【编辑观察】最近这一年多，“世界模型”堪称 AI 圈最被滥用、也最引人疯狂拉投资的词汇之一。超过 100 亿美元资金涌入了所谓的“世界模型”与机器人公司中。但是，懂得画几张漂亮假图，就是懂“世界”了吗？显然不是。这不，AI 界大佬李飞飞和她的 World Labs 团队终于下场，发万字长文狠狠正本清源了一把。

“世界”不是由语言构成的

以往的语言大模型让人觉得 AI 好像懂了人类的逻辑，但物理世界可不是靠文字堆砌出来的，而是实实在在的时空、光影和物理法则。

现在的局面就是：做计算机视觉的、搞机器人的、弄生成式 AI 的，全都在吹自家搞出了“世界模型”，但私底下指代的根本不是同一个东西。为了理清这个乱象，李飞飞团队借用了强化学习里的经典智能体交互循环，把当前各种纷繁复杂的AI模型功能，划分为了三大门派。

世界模型的“御三家”

这就好比是在开发一款史诗级游戏，李飞飞把目前市面上的模型功能拆解成了三种：

  • 渲染器（Renderer）——“光影魔术手”：专攻“视觉观测”。你在网上看到的那些输入文字就一键生成的电影级短视频，基本都是它的功劳。其实它们根本不懂三维结构，只会画“看起来觉得合理”的画面，但往往并不符合物理规律。 就像游戏里的远景贴图，远看着很真，但你一旦走进去就会发现是穿模的甚至凭空崩塌。

  • 模拟器（Simulator）——“硬核物理引擎”：专攻“世界状态”。它不追求皮囊好看，而是死磕几何、物理和动态的底层逻辑。万有引力怎么运作？碰撞会产生怎样的反作用力？它负责提供完全符合物理法则的环境，不仅游戏开发和建筑设计师需要它超越视觉的精准性，它更是自动驾驶和机器人的绝佳“虚拟练兵场”。

  • 规划器（Planner）——“头号玩家”：专攻“行动决策”。在看懂了当前的观测环境后，负责回答智能体该干什么。现在搞具身智能的本质上就是在拼规划能力，让机械臂能在未经布置的真实厨房里思考下一步该怎么完成做饭的操作。

为什么“物理模拟”才是重中之重？

在这“御三家”里，大家最熟悉的是疯狂刷屏的渲染器（各种文生图/视频），商业落地最成熟快变现；最受资本热捧觉得充满未来科幻感的是规划器（各种人形机器人做家务的视频）。但以往获得公众关注最少、常常被冷落的“模拟器”，才是真正的核心和桥梁。

单纯的渲染器只能造视觉假象，单纯的规划器如果只照本宣科就没法处理突发情况。只有通过扎实的模拟器，把几何和物理法则作为底层骨架，才能演化出真正正确的外观和结果。如果一个 AI 真的在模拟层面理解了一个水杯放在桌面上意味着什么（包括材质、重力、碰撞网格），它就不仅能从任意角度渲染出杯子的高清图片，还能推演你推它一下会翻倒的物理动作，这才是真正的对世界的理解！

三位一体的“终极基础大模型”

当前的 AI 领域，研究方向已经非常清晰：一场大融合正在发生。最前沿的研究正在试图打破渲染、模拟与规划之间的界限，一切都指向一个“终极 BOSS”级别的目标：一个统一的基础世界模型。

它将能够像顶级游戏引擎一样实时渲染出照片级真实的画面，同时拥有严谨完美的内部物理逻辑，还能自主规划动作序列，并根据你的需求在不同设定间自由切换。

用李飞飞在文末的话说：“语言让机器能够谈论世界；而世界模型，将让机器最终能够理解、想象、推理并与世界互动。”

所以，下次再看到有厂商吹嘘自己的 AI 画了几张逆天神图就是颠覆级别的“世界模型”时，不妨拿李飞飞的“三界标准”在心里审视一下：它只是在画画，还是真的懂物理呢？