什么是世界模型？AI 为什么懂语言却不懂物理

看 AI 生成的视频，你大概率见过这类画面：杯子穿过了桌面、人走着走着多了条腿、放下的东西下一秒凭空消失。

画质已经足够以假乱真，物理却不对。这不是渲染精度的问题，而是一个更根本的缺口——模型没有”世界是怎么运转的”这份常识。补上这块的努力，就叫世界模型（World Model）。

一句话理解：在脑子里预演接下来会发生什么

人做任何动作前，脑子里都有一次无声的预演：手一松，杯子会掉下去摔碎；球滚到桌沿，会掉。你不需要真的试一次才知道结果。

这份”能预测接下来会发生什么”的内在模拟，就是世界模型。给 AI 装上它，意味着模型不只认得画面里有什么，还知道如果发生了 A，接下来会是 B。

这是最关键的一层区分：

大模型的核心是预测下一个词，它从海量文本里学到”重力”这个词常和”下落""9.8”一起出现——但那是关于重力的语言，不是重力本身。所以它能写出一篇标准的重力科普，却在生成视频时让物体飘起来。

一句话概括：语言模型学的是人类怎么描述世界，世界模型要学的是世界本身怎么动。

一是从视频里学。 让模型看海量真实视频，自己归纳出物体不会凭空消失、被遮挡后还在、扔出去会按抛物线走这些规律。当下的 AI 视频生成模型多少都在做这件事——扩散模型负责把画面画得像，世界模型负责让画面动得对。

二是在仿真环境里练。 游戏和物理引擎里可以无限次试错，摔坏了重来一次不花钱，而且对错能自动判定——这一点和合成数据在数学、代码上奏效的逻辑完全一样：可验证的地方，数据就能近乎无限地生产。

三是让机器人在真实世界里学。 这就是具身智能的路线：有身体、能行动、能从后果里学习。最贴近人类的学法，也最慢最贵——真实世界不能读档重来。

数据太贵。 文本可以从网上扒几万亿词，但”物体交互的完整过程”没有现成的数据集。视频里能看到结果，看不到力、质量、摩擦这些隐藏变量。

误差会滚雪球。 预测下一帧还行，预测一百帧之后就会越偏越远——每一步的小误差都会被后面的预测继承和放大。这是长视频难做的核心原因。

物理规律藏在像素后面。 模型看到的是颜色的变化，要从中反推出”这是一个有质量的刚体在受重力作用”，是一次相当大的跨越。

不少研究者认为，世界模型是通用人工智能绕不开的一块拼图。理由是：真正的通用智能需要能在陌生环境里做没做过的事，而这依赖于”我大概知道这么干会怎样”的预判能力——纯靠语言统计补不上这一块。

这也解释了一个常被问到的现象：为什么聊天机器人已经很强，机器人却还笨手笨脚？ 因为前者只需要把话说对，后者必须把事做对，而做对事需要的正是世界模型。推理模型让 AI 在逻辑上更能”想清楚”，世界模型要解决的则是在物理上”想得对”。

世界模型要给 AI 补的，是一份”接下来会发生什么”的内在预演能力——大语言模型预测下一个词，世界模型预测下一个状态；前者学的是人类怎么描述世界，后者学的是世界本身怎么运转。

它同时是 AI 视频摆脱穿模、机器人走出实验室、以及通往 AGI 都绕不开的一环，难点在于数据昂贵、误差累积、物理规律难以从像素中归纳。理解了这条线，你就能解释那个反差：为什么 AI 能写出完美的重力科普，却让视频里的杯子穿过了桌子。