摘要：世界模型（world model）是人工智能从“会生成内容”走向“能预测环境变化和行动后果”的关键概念。它的思想源于模型化强化学习，近年来随着视频生成、空间智能、机器人基础模型和多模态学习的发展而迅速扩展。与主要处理语言和符号的大语言模型不同，世界模型关注空间、时间、物体、运动、因果、光学、声学和动作反馈；物理 AI 则进一步要求模型能在真实或仿真物理环境中闭环行动。本文以梳理世界模型的概念定义、主流技术路线、与大语言模型的差异、声学与光学一致性的物理意义，以及评价世界模型成熟度的关键指标。同时指出，逼真视频并不自动等同于物理理解；面向机器人、自动驾驶、工业仿真、空间计算和复杂工程系统，真正有价值的世界模型应同时具备时间一致性、空间一致性、物理一致性、动作可控性、多模态一致性和真实部署可迁移性。

关键词：世界模型；物理 AI；具身智能；视频生成；空间智能；声学一致性；光学一致性；机器人基础模型

过去几年，人工智能最显著的进展来自大语言模型。它们会写作、翻译、编程、总结、问答，也能在一定程度上进行抽象推理。但当 AI 从屏幕里的文本、图片和代码，走向道路、仓库、工厂、家庭、实验室和机器人身体时，仅仅“会说话”已经不够。真实世界任务要求系统理解空间、时间、材料、力、光、声、传感器误差和动作后果。Nature 近期的文章把世界模型视为 AI 研究的新热点，原因正在于这类模型有望让系统通过物理环境数据提升机器人等真实世界能力 [1]。Nature也在 2026 年社论中指出，具身智能、世界模型和物理 AI 正在汇合，系统不仅要模拟世界，还要能在世界中行动 [2]。

一个通俗类比是：大语言模型像“文科生”，擅长语言、知识、沟通和组织概念；世界模型像“理科生”，关心空间、时间、运动、光线、声音、材料和因果变化；把大语言模型与世界模型结合到机器人、自动驾驶和工业智能体中，则更像“工科生”：既能理解人的意图，又能预测物理后果，还能在真实或仿真环境中执行任务。这个类比不是为了区分高低，而是为了说明 AI 正在发生的方向性变化：从“生成内容”走向“理解世界、预测世界、操作世界”。

“世界模型”并不是全新的术语。早期强化学习研究已经提出，智能体可以学习环境的压缩时空表示，并在内部生成的“梦境”中训练策略，再迁移回真实环境 [3]。2025 年发表于 Nature 的 DreamerV3 进一步显示，基于世界模型的智能体可以学习环境动态，通过“想象”未来轨迹改进行为，并在多种控制任务中展示跨领域能力 [4]。这些研究共同说明：世界模型的核心并不是单纯渲染画面，而是建立一个能预测环境变化的内部模型。

在更广义的产业和研究语境中，世界模型通常被理解为一种能够表征真实世界动态的神经网络。NVIDIA把世界模型描述为理解真实世界动态、包括物理和空间属性的神经网络，可利用文本、图像、视频和运动等输入生成或模拟物理环境 [5]。物理 AI 则通常指能让机器人、自动驾驶车辆、智能空间和其他自主系统在真实物理世界中感知、理解、推理并执行复杂动作的 AI [6]。

因此，世界模型可以简化理解为“AI 对外部世界如何变化的内部预测器”。它不仅要识别杯子、桌子、车辆和行人，还要理解杯子接近桌边可能掉落，玻璃落地可能破碎，人在柱子后不是消失而是被遮挡，车辆在雨夜刹车距离会改变，机械臂夹取柔软物体时需要考虑力度和形变。

表 1  大语言模型、世界模型与物理 AI 的核心差异

强化学习中的世界模型路线直接服务于行动闭环：智能体观察环境，学习环境动态，在内部模型中预测未来，再选择可能带来更高收益或更低风险的动作。Ha 和 Schmidhuber 的工作展示了智能体可以先学习环境的压缩时空表示，再用该表示训练策略 [3]。DreamerV3 则进一步把“通过世界模型想象未来”的思想扩展到超过 150 个任务，强调用统一算法学习多种控制问题 [4]。

这一路线的价值在于，它把世界模型与“行动”直接绑定。对于机器人、自动驾驶和工业控制，最昂贵的往往不是生成一段视频，而是在真实环境中反复试错。世界模型若能在内部模拟后果，就能降低真实测试成本，并提高策略学习效率。

视频是训练世界模型的重要数据形式，因为它天然包含时间、运动、遮挡、视角变化和物体交互。OpenAI 在 Sora 技术报告中提出，扩大视频生成模型的规模可能是构建通用物理世界模拟器的一条有前景路径；但报告也明确指出，模型在因果细节、复杂交互、物体状态变化等方面仍存在局限 [7]。OpenAI 后续的 Sora 2 系统卡称其引入更准确的物理、更清晰的真实感、同步声音和更强可控性；这些表述应与独立基准评测区分看待 [8]。

Google DeepMind 的 Genie 3 则强调“可交互世界”。官方介绍称，该模型可以根据文本提示生成可实时导航的动态世界，在 720p 分辨率和 24fps 下保持数分钟一致性 [9]。NVIDIA Cosmos 则把世界模型放进物理 AI 平台：其论文提出，物理 AI 需要智能体自身的数字孪生、策略模型和世界的数字孪生；Cosmos 平台包括视频整理管线、预训练世界基础模型、后训练样例和视频 tokenizer，并发布开源代码和开放权重 [10]。

这条路线的关键挑战，是从“画面逼真”走向“事件后果合理”。如果篮球投偏却瞬间进筐，玻璃杯落地没有碎裂，人物被遮挡后身份混乱，画面再漂亮也不能说明模型真正掌握了物理世界。

另一条重要路线不要求模型逐像素生成未来画面，而是在抽象表征空间中预测未来。LeCun 在关于自主机器智能的论文中提出了联合嵌入预测架构（JEPA）思想，强调在表征空间进行预测，以便系统学习更抽象的世界结构并进行规划 [11]。Meta 的 V-JEPA 2 延续这一思路，论文称其结合大规模互联网视频和少量机器人轨迹数据，使用超过 100 万小时互联网视频进行预训练，并用少于 62 小时机器人视频进行后训练，以支持物理世界中的理解、预测和规划 [12]。2026 年的 V-JEPA 2.1 进一步强调密集、空间化、时间一致的视频自监督特征，用于改善视频理解和机器人任务表现 [13]。

潜空间预测更接近人类的日常物理直觉。看到杯子靠近桌边，我们未必在脑中逐帧渲染杯子坠落，但可以判断它可能掉落、破碎并发出声音。世界模型的目标不一定是把所有像素画出来，而是学到对理解和行动有用的抽象结构。

真实世界不是二维图像，而是三维空间随时间变化。空间智能路线试图让模型理解深度、尺度、遮挡、视角转换、物体关系和场景结构。World Labs 的 Marble 是这一路线的代表性产业进展之一。其官方介绍称，Marble 可以从文本、图像、视频或粗略 3D 布局生成 3D 世界，并支持编辑、扩展、组合和导出 [14]。Reuters 2026 年报道称，World Labs 获得 10 亿美元融资，用于推进“空间智能”方向 [15]。

从行业角度看，空间世界模型不只服务内容生成，也可能进入建筑、影视、游戏、虚拟现实、工业仿真、机器人训练和数字孪生。需要注意的是，生成可导航 3D 世界并不必然意味着能可靠模拟力学、声学、热学或材料变化；“空间一致”与“物理可用”仍需要进一步评测。

机器人不能只看懂图像，也不能只听懂声音。它需要把视觉、声音和动作连接起来。Google DeepMind 的 Gemini Robotics 报告把 Gemini 2.0 扩展到机器人领域，提出 Gemini Robotics 作为视觉—语言—动作（VLA）模型，Gemini Robotics-ER 作为强调空间和时间理解的 embodied reasoning 模型 [16]。2026 年 4 月发布的 Gemini Robotics-ER 1.6 官方介绍强调视觉与空间理解、任务规划、成功检测、多视角理解和工具调用能力 [17]。

NVIDIA 的 GR00T N1 是人形机器人基础模型路线的代表。论文称其为 VLA 模型，采用视觉语言模块理解环境和指令，并由扩散 Transformer 模块实时生成流畅动作 [18]。Physical Intelligence 2026 年发布的 π0.7则强调“可引导的通用机器人基础模型”：模型不仅接受语言命令，也使用任务元数据、子目标图像等多模态上下文来指导机器人完成任务 [19]。

VLA 路线最接近物理 AI 的落地形态。它要求模型不仅能回答“这是什么”，还要能回答“我该怎么抓、怎么走、如何避开障碍、失败后怎样重试”。

许多世界模型讨论首先关注视觉，但真实世界不是无声图像。光学和声学都是环境状态的观测方式：光学提供几何、材质、反射、折射、阴影和遮挡；声学提供声源方向、传播延迟、混响、材料吸收、遮挡后的可听事件和空间尺度。两者一快一慢、一显一隐，形成互补。

从物理背景看，光主要约束“从哪里看、看见什么、被什么遮挡、表面如何反射或折射”；声音主要约束“声音从哪里来、经过哪些路径、被什么材料吸收或反射、在房间中如何衰减和混响”。一个房间即使视觉上没看到天花板高度，也可能通过回声感受到空间开阔；一个物体即使被遮挡，也可能通过声音暴露其位置、材料或动作。

Neural Acoustic Fields 研究提出用隐式表示建模声音在物理场景中的传播，并把声源和听者位置映射到神经脉冲响应函数 [20]。AV-DAR 进一步把多视角视觉线索和声学波束追踪结合起来，用于房间声学渲染，说明视觉几何先验可以帮助估计声学响应 [21]。Hearing Hands 则研究手与 3D 场景物体交互时产生的声音，强调动作、材料和声音之间的关系 [22]。Audio-Visual World Models 论文进一步指出，已有世界模型多聚焦视觉，而真实世界感知天然是多模态的；声音能提供声源定位和声学场景属性等空间与时间线索 [23]。

因此，声学不是视频的“配乐”，光学也不是图像的“装饰”。一个成熟的世界模型不能出现明显声画矛盾：画面是铺地毯的小会议室，声音却像大理石教堂；汽车从左侧驶过，声音却固定在右侧；人物嘴型与语音不同步；铁锅落在木地板上，却发出塑料杯掉到沙发上的声音。对于机器人和自动驾驶来说，声音还可能是传感器：异常摩擦声、设备振动声、脚步声和警报声，都能补充视觉盲区。

评价世界模型不能只看演示视频。一个演示片段越震撼，越需要问：模型是否真的理解了空间、时间和因果，还是只是在训练分布内生成了高质量外观？更适合用于行业判断的指标包括以下六类。

• 时间一致性：物体、人物、场景和事件要在时间中保持连续，不能突然消失、变形或身份混乱。

• 空间一致性：同一房间从不同角度观察，布局、尺度、遮挡和视角关系应保持一致。

• 物理一致性：运动、碰撞、重力、反射、折射、形变、破碎、液体和材料响应应符合基本物理规律。

• 动作可控性：模型不仅要生成未来画面，还要能根据行动条件预测后果。

• 多模态一致性：视觉、声音、触觉、语言和传感器数据应指向同一个世界状态。

• 可迁移性：模型在仿真或演示场景中学到的能力，能否迁移到真实世界。

近年的评测基准正在补齐这些维度。WorldScore 把世界生成拆解为一系列“下一场景生成”任务，并联合评估可控性、质量和动态性，其测试集覆盖 3D、4D、图像到视频和文本到视频等方法 [24]。PhysBench 专门评测视觉语言模型对物体属性、物体关系、场景理解和物理动态的理解，包含 10,002 条图像—视频—文本交错数据 [25]。PhyWorldBench 则用 1,050 个物理提示评估文本到视频模型是否遵守运动、能量守恒、刚体交互、人和动物运动等物理规律 [26]。

现实部署仍然困难。Stanford HAI 2026 AI Index 报告指出，机器人在受控环境和软件仿真中的表现提升明显，但在真实家庭任务中的成功率仍很低；报告提到真实家庭任务约 12% 的成功率与 RLBench 等仿真操控任务 89.4% 的成功率之间存在显著差距 [27]。声学物理信息综述强调，声音作为机械波承载材料、内部结构和交互动态等信息，能够与视觉互补地支持环境感知、因果推理和动态事件预测 [28]。这提醒我们，物理 AI 的瓶颈不仅是模型规模，还包括数据质量、传感器、执行器、控制安全、环境复杂度和仿真到现实的差距。

世界模型的行业价值，不在于“又多了一种视频生成模型”，而在于它可能成为物理 AI 的基础能力。未来真正有价值的系统，往往需要把语言理解、空间理解、物理预测和动作执行统一起来。

• 机器人：世界模型可以减少真实试错成本，帮助机器人预测抓取、移动、碰撞和失败后的恢复策略。

• 自动驾驶：世界模型可以生成边缘场景、复杂交通情形和天气变化，用于训练、仿真和安全评估。

• 工业工程：世界模型可连接数字孪生、设备状态预测、产线仿真、异常检测和安全演练。

• 空间计算：世界模型可能把二维生成升级为可编辑、可导航、可交互的 3D 世界。

• 科学与工程仿真：世界模型未必替代传统物理仿真，但可能成为更快、更灵活的近似工具，尤其适合设计探索和多方案筛选。

同时，世界模型仍处于早期阶段。第一，高质量物理数据远比文本数据更难获得，尤其是机器人动作、触觉、声学、多视角视频和极端场景数据。第二，长时程一致性仍是难题，短片段中保持物体身份已不容易，多步任务中的因果链更难。第三，神经网络能否真正掌握重力、摩擦、材料、流体、声学传播和光学反射，需要更严格的物理评测。第四，真实部署涉及安全、可审计性、可复现性和责任边界，不能只依赖演示视频。

大语言模型让 AI 学会了语言、知识和表达。世界模型试图让 AI 学会空间、时间、因果和物理变化。两者结合后，AI 才更可能从“屏幕里的助手”走向“现实中的行动者”。

“文科生、理科生、工科生”的类比可以这样理解：大语言模型像文科生，擅长理解意图、组织知识、沟通表达；世界模型像理科生，擅长理解空间、运动、声音、光线和物理规律；物理 AI 像工科生，要把语言理解和物理预测结合起来，真正完成任务。

未来的关键不只是模型能否生成更漂亮的视频，而是它能否稳定回答一个更重要的问题：如果我在这个世界中采取某个动作，接下来会发生什么？当 AI 能更可靠地回答这个问题，它就不再只是内容生成工具，而会成为机器人、自动驾驶、工业仿真、空间智能和复杂工程系统的重要基础。

[1] D. Castelvecchi, “‘World models’ are AI’s latest sensation: what are they and what can they do?” Nature, Apr. 28, 2026, doi: 10.1038/d41586-026-00820-5.

[2] “From embodied intelligence to physical AI,” Nature Machine Intelligence, vol. 8, pp. 491-492, Apr. 2026, doi: 10.1038/s42256-026-01239-3.

[3] D. Ha and J. Schmidhuber, “Recurrent world models facilitate policy evolution,” Advances in Neural Information Processing Systems, vol. 31, 2018. [Online]. Available: https://arxiv.org/abs/1803.10122

[4] D. Hafner, J. Pasukonis, J. Ba, and T. Lillicrap, “Mastering diverse control tasks through world models,” Nature, vol. 640, pp. 647-653, 2025, doi: 10.1038/s41586-025-08744-2.

[5] NVIDIA, “What is a world model?” NVIDIA Glossary. [Online]. Available: https://www.nvidia.com/en-us/glossary/world-models/  Accessed: Apr. 29, 2026.

[6] NVIDIA, “What is Physical AI?” NVIDIA Glossary. [Online]. Available: https://www.nvidia.com/en-us/glossary/generative-physical-ai/  Accessed: Apr. 29, 2026.

[7] OpenAI, “Video generation models as world simulators,” Feb. 15, 2024. [Online]. Available: https://openai.com/index/video-generation-models-as-world-simulators/

[8] OpenAI, “Sora 2 System Card,” Sep. 30, 2025. [Online]. Available: https://openai.com/index/sora-2-system-card/

[9] Google DeepMind, “Genie 3: A new frontier for world models,” Aug. 5, 2025. [Online]. Available: https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/

[10] N. Agarwal et al., “Cosmos World Foundation Model Platform for Physical AI,” arXiv:2501.03575, 2025, doi: 10.48550/arXiv.2501.03575.

[11] Y. LeCun, “A path towards autonomous machine intelligence,” OpenReview, 2022. [Online]. Available: https://openreview.net/pdf?id=BZ5a1r-kVsf

[12] M. Assran et al., “V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning,” arXiv:2506.09985, 2025, doi: 10.48550/arXiv.2506.09985.

[13] L. Mur-Labadia et al., “V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning,” arXiv:2603.14482, 2026, doi: 10.48550/arXiv.2603.14482.

[14] World Labs, “Marble: A Multimodal World Model,” Nov. 12, 2025. [Online]. Available: https://www.worldlabs.ai/blog/marble-world-model

[15] Reuters, “AI pioneer Fei-Fei Li’s World Labs raises $1 billion in funding,” Feb. 18, 2026. [Online]. Available: https://www.reuters.com/business/ai-pioneer-fei-fei-lis-world-labs-raises-1-billion-funding-2026-02-18/

[16] Google DeepMind, “Gemini Robotics: Bringing AI into the Physical World,” arXiv:2503.20020, 2025, doi: 10.48550/arXiv.2503.20020.

[17] Google DeepMind, “Gemini Robotics-ER 1.6: Enhanced Embodied Reasoning,” Apr. 14, 2026. [Online]. Available: https://deepmind.google/blog/gemini-robotics-er-1-6/

[18] NVIDIA et al., “GR00T N1: An Open Foundation Model for Generalist Humanoid Robots,” arXiv:2503.14734, 2025, doi: 10.48550/arXiv.2503.14734.

[19] Physical Intelligence et al., “π0.7: A Steerable Generalist Robotic Foundation Model with Emergent Capabilities,” arXiv:2604.15483, 2026, doi: 10.48550/arXiv.2604.15483.

[20] A. Luo, Y. Du, M. J. Tarr, J. B. Tenenbaum, A. Torralba, and C. Gan, “Learning Neural Acoustic Fields,” Advances in Neural Information Processing Systems, vol. 35, pp. 3165-3177, 2022. [Online]. Available: https://arxiv.org/abs/2204.00628

[21] D. Jin and R. Gao, “Differentiable Room Acoustic Rendering with Multi-View Vision Priors,” in Proc. IEEE/CVF International Conference on Computer Vision (ICCV), 2025. [Online]. Available: https://arxiv.org/abs/2504.21847

[22] Y. Dou, W. Oh, Y. Luo, A. Loquercio, and A. Owens, “Hearing Hands: Generating Sounds from Physical Interactions in 3D Scenes,” in Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1795-1804, 2025.

[23] J. Wang, S. Yan, L. Zheng, J. Wu, and Y. Mao, “Audio-Visual World Models: Towards Multisensory Imagination in Sight and Sound,” arXiv:2512.00883, 2025, doi: 10.48550/arXiv.2512.00883.

[24] H. Duan et al., “WorldScore: A Unified Evaluation Benchmark for World Generation,” in Proc. IEEE/CVF International Conference on Computer Vision (ICCV), 2025. [Online]. Available: https://openaccess.thecvf.com/content/ICCV2025/html/Duan_WorldScore_A_Unified_Evaluation_Benchmark_for_World_Generation_ICCV_2025_paper.html

[25] W. Chow, J. Mao, B. Li, D. Seita, V. Guizilini, and Y. Wang, “PhysBench: Benchmarking and Enhancing Vision-Language Models for Physical World Understanding,” arXiv:2501.16411, 2025, doi: 10.48550/arXiv.2501.16411.

[26] J. Gu et al., “PhyWorldBench: A Comprehensive Evaluation of Physical Realism in Text-to-Video Models,” arXiv:2507.13428, 2025, doi: 10.48550/arXiv.2507.13428.

[27] Stanford Institute for Human-Centered Artificial Intelligence, “The 2026 AI Index Report: Technical Performance,” Apr. 2026. [Online]. Available: https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance.

[28] X. Chen, L. Chang, X. Yu, Y. Huang, and X. Tu, “A Survey on World Models Grounded in Acoustic Physical Information,” arXiv:2506.13833, 2025, doi: 10.48550/arXiv.2506.13833.