什么是世界模型？AI 脑子里的「地图」

一句话：AI 内部的「世界说明书」

世界模型，指的是 AI 通过学习在内部建立起的一套关于世界怎么运转的表示。有了它，模型才能预判接下来会发生什么，而不只是对当前输入做出被动反应。你看到球被抛起来，会自然预判它要落下，这就是人脑里的世界模型在起作用。

可以把世界模型理解成 AI 脑中的一张地图：地图不是世界本身，但能让走的人提前判断哪里拐弯、哪里有坡。模型用它来做预测和规划，而不是每次都从头试错。

世界模型的三点作用

其一，能预判：知道推一下杯子它会倒，才能提前做出反应。第二，能规划：要先能预测做了 A 会怎样，才谈得上规划行动。第三，能省数据：有了内部模型，就不必把每种情况都实际试一遍。这三点让世界模型被视为具身智能、自动驾驶等技术的关键一环。

一个反过来的视角是：没有世界模型的 AI，只能对眼前输入做反应，缺乏接下来会怎样的推演能力，也就难以处理需要多步预判的任务。

一个直观例子：视频生成里的朴素世界模型

视频生成模型能画出人走路的连贯画面，某种程度上说明它学到了走路大概是什么样。运镜词能被模型理解，靠的是训练时把推拉摇移映射到画面运动，这同样是模型学到的一种运动规律。而视频生成的每一次产出都有成本，反复抽卡意味着次数和开销的累积，这让模型能否一次画对变得实际。

视频延展让画面一段接一段续下去，也依赖模型对接下来画面会怎样的预测，正是朴素世界模型的用武之地。

具身智能强调智能体在物理或虚拟环境里行动，行动前必须先预测动作的结果，这依赖的就是世界模型。自动驾驶要让车在并线、刹车前预判周围车辆的反应，同样需要一套对道路世界的内部表示。世界模型并非某个具体产品，它是一类能力的统称。

它现在学到的是什么

要说得清楚一点：现在的模型学到的是统计上的规律，不是物理规律。它知道球通常会往下掉，但不理解重力；它知道杯子摔了通常会碎，但不理解材质的应力。这些理解是从海量样本里统计出来的相关性，而非因果推演。

这一点可以对照大语言模型来看：它学的是文本序列里的规律，本质也是从数据里学统计规律，而非真正的理解。

它做不到什么

世界模型最大的失效场景，是训练数据里没出现过的情况。球往下的规律它见得多，能预测；一旦遇到一个反直觉的物理场景，比如失重环境，它的预判就崩了。因为它学的是通常如此，不是为什么如此。

此外，跨场景的迁移也很弱：在一种环境里学到的世界规律，换个环境未必成立。这决定了当前世界模型离真正理解世界还有距离，它现在学到的是世界的影子，而不是世界本身。

还有个现实问题是评估难：模型到底有没有学到世界规律，很难用一个分数说清。常见的做法是设计需要预测的任务去测它，比如给一段视频开头让它猜下一帧，或者给一个动作让它推演结果。这些测试能反映一部分能力，但都只是侧面。

一张速查表：世界模型的三层判断

• 世界模型等于 AI 内部对世界怎么运转的表示
• 它让 AI 能预判、能规划，而不只是被动反应
• 现在学到的是统计规律，不是物理规律，新场景会崩

世界模型是 AI 从处理信息走向理解环境的关键一步。看清它现在学到的只是统计规律，你就能理解它为什么会犯一些常识性错误，也不会对它有过高的期待。