Agent世界模型发展现状：2024年核心进展与未来趋势深度解析
当AI系统从“生成文本”迈向“在持续交互中完成目标”时，一个核心瓶颈便清晰地浮出水面——它需要具备对环境动态进行建模的能力。无论是操纵物体、浏览网页、协调多方还是设计实验，这些任务都离不开一个能够预测环境如何变化的内部模型。然而，“世界模型”这个概念，在不同研究社区里往往指代着截然不同的东西：在强化学习领域，它是用于想象未来的状态转移函数；在计算机视觉领域，它是为了保持时序一致性而训练的视频生成器；而在语言智能体系统中，它又成了支撑复杂规划的文本模拟器。
面对这种碎片化的现状，一篇题为《Agentic World Modeling》的综述论文，试图为这个领域建立一套统一的分析语言。它提出了一套“能力层级 × 治理法则”的二维分类框架，综合梳理了超过400篇文献，总结了100多个代表性系统，横跨了从模型强化学习、视频生成，到Web/GUI智能体、多智能体社会模拟乃至AI驱动的科学发现等多个领域。
三级能力跃迁：预测器、模拟器、进化器
论文首先将世界模型的能力划分为三个递进的层级，这构成了理解其能力跃迁的主轴。
第一级是预测器（L1 Predictor）。它的核心任务是学习单步的局部转移算子，即从历史数据中提取统计规律，预测下一个可能的状态。这有点类似于哲学家休谟所说的“恒常联结”——它记录的是事件之间的共现模式，但并不保证将这些单步预测组合成多步轨迹后，整体依然连贯。典型的代表方法包括RSSM（Dreamer系列模型的核心）、MuZero中的确定性动态函数，以及DIAMOND所使用的扩散去噪转移算子。
[Figure 7: 统一POMDP图模型]虚线圆圈表示隐藏环境状态，双圆圈表示学习到的潜在状态，阴影圆圈表示观测，方块表示动作。彩色虚线框标记了L1/L2/L3各自的作用范围。
第二级是模拟器（L2 Simulator）。它实现了从单步到多步的质变，能够将单步算子组合成动作条件化的、连贯的轨迹展开，并且尊重特定领域的物理或逻辑法则。L1与L2的关键区别，不在于单步预测的像素级精度，而在于组合后的长程展开是否保真。论文用三个边界条件来标记从L1到L2的跃迁：长时域连贯性、干预敏感性和约束一致性。一个视觉上再逼真，但对动作变化毫无响应的模型，对于规划任务来说基本是无效的。
第三级是进化器（L3 Evolver）。这是目前最前沿的构想。在这一层级，世界模型不仅用于预测，更能在预测出现系统性失败时，自主地修订自身。模型本身成为了修订的对象，而不仅仅是一个被查询的固定工具。它需要实现一个完整的“设计-执行-观察-反思”闭环：主动设计实验去探测自身认知的不确定性，执行实验获取新证据，观察结果，并最终反思并更新自己的模型栈。
[Figure 5: 从局部预测到证据驱动修订的层级视图]Level 1建模经验规律用于预测，Level 2支持可能世界语义和反事实模拟，Level 3通过与环境的持续交互引入证据驱动的修订。
四大治理法则：物理、数字、社会、科学
论文的第二个分析轴是“治理法则体制”。这决定了世界模型在特定领域必须遵守什么样的根本约束，也预示了它最可能在哪些地方失败。
物理世界的法则由接触力学、碰撞响应、运动学可行性等构成，违反这些法则的表现就是物体穿透、重力反转等“超自然”现象。数字世界的法则则是确定性的程序语义，比如API合约、UI状态机、类型约束，其违规往往可以通过机械化的方式被验证。社会世界的法则涉及信念、目标和规范，其状态转移具有反身性（一个agent的信念改变，本身就会改变交互状态）和规范性。科学世界的法则则是那些需要从经验观测中反推出来的潜在因果机制，其验证依赖实验数据，而非符号逻辑。
[Figure 3: 四大治理法则体制示意图]分别展示人形 agent 操纵积木（物理世界）、代码和UI界面（数字世界）、交互 agent 网络（社会世界）、机器人显微镜实验（科学世界）。
[Table 4: L2边界条件在各体制中的实例化]每个单元格指定了抽象条件在该领域中的具体含义，如物理世界的“力/放置扰动按比例改变抓取结果”，数字世界的“UI故障注入引发适当重规划”。
L3的成熟度：科学最强，社会最弱
论文对L3“进化器”在四个领域的现实成熟度做了坦率的评估。目前来看，科学领域的实现最为成熟。例如，CAMEO系统在同步辐射光束线上实现了闭环的材料发现；A-Lab在17天内自主执行了353个实验，从57个目标中成功合成了36种化合物；BacterAI则能在零先验知识下，通过迭代设计实验来映射微生物的氨基酸需求。
[Figure 9: L3进化循环]完整周期经历设计、执行、观察、反思四个阶段，产生修订后的世界模型栈。
数字领域已有部分实现。例如，有研究将大语言模型与自动评估器配对，发现了“cap set”问题的新构造；另有工作改进了已存在56年的Strassen矩阵乘法算法，解决了20%超越先前最优解的开放数学问题。物理领域正在兴起，但主要瓶颈在于感知、动力学模型和执行器之间的故障归因非常困难。而社会领域目前仍更多是一种愿景，因为社会实验受到严格的伦理约束，且行为结果的归因本质上就非常模糊。
[Table 8: 各体制代表性L3系统]标注了每个系统实现了设计-执行-观察-反思循环的哪些阶段。
评估范式转移：从感知质量到决策可用性
论文指出了一个关键问题：FID、FVD、SSIM等传统的生成质量评估指标，充其量只是智能体能力的弱指标。一个世界模型可能生成视觉上极其逼真的画面，却因为幻觉的物体动力学或对动作不敏感的状态转移，而在实际规划中彻底崩溃。因此，评估的对象不应再是单帧或单步的预测质量，而应是轨迹级的展开是否可靠到足以让规划器据此做出有效决策。
为此，论文提出了两个更具针对性的聚合指标：ASR（动作成功率），衡量基于世界模型展开所选择的动作，在真实环境中的任务成功率；COD（反事实结果偏差），则用于衡量模型对干预的敏感性——当COD值很低时，意味着世界模型对不同的动作选择反应迟钝，这对于需要进行反事实推理的规划任务来说，信息量几乎为零。
五大跨域失败模式
基于广泛的文献调研，论文总结了制约L2模拟器系统的五种反复出现的失败模式：
1. 复合误差：微小的预测偏差在多步展开中被不断放大。
2. 状态混叠与漂移：不同的真实状态在模型的表征空间中坍缩为同一个点，或表征随时间发生不可控的偏移。
3. 可控性失败：模型视觉上很丰富，但动作条件化能力很弱，导致对规划无用。
4. 可利用性与模拟器逃逸：搜索或规划算法系统性地利用模型中的漏洞，导致在模拟中表现极佳的策略在现实中失败。
5. 分布偏移下的校准失败：环境发生变化时，模型仍过度自信地做出错误预测。
[Figure 8: 四大治理法则体制的诊断图]横轴反映转移规则的可形式化和可机械验证程度，纵轴反映相关状态和约束的可直接观测程度。
论文最终指出，仅仅提升模型在平均情况下的预测准确率是远远不够的。真正的挑战在于，系统能否通过主动收集证据来定位自身的失败，并能在面对分布偏移和利用压力时，自主地改变其行为模式。从被动的下一步预测器，到能够进行多步模拟，乃至最终能够自主进化的世界模型——这条路径不仅连接了此前相对孤立的研究社区，也清晰地标定了当前AI系统距离真正“理解世界”还有多远的征程。
原文标题：Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
原文链接：https://arxiv.org/abs/2604.22748