世界模型（World Model）是指能够理解物理世界因果规律并预测未来状态的 AI 模型。与语言模型不同，世界模型秒懂「杯子掉落会碎」「水会向低处流」「阳光照射会产生阴影」这样的物理常识。
核心能力
- 状态预测：给定当前状态 + 动作，预测下一个状态（如：推一个木块，它会怎样移动）
- 反事实推理：给定当前状态和目标状态，推理需要什么动作
- 多模态理解：同时处理视觉、力学、声音等多种物理信息
主要应用
- 视频生成：Sora（OpenAI）、Veo 2（Google）、Kling 2（快手）等视频生成模型都基于世界模型思想——理解物体在时空中如何变化
- 机器人：在仿真环境中训练，预测动作后果，降低真实世界试错成本（Sim-to-Real）
- 自动驾驶：预测其他车辆和行人的运动轨迹
关键论文与产品
- David Ha & Jurgen Schmidhuber（2018）：《World Models》论文，使用 VAE+RNN 简单架构在游戏环境中实现
- Sora（OpenAI, 2024.2）：基于 Diffusion Transformer，展示了大规模世界模型的潜力
- 李飞飞（世界模型创业）：2024 年融资超 2 亿美元，研发专用于物理世界理解的大模型
与具身智能的关系
世界模型是具身智能的「大脑」——理解物理规律；机器人是具身智能的「身体」——执行物理动作。两者结合才能实现真正的智能机器人。