世界模型，为什么突然成了一门显学？

世界模型的误区

如果你最近关注AI产业，大概率会感到一丝困惑。这个月的新闻，似乎被“世界模型”四个字彻底占领了。

大厂在发布世界模型，机器人公司在发布世界模型，自动驾驶公司也在发布世界模型。各家用的词甚至都不统一：世界模型、统一世界模型、具身世界模型、空间智能、Physical AI、机器人大脑、自动驾驶世界模型……它们看起来像是同一件事，细品之下又似乎不是。

这种术语上的混乱，恰恰折射出一个正在发生的产业事实：一项重要的底层技术概念，正在同时渗入多个关键赛道，而每个赛道都在用自己的行业语言重新定义它。

那么，为什么一夜之间所有人都在谈论世界模型？要理解当下的局面，必须先回答一个根本问题：当我们在谈论世界模型的时候，到底在谈论什么？

一个常见的误区，是把世界模型和具身智能直接划上等号。

观察当下最受关注的几家具身智能公司，确实都围绕着世界模型构建叙事。例如，无界动力明确将世界模型置于其核心架构，强调“原生世界模型+强化学习”的路径，并将隐空间世界模型定位为通用具身大脑的核心。极佳视界则打出了“具身世界模型”的旗号，其重点在于利用世界模型来弥补真实数据的不足，从而提升策略训练效率和场景泛化能力。

再看智元机器人、星动纪元这类玩家，他们更偏向于完整的具身系统解决方案，世界模型在其中扮演着提升泛化、仿真、动作推理和数据生成能力的关键模块角色。而银河通用的路线常被解读为“通用具身大脑”，世界模拟能力正是这种大脑不可或缺的组成部分。

这正是具身智能叙事最容易让人困惑的地方。它同时抛出了“世界模型”、“具身世界模型”、“原生世界模型”、“通用具身大脑”等多个说法，但这几个词绝非同义词。

更准确的关系应该是：世界模型是底层的核心能力；具身世界模型是这一能力在机器人特定场景下的应用版本；原生世界模型代表了一种以世界建模为中心的技术路线选择；而通用具身大脑，则是整合了感知、规划、世界模型、控制等多种能力，用以驱动机器人完成复杂任务的完整系统。

所以说，具身智能的确与世界模型高度相关，但绝不等于世界模型本身。

一个机器人要真正在物理世界中完成任务，依赖的是一整套精密协作的具身智能系统：感知模型负责“看见”环境；世界模型负责理解环境状态并预测动作的物理后果；任务规划模型负责拆解高层目标；视觉语言动作模型或策略模型负责将视觉和语言指令转化为具体动作序列；最后，底层控制系统再把动作指令落实到机械臂、关节、底盘，并处理传感器反馈。

在这套架构里，世界模型占据的是一个极其关键的位置——它本质上是物理世界的推演引擎。

如果仔细审视这些具身智能公司的技术关切，会发现他们关注的底层问题高度一致：机器人能否在内部形成一个可推演的世界模型？这个模型能否真正理解空间、结构、时间以及物理变化？

这恰恰揭示了狭义世界模型真正的核心命题，其关键词是：生成、表征、预测、推演。

世界模型的落地方向

事实上，世界模型的舞台远不止具身智能这一个场景。它的玩家构成了一张横跨学术前沿与产业实践的牌桌，而桌上的每一位参与者，都在从不同的方向逼近同一个终极目标。

先看牌桌上最接近技术原生定义的一端。

图灵奖得主Yann LeCun创立的AMI Labs，在众多玩家中立场最为鲜明。他公开批评大语言模型路线是“死胡同”，理由在于，真正的世界模型不应止步于生成逼真的像素画面，而应在抽象的表征空间中学习世界状态、物理约束和因果关系，从而支持可靠的预测与规划。AMI打出的标签非常纯粹：world models，明确定位为区别于纯大语言模型的下一代AI核心架构。

同样站在定义权高地的，还有李飞飞教授创立的World Labs。她反复强调的核心概念是“空间智能”——如果真实世界本质上是三维的，那么机器就必须显式地理解三维结构。其产品Marble能够从文本、图像、视频或360度全景图，生成空间一致、可穿行、可编辑的3D世界，正是这一理念的体现。

沿着技术光谱往下走，是两大中国互联网巨头，它们的方向更偏向于可交互虚拟世界的工业化落地。

阿里巴巴的Happy Oyster，能让创作者用文字实时操控虚拟世界中的运镜、剧情与场景变化，本质上是在生成一个可持续、可编辑的时空序列。腾讯的HY-World 2.0则直接定位为3D世界模型，其核心能力在于将生成的3D资产无缝对接至主流的游戏引擎，解决的是三维数字内容的大规模、高效率生产问题。阿里和腾讯的重点显然不在机器人，而在内容与虚拟空间。

自动驾驶赛道则提供了另一种截然不同的验证方式。

Waymo将世界模型用于大规模、高保真的自动驾驶仿真，在闭环虚拟环境中推演车辆、行人、骑行者之间复杂的时空交互。小鹏汽车的X-World基于视频扩散模型生成技术，能预测多摄像头视角下的未来路况，从而将“鬼探头”这类极端长尾场景的训练，转化为日常的仿真任务。它们的关注点同样不是机器人身体，而是利用世界模型去预测物理世界中多智能体的动态演变，以此完成算法验证、仿真测试和强化学习。

把这几条看似独立的线索并置来看，一个清晰的结构便浮现出来：世界模型是底层范式的“总线”，而具身智能、自动驾驶、3D世界生成，则是它当前最显眼的几个分支应用场景。

这也就解释了，为何此刻所有人都在谈论世界模型，但听起来仿佛在谈论不同的事物。世界模型本身，正在蜕变为一种跨领域的底座能力。

世界模型的产业分工

将世界模型的三个主要落地方向并置观察，一个看似矛盾的现象便会浮现。

自动驾驶方向拥有最清晰的验证闭环、最迫切的产业需求、以及最可量化的效果指标，按理说应该聚集最多的玩家和资本。但现实的产业格局却呈现出另一种分布：互联网大厂在重注3D世界生成，风险资本的热钱在涌入具身智能，而自动驾驶世界模型更多是行业内部在埋头推进。

同一项底层技术，在三个方向上的资源分布如此不均衡，这本身就是理解世界模型产业逻辑的一把钥匙。

先看自动驾驶这一侧。它之所以能成为世界模型当前最强的现实落点，原因并不神秘。自动驾驶天然就是一个受物理定律严格约束、对预测精度要求极高、且容错空间极小的场景。在这里，世界模型的任务被定义得极其明确：预测周围车辆、行人、骑行者未来几秒内的运动轨迹，并推演自车每一个动作可能带来的物理后果。

这个任务被牢牢约束在交通规则、路面结构、车辆运动学和多智能体交互的框架之内，这意味着它的评估标准可以被精确量化。这种技术路径的清晰性带来了两个直接好处：第一，技术验证周期相对较短，一个世界模型的好坏，在仿真环境中跑几轮测试便可见分晓；第二，产业需求真实且紧迫，世界模型是解决长尾场景和高质量仿真数据稀缺问题的关键工程工具。

既然自动驾驶的落地路径如此清晰，为什么大厂和资本没有把主要筹码全部押注于此？

阿里和腾讯选择押宝3D世界生成，根本原因在于它离自己的主营业务最近，变&现路径最短。阿里的Happy Oyster能直接为其庞大的电商和内容生态提供可交互的3D体验；腾讯的HY-World 2.0输出的正是游戏行业最看重的3D资产生产能力。对大厂而言，世界模型并非一项需要从零探索商业模式的技术，而是一种可以直接浇筑进现有商业生态的底层能力。创作者工具、游戏引擎、内容分发管道早已就绪，缺的只是一个能高效生成3D世界的“引擎”。这个方向的优势在于确定性最高、落地最快。

自动驾驶公司选择仿真预测，是因为世界模型在这里是生存问题，而非锦上添花的战略选择。如果无法在内部准确预测物理世界的动态演变，自动驾驶汽车就根本不可能安全上路。但这个赛道的玩家高度集中于行业内部，其融资节奏和估值体系深受汽车产业周期与供应链逻辑的制约，不会像纯粹的AI原生公司那样，轻易出现爆炸式的估值增长。

而风险资本将最重的筹码押向具身智能，赌的则是一个更深层、更宏大的愿景：世界模型能否最终成长为一项通用的底层能力？而机器人，恰好是离验证这种“通用性”最近的训练场。在投资人眼中，如果一个模型能够在厨房、仓库、工厂、家庭等截然不同的物理环境中，学习通用的物理规律和动作后果，它就可能成为机器人实现广泛泛化能力的核心组件。它可以与视觉语言动作模型、策略模型、强化学习以及底层控制系统结合，也可能在更激进的路线中与动作模型深度融合，形成更统一的“具身大脑”。

由此，一个清晰的产业分工格局已然出现：大厂在争夺离钱最近的内容出口，自动驾驶公司在攻坚确定性最高的工程出口，而风险资本则在押注天花板最高的通用能力出口。

将它们串联起来的，正是那个正在形成的产业共识：世界模型不是任何一个行业的附属品，而是一种正在渗透并重塑多个产业的底层建模能力。大厂、自动驾驶巨头和风险资本的站位差异，不过是在用各自手中的筹码，赌这个技术内核在哪个应用场景中，能最先触达其终极形态。

这或许可以解释眼下产业界那种既亢奋又略显混乱的状态。未来某一天，当人们回看这个阶段，或许会发现，所有的喧嚣与术语之争，不过是一项碘伏性技术从实验室走向产业底座时，必须穿越的那段模糊地带。