从Google DeepMind的Genie 3到李飞飞的World Labs再到Runway的GWM-1，AI世界模型在过去一年多拿下了数十亿美元投资。目标是让AI不再只在文本上打转，而是真正理解物理世界的空间和因果。但这条路远没有走通。
大语言模型有一个看起来无解的缺陷：它们是一流的词汇大师，却从未亲手推倒过一杯水，不知道杯子翻了之后水会往哪里流。李飞飞的描述极其精准："它们是黑暗中的词匠，口才一流但毫无经验，知识渊博但没有根基。"Yann LeCun说得更不客气：沿着LLM延伸到人类级智能是"一派胡言"。
世界模型要做的事恰好相反。它试图在软件里构建一套对物理环境的内部表征，然后让AI以此为基础模拟"下一步会发生什么"。MIT的Vincent Sitzmann的定义简洁：一个世界模型"接收交互，并让你模拟环境中接下来会发生的事"。李飞飞给出的三条标准是：生成的世界必须具备感知、几何和物理的一致性；天然就是多模态的；能基于输入动作输出对应的下一个状态。
身穿黑色连帽衫的Ben Mildenhall和李飞飞
过去一年多，这一领域涌入了天文数字的资金。李飞飞和Ben Mildenhall联合创办的World Labs融资约10亿美元，其旗舰模型Marble能从文字、图像或视频生成3D环境。Google DeepMind的Genie 3可以实时交互模拟。Runway的GWM-1是一组三个专用世界模型，背后是3.15亿美元融资。LeCun的AMI项目也拿到了大约10亿美元。
但问题也很严峻。主导的技术路线是基于视频的自回归扩散模型，帧逐帧去噪生成，成本极高，且模拟会漂移，早期帧的信息会在连续生成中逐渐丢失。World Labs走了一条更折中的路：直接输出3D高斯泼溅和NeRF文件，与现有的3D工作流对接。Mildenhall说得很直白："我们选择烤成3D输出，是为了能去找那些今天就有工作负载的人聊天。"
通过文字提示和二维参考图像创建的三维场景
世界模型还面临一个更根本的问题：互动范式。LLM靠一个对话框统一了全世界。世界模型用什么接口？游戏手柄？Blender视图？机器人的非人感官？Mildenhall称之为"最关键的问题"，没有共识。
写这篇报道时，没有任何人能确定世界模型是否能复现LLM的成功路径。但众多顶尖研究者已用资金和行动投了票，他们赌的是AI的下一场革命将不在文本中发生，而在物理世界里。
利用视频世界模型，帮助训练自主机器人执行剥皮胶带等任务，这并不像看起来那么简单