2026 年，「世界模型」是 AI 圈最沒有共識的詞之一。
一段能夠連續生成的影片，被叫作世界模型；一個隨鍵鼠操作即時變化的數位環境，也被叫作世界模型；在潛空間預測未來狀態的系統，以及直接輸出機器人動作的策略，同樣使用這個名字。
這些模型都在處理世界的資訊，能力邊界卻相去甚遠。生成影片裡的畫面可以足夠逼真，卻違背真實的物理規律；機器人能夠完成一次抓取，也可能只熟悉實驗室裡的物體、機位和動作軌跡。一個系統究竟學到了視覺相關性、物理結構，還是行動與結果之間的關係，僅靠 Demo 很難回答。
概念混亂增加了技術判斷的難度。畫質、幾何精度、預測能力和任務成功率被混在一起比較，不同團隊看似爭奪同一賽道，實際回答的可能是不同問題。
因此，世界模型研究開始回到一個基本問題，模型需要具備哪些能力，才能從生成內容走向理解並改變世界？
李飛飛和 World Labs 按功能將世界模型分為渲染器、模擬器和規劃器，分別輸出像素、世界狀態與動作。
連結：https://www.worldlabs.ai/blog/taxonomy-of-world-models
LeCun 則主張在抽象潛空間中學習可預測的世界結構，讓模型保留對理解、推理和規劃有用的資訊。
連結：https://ai.meta.com/research/vjepa/
清華大學朱軍給出了第三個角度。早在去年 12 月 Motus 發布時，他就公開闡述「通用世界模型」整體構想，今年 3 月，他又將其定位為連接數位世界與物理世界的基礎。幾個月後，朱軍及團隊在論文《General World Models from First-Principles》中進一步完善這套框架，從第一性原理定義核心能力，並給出一張五級進化路線圖。
論文連結：https://www.shengshu.com/assets/gwm-principles-and-roadmap.pdf
技術報告：https://www.shengshu.com/zh/general-world-model/
論文將通用世界模型的核心能力歸納為理解、想像和行動。模型需要從歷史觀測中形成對當前世界的判斷，推演不同選擇可能產生的未來，採取行動，再用新觀測修正自身。
沿著這一框架，影片生成、即時互動、潛空間預測和機器人控制可被視為同一條能力路線上的不同階段。
世界模型距離通用智能還有多遠，也被轉化成更具體的問題：它能否維持一個連貫的世界？能否預測干預帶來的後果？能否從真實回饋中學習？又能否逐漸形成目標並組織更複雜的行動？
世界模型的第一性原理
很多人都有過學自行車的經驗。
剛開始時，身體總會搖搖晃晃。看到車把偏向一側，感覺身體重心開始下沉，人會隨即調整方向，再根據新的回饋繼續修正。隨著練習增加，大腦逐漸學會預判某個動作將帶來什麼結果。
這正是世界模型最樸素的含義。
1943 年，Kenneth Craik 提出，人類會在頭腦中形成關於現實的「小尺度模型」，藉此推演不同行動可能帶來的結果。強化學習中的 POMDP 進一步描述了這個過程，智能體接收局部觀測，估計世界狀態，採取動作，再根據新觀測更新判斷。
朱軍團隊將這一邏輯概括為通用世界模型的三項核心能力，它們相互銜接，構成持續更新的閉環：
理解（Understanding）：把視覺、語言、聲音、觸覺或機器人感測器等資訊，整合成對當前世界的內部判斷；
想像（Imagination）：從當前狀態推演多個可能未來，尤其是「如果我採取動作 A，而不是動作 B，結果會怎樣」；
行動（Action）：把預測變成對數位或物理環境的干預，並讓行動後的新觀察反過來檢驗、修正模型。
通用世界模型的三項核心能力形成一個閉環：理解負責推斷當前狀態，想像負責預測可能的未來，行動則改變世界，並為下一輪理解提供新的證據。
這也是為什麼，影片生成不等於世界模型的全部。
視頻模型可以回答接下
來畫
面可能是什麼樣，但要走向通用世界模型，它還需要回答「如果我改變這個條件、移動這個物體、施加這個動作，世界會如何不同？」 這類帶有行動條件的預測，才觸及了因果、反事實和可執行決策。
理解、想像、行動，如何形成閉環？
為描述世界模型如何演進，朱軍團隊進一步提出五級路線，即從 L1 生成世界、L2 交互世界和 L3 在世界中行動，逐步走向 L4 自主世界智能體與 L5 世界組織者。
用一隻被推到桌邊的玻璃杯來理解，會更直觀。
L1 的模型可以生成杯子滑落、撞擊、碎裂的連續畫面；L2 的模型可以在用戶改了視角、改變推動方向後繼續演化這個世界；到了 L3，模型需要判斷杯子是否要掉落、預測伸手是否來得及，並輸出機器人真正可以執行的抓取動作。只有行動後，它才會知道自己對杯子的重量、摩擦和抓取時機判斷得是否正確。
再往上，L4 不再只等人給指令，它要能發現風險、主動觀察、補充信息，並在失敗後修正策略。L5 則進一步面對多主體協作，比如誰去抓杯子、誰去避障、誰來調配工具，如何在環境變化後重排任務。
這條路線的意義在於，它把「世界模型」從一個名詞，變成了一組可以逐級檢驗的問題。
L1 看生成軌跡是否連貫，L2 看世界能否持續響應，L3 看模型能否改變物理環境，L4 看系統能否主動探索和持續學習，L5 看它能否組織開放環境中的多主體協作。
通用世界模型（GWM）五級路線圖的形式化建模目標與習得能力。
按照論文給出的判斷，現有系統已經觸及前三個層級，L4 和 L5 仍是開放問題，主要缺口包括因果與物理接地、持久記憶、在線學習、高效部署和安全控制。評測也要比較預測與真實結果，考察模型在陌生任務、環境和本體上的遷移能力。
從視頻到具身，同一個假設的兩次驗證
世界模型的難處，並不只在算法。
互聯網視頻規模巨大，記錄了廣泛的物體、人物、場景和運動，模型可以從中學習空間結構、物體持續性、人類行為以及事件通常如何發展，但視頻很少同步記錄造成變化的動作、力量和意圖。機器人軌跡能夠連接觀測、動作和結果，採集成本卻更高，也容易綁定具體硬件和任務。
朱軍團隊提出的路徑，是把這兩類數據放入一座由觀察走向行動的數據金字塔。
通用世界模型（GWM）的數據金字塔及其與五級能力路線圖的關係。
底層是互聯網規模的視頻，用來獲得世界知識和動態先驗，向上依次是領域視頻、第一視角人類視頻、帶有動作記錄的人類示範，頂層是真實機器人交互數據。越往上，數據越稀缺、成本越高，但動作、任務與機器人本體的對應關係也越清楚。
這就解釋了為什麼生數科技會同時推進視頻生成與具身智能：視頻提供世界知識的廣度，機器人數據完成行動接地。
在數字世界一側，
Vidu
系列持續探索對視覺世界的生成與交互。視頻不是世界模型的終點，卻是重要的起點，它讓模型在大規模時空變化中學習對象、場景、運動與事件如何演化。
Vidu
S1 則進一步把一次性生成推進到實時響應，讓用戶輸入可以持續改變後續內容，測試模型是否能在交互過程中保持狀態連續。
在物理世界一側，Motus 與 Motubrain 將環境理解、狀態預測與機器人動作接入同一條鏈路。模型需要看清環境，預測干預的後果，再將判斷轉化為能夠執行的動作，並接受真實結果的檢驗。
實現 L1 至 L3 的現有代表性系統。
兩條產品線由此形成對同一個世界模型假設的兩次驗證。數字環境檢驗模型能否理解並想像世界，物理環境檢驗這些知識能否支持行動，並在反饋中得到修正。
要讓兩類驗證共享底層能力，圖像、影片、語言和機器人動作需要圍繞同一個世界狀態協同計算，傳統模組化系統逐級傳遞資訊，容易在介面處損失幾何、時間和不確定性資訊。所有模態完全共享參數，也可能造成訓練衝突，讓海量影片資料壓制稀缺的機器人訊號。
朱軍團隊提出的MoT（Mixture-of-Transformers）架構，嘗試在兩者之間取得平衡。不同模態保留各自的專家參數，再透過共享注意力機制交換上下文。視覺告訴模型環境中發生了什麼，語言提供目標和約束，動作帶來對環境的干預，三類資訊共同更新模型對世界的判斷。
MoT 提供了統一計算的基礎，物理規律、跨本體遷移、即時推理和安全控制仍需依靠資料、訓練與系統工程解決。其指向的目標十分明確，通用世界模型需要一個能被不同模態共同讀寫、持續更新的世界狀態。
Motus2：
讓機器人在動手之前
先在自己的世界裡試一遍
如果說 Motus 與 Motubrain 將生數的世界模型探索推進到 L3，使機器人能夠根據環境理解和未來預測生成動作，那麼近期提出的 Motus2 則進一步加入結果評估與策略回饋，嘗試讓行動閉環具備自我改進能力。
Motus2 沒有把動作生成、未來模擬和結果評估做成三套彼此獨立的系統。相反，它以一套共享參數的影片 — 動作模型，暴露出三種控制介面：
策略（Policy / World-Action Model）：提出可以執行的候選動作；
模擬器（Simulator / Action-Conditioned World Model）：預測這些動作在視覺世界中可能造成的後果；
評估器（Evaluator / Value Model）：判斷哪一種結果更接近任務目標，並把這一判斷用於選擇和改進。
可以把它想成一次真正的「先心靈，再手巧」。
機器人不再只是看到物體後直接給出一個動作，而是先提出幾種候選方案，在模型中預演各自會帶來的畫面和任務進度，再選擇更好的那一步。執行以後，成功、失敗和不那麼理想的結果也不再只是資料廢料，而會成為下一輪動力學建模與價值學習的證據。
動作、預測、評估、回饋和再行動由此進入同一個決策與學習迴路，這也是 Motus2 所強調的閉環自進化。
在資料側，Motus2 採用分層訓練路徑，從單目第一視角影片擴展到同步雙目第一視角資料，再透過機器人資料完成本體適配。其訓練使用約 13 萬小時的人類第一視角記錄，以及超過 100 小時的機器人軌跡和人機對齊資料。
這一條路徑是先讓模型累積一份關於人如何與世界互動的共同經驗，再讓它透過機器人資料學習這具身體如何把理解變成動作。
在執行側，Motus2 還透過獨立的輕量觸覺專家，對即將執行的短動作進行細化，並預測接觸後的力回饋。視覺擅長看清物體在哪裡、世界大致如何變化，觸覺則補上接觸發生時最難的「最後一厘米」，讓模型在「看得見」之外，對壓、碰、抓、旋等細膩操作多一層即時校正。
Motus2 仍處於從 L3 向 L4 延伸的階段。當前驗證主要集中在特定機器和操作任務，自主目標形成、持久記憶、開放環境泛化、長期線上學習與安全控制仍有待探索。
它的主要進展，是將策略生成、未來模擬、價值評估和觸覺回饋放入同一套系統，讓機器人能夠在行動前預演後果，在行動後利用結果改進策略，為走向 L4 自主世界智能體提供一條可檢驗的路徑。
從機率學習到世界智能
一條中國技術路徑
通用世界模型的框架，也延續了朱軍及清華 TSAIL 長期積累的研究方向。
朱軍教授長期研究貝氏方法、機率機器學習、生成模型與強化學習，分別處理不確定性、資料分布、未來生成和行動決策。
TSAIL 也培養和影響了一批進入全球前沿團隊的研究者。宋颺本科階段曾與朱軍合作貝氏學習研究，宋佳銘本科期間也參與相關工作，後來分別在得分生成模型和 DDIM 方向產生重要影響。
從機率建模到生成與決策，這條學術脈絡也映照出AGI 發展的兩類入口。一類從語言出發，逐步增強推理、工具調用和任務執行能力；另一類從視覺與動態世界出發，繼續走向即時互動和具身行動。
放在中國 AGI 產業版圖中，智譜與生數可以視兩條路徑的代表。智譜從語言模型出發，持續增強推理、Coding 和 Agent 能力；生數則從影片生成出發，進一步進入即時互動、具身行動與策略優化。
兩條路線正在相互滲透。語言 Agent 需要視覺回饋和環境模型，世界模型也需要語言表達目標、規則與計劃，不同入口最終都指向對語言、世界狀態和行動的共同建模。
結語
世界模型的競爭，最終會從 Demo 的震撼程度，轉向系統經受回饋的能力。
畫面可以製造可信的第一印象，幾何和物理決定這個世界能否被反覆使用，行動則把模型的判斷帶進現實。一次預測是否成立，要等干預發生後才能確認；一次任務是否成功，也要放到陌生場景、長期運行和持續變化中檢驗。
朱軍團隊的論文沒有替世界模型之爭寫下最後答案，卻提供了一組可以繼續檢驗的問題：模型理解了什麼，能夠想像多遠，行動之後能否修正自己。
過去十年，AI 最重要的進展來自學習語言和資料中的規律。下一階段，模型還要面對持續變化的環境。當模型能夠在這樣的環境中不斷形成判斷、承擔行動後果並持續學習，世界模型才會從一個擁擠的技術名詞，逐漸成為通向通用智能的基礎。
本文來自微信公眾號「機器之心」（ID：almosthuman2014），作者：楊文
