世界模型的思想萌芽比深度学习早得多。1943年，苏格兰心理学家肯尼思·克雷克提出人类大脑通过构建「现实的小尺度模型」来进行推理与决策，这被公认为世界模型概念的源头。这一假设在2018年由Ha & Schmidhuber用VAE+RNN框架在Car Racing游戏中首次验证——智能体完全可以在自学的「梦境」里预演未来。了解这条从认知科学到深度学习的演化路线，才能看清李飞飞三大分类背后那套80年传承的「智能体-世界」交互范式。

李飞飞把模拟器定位为整个体系的核心，其最宏大的商业落地正是英伟达Omniverse。台积电已用Omniverse构建晶圆厂数字孪生，模拟工艺设备布局与制造流程——黄仁勋称其为「物理AI的操作系统」。Omniverse DSX蓝图更瞄准GW级AI工厂的协同设计与运营，从100MW到数GW级别。据估算，仅工厂、仓库、供应链数字孪生这一块，潜在市场规模就超万亿美元。这不是PPT，台积电2026年Q1财报已验证了这条变现路径。

李飞飞的三类模型默认走「生成式」路线（渲染像素、模拟状态、规划动作），但图灵奖得主Yann LeCun坚决反对这条路径。LeCun认为Sora式视频生成模型「只是像素的概率拟合，不是真正的世界理解」，他押注自监督+JEPA架构——跳过像素预测，直接在抽象表征空间做预测。两边对垒的关键分歧是：AI理解物理世界到底需不需要生成像素？李飞飞说需要，LeCun说不需要。这场争议的结果将决定未来三到五年世界模型的技术走向。

李飞飞文中点出渲染器「只管视觉好看，不管物理对不对」——这正是当前视频生成模型最致命的争议点。中大等机构的CVPR 2026近满分论文ProPhy系统测试发现：Wan、Cosmos等顶尖视频模型在生成火焰位置、碰撞动量守恒等基本物理现象时频繁出错。原因在于它们本质是「外观拟合」而非「物理建模」：模型记住了像素的统计模式，却没学会F=ma。这一局限让学界质疑将视频生成模型简单等同于世界模型的合理性。

李飞飞明确勾勒了三类模型融合的终点——大统一世界模型：单个基础模型能同时渲染照片级画面、构建精确物理结构、规划行动序列，并灵活切换输出模态。当下已能看到推动融合的关键变量：英伟达Cosmos、World Labs Marble、复旦ProphRL都开始打通渲染-模拟-规划的边界。但拐点不在模型架构，而在高质量3D物理数据的可获得性——当前带有标注的三维数据量级比网络视频低数个数量级，这是大统一模型走向实用的最大瓶颈。