世界模型在今年迎来了自己的全盛时期，但热度越高，概念反而越模糊。视频生成说自己是世界模型，机器人说自己是世界模型，游戏引擎、自动驾驶、3D生成全都在往这个词上靠。几乎被视为世界模型代表人物的李飞飞近期专门撰文指出，在这个领域最需要精确定义的时候，世界模型已经成为当今AI领域最被过度使用的术语之一。她认为，如今被称作世界模型的各种系统，本质上是在解决三个不同的问题：渲染世界、模拟世界，以及在世界中行动。它们是同一套世界理解能力的不同投影。

热钱正在疯狂涌入这一领域。Yann LeCun宣布为AMI筹集了10.3亿美元，李飞飞的World Labs也已融资超过10亿美元，Google DeepMind同样在押注世界模型。但到目前为止，这些投资带来的主要是炫酷的视频和3D世界。AMI Labs的CEO Alexandre LeBrun对TechCrunch直言：我预测世界模型会成为下一个流行词，六个月后每家公司都会自称是世界模型公司来融资。NVIDIA机器人总监Jim Fan则指出，世界模型目前最被热炒的应用场景是AI视频垃圾，他相信2026年才是大型世界模型为机器人奠定真正基础的第一年。

那么世界模型到底是什么？严格来说，世界模型是一种交互式预测模型，它根据动作来模拟时空环境。大语言模型预测句子中的下一个词，世界模型预测下一个状态，条件是当前状态和控制输入。视频模型如Sora、Veo 3、Kling能生成惊人的视频，但你无法与它们交互，不能在其中采取动作并实时观察环境的响应。它们预测的是场景看起来会是什么样，而非模拟因为你做了某件事会发生什么。就像一种梦，你只是站在那儿看着事情发生却无法介入。

世界模型提供了一条大语言模型无法提供的通向通用智能的路径。大语言模型从海量文本中学到了世界有结构，编码了大量因果和物理知识，但这些都不是来自体验。语言是对现实的一种极度有损的压缩，可以描述鼓掌但不会鼓掌，可以谈论重力但不像蹒跚学步的孩子那样知道重力。孩子是通过成千上万次摔倒和绊倒，用身体学会下意味着什么的。要真正认识世界，你必须与之交互。未来属于那些能够在物理世界中行动的模型，而不是仅仅生成漂亮视频的系统。