世界模型元年啟示錄：動機、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)布了開放式世界模型Happy Oyster，騰訊開源了3D世界模型HY-World 2.0。

同一天，兩家中國互聯(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，一個響亮的口號迅速傳遍行業(yè)：世界模型是大語言模型之后最重要的賽道。

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

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

這不是學術討論的分歧，而是整個賽道正在經(jīng)歷的認知混亂。

這篇文章試圖理清這場混亂。我們會從三個層層遞進的問題入手：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、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，得先回到大語言模型的一個尷尬事實。

過去兩年，ChatGPT們展示了驚人的語言能力，也暴露了一個致命短板：它們不懂物理世界。

你問一個LLM“把杯子從桌子邊緣推下去會怎樣”，它能回答“杯子會掉到地上”，卻并不能真正理解重力、加速度、碰撞，它只是從訓練數(shù)據(jù)中記住了類似的句子。

2026年初的一項研究指出，幻覺不是數(shù)據(jù)問題，不是訓練問題，而是LLM架構的內(nèi)在缺陷。

這個缺陷在純文本任務中或許可以忍受，但當AI要進入真實世界：操控機器人、駕駛汽車、在工廠里作業(yè)，它就變成了一個無法繞過的坎，你不能讓一個自動駕駛模型“大概正確”地判斷前方障礙物，也不能讓一個工業(yè)機器人“差不多”地預測零件運動軌跡。

于是，一個更根本的需求浮出水面：我們需要一個能理解物理世界因果律的AI。

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

大語言模型改變了人和信息的關系，而世界模型要改變的，是人和現(xiàn)實的關系。

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

這些場景的共同要求是：AI必須理解空間、預測動態(tài)、規(guī)劃動作。

所以，大廠押注世界模型，本質(zhì)上是在爭奪“后LLM時代”的技術制高點。誰先讓AI真正理解物理世界，誰就能在下一輪產(chǎn)業(yè)周期中占據(jù)主導。

國內(nèi)外玩家的打法截然不同。

美國那邊，DeepMind、World Labs、AMI Labs更像是在做基礎科學。

他們關心的是如何讓AI擁有像人類一樣的物理直覺和因果推理能力，商業(yè)化是遠期目標。Yann LeCun自己都承認，AMI的產(chǎn)品可能要幾年后才能看到。

中國則是另一番景象。阿里和騰訊幾乎在發(fā)布模型的同時就綁定了商業(yè)場景：Happy Oyster瞄準影視制作和游戲開發(fā)的付費用戶，HY-World 2.0直接輸出可導入Unity/UE的3D資產(chǎn)，做起了AI造世界的生意。

還有Sand.ai的VidMuse，圍繞音樂生成視頻這個細分場景，上線幾個月就做到了千萬美元級別的年收入。

中國團隊的邏輯很務實：世界模型首先得是一個能賺錢的產(chǎn)品。

這兩種路線沒有高下之分，但決定了各自的節(jié)奏和風險。美國團隊敢于押注十年后的突破，中國團隊則必須在一年內(nèi)看到回報。

問題是，當所有人都擠在同一個熱詞下喊口號時，局外人很難分清誰在做什么。

二、關于技術標準的拷問

花時間看完各家產(chǎn)品的介紹，你很可能會陷入更大的困惑。因為每個世界模型長得都不一樣，它們的底層邏輯甚至彼此矛盾。

先來看最反直覺的一派。Yann LeCun的AMI Labs走了一條很少有人敢跟的路，他們不認為AI需要生成逼真的畫面。

LeCun的JEPA架構刻意丟棄像素細節(jié)，只在抽象的隱空間里做預測。最新發(fā)布的LeWorldModel只有1500萬參數(shù)，單GPU幾小時就能訓練完，但規(guī)劃速度比傳統(tǒng)方法快了48倍。

缺點是，它的輸出人類看不懂，你不能“看到”它預測的未來，只能相信它算對了。

這是一個純粹的學術路線，離普通用戶很遠，但LeCun賭的是：真正的智能不需要模擬每一片樹葉的飄落，只需要理解“風會吹落樹葉”這個因果。

另一條路來自李飛飛的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可編輯、可導航的3D世界，用戶可以在里面自由移動視角。

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

一個坦誠的評價是：Marble擅長重建空間的樣子，但對空間中會發(fā)生什么的理解還比較薄弱。

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

最熱鬧的陣營當屬生成派。谷歌的Genie 3、阿里的Happy Oyster、騰訊的HY-World 2.0都屬于這一類。

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

阿里在Happy Oyster里做了一個很有意思的功能叫導演模式，用戶可以在視頻播放的過程中隨時輸入文字指令，改變劇情走向、切換鏡頭角度。騰訊更務實，直接輸出可二次編輯的3D資產(chǎn)，讓游戲開發(fā)者可以導入Unity或UE引擎里直接用。

但這類產(chǎn)品有一個共同的軟肋：長時序一致性和物理準確性仍然不穩(wěn)定。

Genie 3的演示很驚艷，但幾分鐘后畫面就開始走樣。阿里的漫游模式目前只能支持1分鐘的連續(xù)位移，超過這個時間會發(fā)生什么？官方?jīng)]說。

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

最后還有一個特殊的玩家：英偉達。Cosmos平臺不生產(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、預訓練基礎模型，全部免費開放下載。黃仁勛的算盤很清楚：無論哪條路線最終勝出，訓練和推理都需要英偉達的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的？一個關鍵的技術標準是：真正的世界模型必須是“動作條件化”的，也就是說，輸入一個動作，模型要能輸出世界狀態(tài)的變化。

你用鍵盤按“W”，畫面里的視角應該向前移動；你給機器人一個抓取指令，模型應該預測物體的位置變化。

按照這個標準，李飛飛的Marble就不太合格，用戶只能看，不能做。它更像一個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)，本身就不涉及動態(tài)預測。

換句話說，目前市場上幾乎沒有一家達到了“完美物理世界模擬器”的標準。每家都在自己的能力范圍內(nèi)，選擇了一個可展示、可商業(yè)化的切入點。

這本身沒有錯，錯的是大家都在用“世界模型”這個模糊的大詞來包裝自己，讓外界誤以為他們已經(jīng)解決了所有問題。

三、那些被刻意回避的模糊地帶

只讀各家公司的新聞稿，會覺得世界模型已經(jīng)進入了規(guī)模化落地的前夜，但一些被忽略的細節(jié)拼出了一幅截然不同的圖景。

數(shù)據(jù)問題首當其沖。訓練一個真正的世界模型，需要海量的“觀察、動作、結果”三元組，但現(xiàn)實中沒有這樣的現(xiàn)成數(shù)據(jù)集。

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

有人用人類第一人稱視頻，最接近真實世界，但視頻里沒有動作標簽，而且人的頭部運動和手部動作糾纏在一起，模型根本分不清是誰在動。

還有人用真實機器人遙操作數(shù)據(jù)，保真度最高，但采集一小時數(shù)據(jù)可能要花費數(shù)萬美元，根本跑不起來規(guī)模。

這意味著每個世界模型都有天生的“能力邊界”。

評估真空是另一個麻煩。你打開任何一家世界模型公司的官網(wǎng)，幾乎都能看到“登頂全球權威評測榜第一”的標語。

問題是，這些評測榜單本身就不成熟。有的側重視覺逼真度，有的側重物理準確性，有的側重任務完成率。一個在視覺榜單上拿第一的模型，可能在物理榜單上墊底。

這種標準的不統(tǒng)一，讓各家可以各說各話。普通人根本搞不清這到底是同一個榜單的不同類別，還是營銷話術的巧妙編排。

還有一個被刻意回避的“不可能三角”。

世界模型面臨三個相互制約的指標：空間尺度、視覺保真度、實時交互性。

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

昆侖萬維的Matrix-Game 3.0能做到720P下40FPS的實時生成，但演示場景的風格和復雜度都很有限。

幾乎沒有產(chǎn)品會主動承認自己的短板，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。這種選擇性展示正在制造一個危險的泡沫。

最后，資本的狂歡也帶來了新的投機風險。

一個值得注意的現(xiàn)象是，資本從追捧“大廠老兵”轉向押注頂尖高校的年輕學者。逆矩陣科技的兩位創(chuàng)始人，一個98年、一個04年，來自北大，首輪融資超千萬美元。

他們的技術路線是“強化學習+世界模型”，目前只有論文，沒有產(chǎn)品。這不是說年輕人不行，而是說在范式混沌期，資本愿意為“定義下一代技術”的可能性支付極高的溢價。

但大多數(shù)這樣的實驗室項目，最終無法跨越“論文→產(chǎn)品”的鴻溝。Yann LeCun這樣的圖靈獎得主都承認商業(yè)化要等幾年，更何況是剛畢業(yè)的博士生？

四、結語

世界模型的目標，是讓AI能夠預測甚至干預物理世界。那么，如果AI的預測錯了，誰來承擔責任？

設想一個場景：一輛自動駕駛汽車的世界模型在仿真中“想象”出一個不存在的障礙物，導致車輛緊急剎車，被后車追尾。

這個鍋應該甩給算法工程師，還是仿真數(shù)據(jù)的提供方？

再設想：一個工業(yè)機器人的世界模型錯誤預測了零件的運動軌跡，撞壞了整條生產(chǎn)線。保險公司的理賠標準是什么？

更極端的場景：有人用世界模型生成了一個逼真的虛假3D災難視頻，在社交媒體上引發(fā)恐慌。平臺有沒有審核義務？法律如何界定這種“虛擬與現(xiàn)實混淆”的傷害？

這些問題，目前沒有任何一家公司、任何一個國家給出了清晰的答案。世界模型的倫理框架和法律邊界，遠遠落后于技術的發(fā)展速度。

當資本和媒體聚焦于“誰能造出最逼真的虛擬世界”時，一個更根本的問題被擱置了：我們真的準備好了嗎？

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，而是責任。

智械島版權所有，未經(jīng)授權，禁止轉載

聯(lián)系郵箱：Cogtopia@163.com