科技Bestblogs·Founder Park··AI 生成
万字科普：一千个「世界模型」在发布，到底什么是世界模型？
文章核心贡献是提供了一个实用框架，将泛滥的「世界模型」概念按功能分为渲染器、模拟器、规划器三类，并指出三者的本质是同一底层世界理解的不同投影。作者整合了李飞飞的定义与三十年技术演进史，指出核心瓶颈在于缺乏带动作标注的训练数据，而游戏数据是理想的替代方案。适合想系统理解世界模型概念边界、而非只看单一产品评测的读者。原文 ↗原文 ↗
核心观点
- ▍世界模型与视频生成模型的本质区别在于「交互性」——世界模型基于动作预测下一状态，AI Agent可在模型内部进行「在梦里学习」的演练。
- ▍李飞飞提出的功能性三分法（渲染器/模拟器/规划器）是当前最清晰的判断框架，三类模型分别位于感知-行动循环的不同输出节点，长期趋势是统一。
- 01视频模型预测 P(x(t+1)|x(t))，而世界模型预测 P(s(t+1)|s(t), a(t))，其中动作 a(t) 是交互性的关键差异。
- 02世界模型的技术演进经历了四波浪潮：1990年Schmidhuber奠基论文、DreamerV2在Atari游戏上达到人类水平、GAIA-1用于自动驾驶、V-JEPA 2实现零样本机器人泛化。
- 03游戏数据因同时记录玩家操作指令和完整像素流，成为世界模型理想的训练源。Medal平台每年捕获超10亿游戏片段，形成无信息损失的「观测-预测-行动」样本。
- 04当前尚无Scaling Law能证明大规模收集物理世界数据必然带来泛化，三条迁移曲线（输入模态、传感器、环境）相互影响，增加了训练难度。
反方 / 局限
- — 文章暗示但未充分展开：李飞飞的三分法虽清晰，但三类模型在学术和工程上已高度分化，是否真的会走向「统一模型」存在不确定性——渲染器高度依赖transformer架构，而规划器依赖强化学习，两者底层技术栈并不兼容。
- — 文章高度推崇游戏数据的价值，但未讨论游戏环境与真实物理世界之间的「语义鸿沟」——游戏中的物理引擎是简化的，规则是编码的，将其泛化到真实世界的场景转移可能比预想中更难。
前置背景
应用场景
平行视角
未来推演
延伸追问