào)其能“生成、預測未來畫面”，由此受到大范圍關注。但很長一段時間里，業(yè)內(nèi)并未全盤接受將像素級視頻生成直接等同于世界模型的說法。

讓這個概念真正脫離視頻生成、走向產(chǎn)業(yè)焦點的，是此后具身智能賽道的爆發(fā)，其內(nèi)涵趨向于一種能理解物理因果的底層能力。

由于學術界遲遲未能給世界模型統(tǒng)一定義，目前只要和“預測未來”相關的模型，都開始自稱世界模型。正如李飛飛所言，世界模型既是當下最重要，也是被濫用最嚴重的概念。

對此，「AIX財經(jīng)」和多位研究世界模型的學者、具身智能創(chuàng)業(yè)者聊了聊，試圖回答三個問題：世界模型究竟是什么？資本為何瘋搶？火速催生百億獨角獸的背后，這一賽道是真有潛力，還是又一場泡沫？

01.到底什么是世界模型？

由于目前世界模型缺乏統(tǒng)一標準，市場出現(xiàn)了“萬物皆可世界模型”的亂象。做視頻的、做3D的、做仿真的，紛紛給自己貼上“世界模型”標簽。

斯坦福大學教授李飛飛團隊將相關技術劃分為三個功能層級：渲染器（解決看起來像）、規(guī)劃器（輸出動作指令）和模擬器（輸出世界內(nèi)部狀態(tài)）。其中，模擬器被其定義為最接近世界模型的本體。

智源研究院院長王仲遠則將當前的主流世界模型技術路徑分為四類，分別是以語言為中心、以像素為中心、以三維結(jié)構(gòu)為中心、以視覺表征為中心的世界模型。但他坦言，這四類模型距離真正面向物理世界的基座模型有很大的距離。

兩種分類視角不同，但他們都認為世界模型的核心不是生成逼真畫面，而是對物理世界的建模能力。

對照這一標尺，當下市場上的主要三類玩家，都離“世界模型”有一定距離。

第一類是視頻派，以Sora、Runway、可靈等AI視頻生成大模型為代表，本質(zhì)是把世界“畫”出來。它們本質(zhì)上只是像素組合的概率分布，停留在渲染器層。畫面再逼真，模型也并不理解物理規(guī)律本身。

第二類是3D空間派，代表是李飛飛本人的World Labs，國內(nèi)的創(chuàng)業(yè)公司VAST也押注這一方向。

這類玩家構(gòu)建出了幾何結(jié)構(gòu)，但缺乏動力學規(guī)律，無法觸及物理本質(zhì)。舉個例子，它知道“杯子在哪兒”，不知道“杯子被推一下會怎樣”，因此仍卡在渲染器與模擬器之間。World Labs于去年年底推出首款空間智能產(chǎn)品Marble，一度被業(yè)界視為世界模型的落地代表，但李飛飛本人謹慎地將其稱為“非正式的世界模型”。

最后一類是仿真基建派，代表有英偉達、Waabi、Wayve、極佳視界等，它們提供物理仿真與驗證平臺，但更多是依賴程序員寫好的規(guī)則，模型負責按規(guī)則生畫面、生數(shù)據(jù)，缺乏對物理規(guī)律的推演與泛化能力。

總之，目前大多數(shù)公司都尚未真正觸及“模擬器本體”這一硬核層級。 而且，各家實質(zhì)上仍是在賣內(nèi)容生成服務或項目集成方案，距離下一代“底層基礎設施”相差很遠。

但正因為世界模型門檻極高、落地極難，世界模型的不可替代性才更加凸顯，它要解決現(xiàn)有方案無法解決的物理因果問題。

北京靈生科技合伙人王嘉明對此的描述是，世界模型的本質(zhì)，是根據(jù)當前觀測狀態(tài)，預測下一個觀測狀態(tài)。以機器人做咖啡為例，想要完成這一動作，先得預測咖啡杯從桌面移到咖啡機出口下方這一“世界狀態(tài)”的變化，再反向推導其需要執(zhí)行哪些動作。這種“預測-推導”的能力，正是當下具身智能落地的最大短板。

為了直觀理解，我們將世界模型與大語言模型、視頻生成模型、具身智能模型（VLA）進行橫向?qū)Ρ取?/p>

同樣是一個杯子，大語言模型能告訴你杯子是什么、描述杯子長什么樣；視頻生成模型能畫出杯子從桌上掉落的畫面；VLA能根據(jù)指令完成“拿起杯子”的動作；而世界模型掌握的是“物理因果”，它知道杯子在多大角度會滑動、多大角度會被傾覆。

可以看出，世界模型既不是視頻大模型的視覺延伸，也不是具身智能大模型的簡單升級，它位于更底層，是那個缺失的“物理地基”。只有當一個模型能真正從原始感官中推演出物理因果，它才能稱之為世界模型。

02.GPT-2時刻的世界模型，卡在數(shù)據(jù)上

弄清楚了什么是世界模型后，就能理解投資人為什么瘋搶。

世界模型能把物理世界里的突發(fā)后果和驗證成本變得可計算，能直接運用到當下大火的具身智能與自動駕駛行業(yè)里。

目前具身智能行業(yè)仍高度依賴真機數(shù)據(jù)采集和仿真合成數(shù)據(jù)來緩解數(shù)據(jù)短缺難題，但這兩條路都暴露出很大的局限性。真機數(shù)據(jù)訓練出的，多是對特定動作的模仿，而非基于物理規(guī)律的推理能力；仿真合成數(shù)據(jù)則受限于平臺預設的規(guī)則，一旦機器人進入家庭等非標準化場景，就容易失靈。

世界模型不僅能補這兩個短板，對數(shù)據(jù)的“包容性”也遠高于具身大模型。

王嘉明介紹，VLA的數(shù)據(jù)必須采集特定機器人的特定動作，而世界模型只需關注物體狀態(tài)如何變化，因此只需人穿戴設備采集即可。他打了個比方，機器人在端水過程中把水灑了，對于VLA來說是無用數(shù)據(jù)，但對于世界模型反而是好數(shù)據(jù)，因為它從中能學到“手一歪杯子會掉”這一物理規(guī)律。

自動駕駛領域感知識別的技術難題已經(jīng)解決，但難點變成了很難采集到暴雨、結(jié)冰、施工等多重變量疊加的極端情況數(shù)據(jù)。世界模型可以構(gòu)建高保真的虛擬測試場，大幅降低對高風險路測的依賴。

正如北京交通大學計算機學院、從事世界模型研究的博士生余蕭所言，世界模型相當于給這兩大行業(yè)補上了“可驗證性”的拼圖：機器人可以在虛擬世界里摔一萬次再走進現(xiàn)實，車企也可以低成本驗證極限場景。

圖源 / pixabay

然而，世界模型仍處于發(fā)展早期。如果用大模型發(fā)展史作類比，余蕭認為當前世界模型大致處在“GPT-2 到 GPT-3 之間”的階段，因為它概念很熱、Demo很強，但技術路線極度分散，標準混亂，離真正的通用物理引擎還有很長距離。

綜合多位從業(yè)者的說法，世界模型目前還面臨著三大難題。

第一道是數(shù)據(jù)，這是最大瓶頸。雖然看起來世界模型對數(shù)據(jù)的要求比具身智能大模型低，但難點是量大。

王嘉明表示，模型所需的訓練數(shù)據(jù)量和模型大小呈正比，一個能干活的VLA模型大概在30億個參數(shù)，而英偉達發(fā)布Zero-shot機器人世界模型DreamZero為140億。差距的原因是，具身大模型的數(shù)據(jù)回答的是“這種畫面該出什么動作”，而世界模型的數(shù)據(jù)還要額外回答“動了之后會發(fā)生什么、為什么”，需要包括大量失敗的交互數(shù)據(jù)。

這類數(shù)據(jù)的獲取成本不低。

王嘉明透露，目前主流的采集方式仍為人工采集，行業(yè)均價在兩三百元一小時，且任務越復雜、動作精度要求越高，單價越貴。

余蕭則指出了另一重難題，真實交互需頻繁重置場景與校準傳感器，公開數(shù)據(jù)往往更偏向于采集成功的動作，恰恰缺乏“杯子滑落、碰撞傾覆”這類關鍵的失敗樣本，加之物理變量的組合呈指數(shù)級爆炸，導致數(shù)據(jù)需求幾乎是個無底洞。

他表示，對大語言模型來說，從網(wǎng)上獲取大量文本的邊際成本很低，但對世界模型來說，一條真實機器人交互軌跡往往要算人力時間、機器人時間、場景重置、設備損耗和數(shù)據(jù)清洗。

至于用合成數(shù)據(jù)填補缺口，在邏輯上也并不可行。王嘉明解釋，生成精準的合成數(shù)據(jù)，前提是已經(jīng)擁有一個靠譜的世界模型，這便陷入了典型的“雞生蛋、蛋生雞”的死循環(huán)。

第二道難題在于推理效率與物理認知的缺失。

一方面，龐大的參數(shù)量直接導致推理延遲居高不下。市面上的機器人在執(zhí)行倒咖啡、疊衣服等動作時，響應速度仍遠落后于人類，難以滿足物理世界對實時交互的要求。

更核心的挑戰(zhàn)，是物理認知本身還沒走通。大語言模型的推理能力，建立在人類已將海量因果邏輯、推理步驟編進文本數(shù)據(jù)的基礎上，它本質(zhì)上是在學習人類整理好的符號規(guī)律。而世界模型試圖跳過這一層，直接從感官信號中逆向推導物理規(guī)律。這條“去語言化”的技術路徑比文本路徑更難，目前也缺乏已被驗證的成功路線。

第三道是評測和落地。圖像生成好不好，能拿指標和人眼快速對比，但真實環(huán)境中的摩擦、形變、接觸度等參數(shù)，不僅很難測全、測準，還常常帶有不確定性，導致很多場景根本不存在唯一的標準答案。這意味著，世界模型即便做出來了，也很難像大語言模型那樣靠基準測試快速迭代，落地節(jié)奏天然會慢一拍。

世界模型有望解決具身智能和自動駕駛領域的落地難題，但市場可能高估了世界模型在短期內(nèi)的能力。

03.是AI基建，還是又一場泡沫？

弄清世界模型的潛力與局限后，這門生意究竟能否賺錢，也就有了一個較為清晰的答案。

綜合多位從業(yè)者的判斷，目前市場上能拿出的產(chǎn)品，幾乎都還停留在渲染器和仿真層，沒有誰真正抵達模擬器本體。當下確實有人通過世界模型賺到了錢，但都不是因為“世界模型”本身，是它周邊的幾門生意。

如果按付費模式劃分，主要有三種，且?guī)缀跞贐端。

一是賣“訓練場”，即給機器人公司提供虛擬訓練環(huán)境、給車企提供駕駛仿真系統(tǒng)，一般按項目或訂閱收費。比如，Waabi、Wayve的客戶主要是車企，做的是自動駕駛算法的閉環(huán)仿真驗證；極佳視界則把同一套邏輯搬到具身智能中，客戶是機器人公司。

這是三條路中與模擬器層最為接近的一條，它賣的是對物理世界的推演能力本身。

二是賣“合成數(shù)據(jù)”，即用世界模型生成帶物理因果標簽的數(shù)據(jù)，賣給具身智能和自動駕駛公司，填補真機數(shù)據(jù)的缺口。這條路位于模擬器與渲染器之間，生成的數(shù)據(jù)質(zhì)量越高、物理標簽越準，便越接近真正的世界模型輸出。

但這條路有一個尚未解決的根本問題：合成數(shù)據(jù)本身的物理保真度，還沒辦法被獨立證偽。一旦生成數(shù)據(jù)的物理邏輯不準確，下游模型反而會被“污染”。所以目前這門生意的客戶接受度，更多依賴供需雙方的私下校驗，而非行業(yè)公認的評測標準。

圖源 / pexels

三是賣“內(nèi)容生產(chǎn)”，這主要面向游戲、影視、空間設計輸出可交互的3D場景，這條路離C端最近、最容易出爆款Demo，可本質(zhì)上更接近渲染器層，護城河存疑。

王嘉明坦言，世界模型的商業(yè)化仍處在探索期，上述三條路徑僅是雛形，整個行業(yè)遠未跑出標準答案。

正是這種不確定性，讓資金瘋狂涌入這一賽道。

“越不明朗越搶投的邏輯，與十年前的自動駕駛?cè)绯鲆晦H。”王嘉明認為，今年世界模型的融資熱，更像投資人驅(qū)動的提前布局，“當年大家都說自動駕駛馬上要落地，結(jié)果到現(xiàn)在已經(jīng)過去了快10年。但如果你現(xiàn)在才去投自動駕駛，顯然已經(jīng)太晚了。同理，世界模型正處于想象空間巨大、但尚未規(guī)模落地的時間窗口。”

他透露，近期有大量投資人向其咨詢世界模型的技術細節(jié)，市場關注度已從概念炒作轉(zhuǎn)入實質(zhì)性的押注階段。

而參照大模型“百模大戰(zhàn)”的劇本，世界模型賽道的洗牌可能會來得更猛、更快。隨著英偉達、騰訊、阿里等巨頭下場，那些沒有落地場景、缺乏數(shù)據(jù)閉環(huán)、只靠Demo撐門面的公司，會加速出局。

可以明確的是，世界模型并非偽概念，其對物理世界的理解與預測，是通往更高階智能繞不開的一環(huán)，但同樣確定的是，這輪融資熱里確實有不少“偽世界模型”。

*題圖來源于pexels。