互联网上的文字ChatGPT们读了个遍，聊什么都头头是道。但在 AI 圈，一批重量级人物认定这条路走不到头，理由很简单：这些模型从来没见过真实世界。
美国Meta公司前首席AI科学家、图灵奖得主杨立昆说得毫不客气：“指望把大语言模型的能力一路扩展到人类水平的智能，完全是胡说八道。”计算机视觉先驱、美国斯坦福大学教授李飞飞的说法文雅些，她形容大语言模型是“黑暗中的文字匠”：能说会道，却毫无阅历；学识渊博，却双脚悬空。
钱已经跟着这个判断走了。今年2月和3月，李飞飞联合创办的美国初创公司World Labs和杨立昆创办的AMI先后融资，各拿到约10亿美元；做AI视频起家的美国公司Runway也在2月融到3.15亿美元。这些钱押的都是同一个方向：世界模型。
名字听着玄，定义其实一句话就能说清。大语言模型学的是文字接龙，预测下一个词；世界模型学的是世界接龙，给它一个场景和一个动作，它预测下一刻会发生什么。
它和AI视频生成是近亲。Runway首席技术官阿纳斯塔西斯·格马尼迪斯回忆，转折点出现在他们给视频模型加上镜头控制之后：用户可以指挥镜头在画面里移动，感觉一下子就变了，更像在玩游戏，你在一个世界里四处游荡，而这个世界正被模型实时渲染出来。
普通的AI视频是整段一次生成的：模型从一屏雪花噪点出发，反复“去噪”，把所有画面同时修出来。这样前后连贯，但也意味着视频生成完之前，你插不上手。世界模型把流程改成一帧接一帧：模型画出这一帧，你按个方向键，它根据你的动作画下一帧。视频就这样变成了游戏。
代价也不小。每一帧都要现算，烧钱烧得厉害；模型还健忘，你在生成的房子里逛一圈再回来，屋里的摆设可能已经悄悄变了样，因为它把早先的画面忘了。
去年8月谷歌DeepMind发布的Genie 3、去年12月Runway发布的GWM-1，走的都是这条实时生成的路。World Labs则选了另一条：它去年11月推出的Marble，用一张图片或一段视频，再选择性地加一句描述，就能生成一个后院大小的3D场景，你可以用键盘鼠标飞进去逛，还能把整个场景导出来，给游戏开发者和特效师直接用。
两条路各有软肋。Marble的场景一次生成、永久保存，家用显卡就跑得动，可惜里面是死的，一片树叶都不会动。实时生成的世界是活的，你能动手干预、看到后果，但一停机就烟消云散，而且每一秒都在烧算力。World Labs联合创始人本·米尔登霍尔承认这一点，他们正在想办法把“会动”加进自己的场景里。
这些模型的物理知识是哪来的？没人教过它们牛顿定律，也没人给它们输入过三维几何。
这恰恰是故意的。计算机科学家、强化学习先驱理查德·萨顿2019年写过一篇著名短文《苦涩的教训》，总结了AI几十年的历史：研究者总想把人类辛苦积累的知识亲手教给机器，但一次又一次，这种精心设计输给了简单粗暴的路线，也就是把海量数据和海量算力堆上去，让机器自己悟。教训之所以苦涩，是因为输掉的总是人类引以为傲的那部分知识。
大语言模型就是这么成的：没人教它语法，它读了整个互联网，语法自己就冒出来了。世界模型下的是同一个赌注：不教三维，不教物理，只让模型看海量视频、反复练习预测下一帧。预测得足够好，它就有可能在内部自己长出一套对空间和物理的近似理解，至少支持者们是这么押注的。
这套理解藏在哪？研究者管它叫“潜空间”。美国麻省理工学院的文森特·西茨曼打了个比方：假如你能翻开自己的大脑看，里面绝不会有一张房间的三维图纸，但你闭着眼也知道桌子在哪。模型也一样，它内部存着关于世界的信息，只是形式人类读不懂。
连研究者自己也说不清模型内部是如何形成这些物理行为的，他们只能反复验证输出是否够用。比如拍一段真实视频，一只皮球吊在天花板下晃，把第一帧喂给模型让它续写，再把模型算出的轨迹和真实轨迹对比。
那么问题来了：烧几十亿美元，就为了造个能逛的假世界？
真正的目标是机器人。自动驾驶这几年进展快，一个重要原因是数据管够：行车记录仪和路测每天都在生产驾驶数据。而想让人形机器人进家干活，可用的训练数据少得可怜。有的公司已经在花钱雇人戴着摄像头做家务，就为攒一点训练素材，但这点数据杯水车薪。
世界模型给出的解法是练功房：让机器人在模拟世界里日夜不停地练，摔了不疼，砸了不赔，失败1万次也只是几度电，还能批量生成机器人执行各种任务的画面当教材。西茨曼的团队就在用视频世界模型训练机器人撕胶带，这个动作看着简单，对机器人来说难得很。
前提是模拟得足够真。要是模型把摩擦力算错一点，机器人学到手的就是错的功夫，到了现实世界一用就露馅。这一关目前还没过。所以下次再看到机器人公司发布的惊艳演示，可以多留个心眼：场景、任务、道具，都可能是精心挑过的。
西茨曼自己说得很清楚：“这是一场赌注，还没有定论。”他甚至在博客里写，视频生成模型未必能解决机器人智能问题，甚至未必是最终答案的必要零件。但他和整个行业还是把钱和时间押了上去，因为赌对的回报太大。
AI圈习惯把行业的繁荣期叫作“AI之春”。这一轮春天是大语言模型带来的，而这些真金白银的赌注说明，很多人相信，春天不会跟着聊天机器人一起结束。
～～～～～～
图一：题图，图源：MIT图二：文森特·西茨曼领导美国麻省理工学院计算机科学与人工智能实验室的场景表征研究组，图源：MIT图三：World Labs 团队合影，左侧和中间穿黑色连帽衫的是本·米尔登霍尔，他左手边同样穿黑色连帽衫的是联合创始人李飞飞，图源：World Labs图四：Runway 首席技术官阿纳斯塔西斯·格马尼迪斯在 Cerebral Valley 语音峰会上演讲，图源：Newcomer AI Summits图五：计算机科学家、强化学习先驱理查德·萨顿2025年在圣迭戈演讲，图源：Xuthoria 摄，CC BY-SA 4.0 许可图六：用 World Labs 的 Marble 从一段文字提示和一张2D参考图生成的3D场景，环境由高斯泼溅（Gaussian splats）构成，用户可以在其中自由移动、变换视角，但场景里没有任何动态，图源：Samuel Axon图七：Runway 最初发布 GWM-1 时的演示，生成的仓库场景上叠加着方向控制键，图源：Runway图八：西茨曼等人在用视频世界模型训练机器人完成撕胶带之类的任务，这个动作没有看上去那么简单，图源：MIT图九：类似3D软件 Blender 的悬浮场景视图只是世界模型可能的界面之一，有些世界模型根本不会有人类界面，图源：Samuel Axon
信源：Axon, Samuel. "Simulating everything, sort of: The promise and limits of world models." Ars Technica, 13 July 2026
