世界模型，是否正在逼近自己的「ChatGPT時刻」？

機器之心報道

機器之心編輯部

李飛飛等頂尖學者投身的創業方向——世界模型是 AI 的下一站嗎？

「AI 是人類自誕生以來，唯一擔得起『日新月異』這個詞的技術領域，」在機器之心近日舉辦的 NeurIPS 2025 論文分享會圓桌討論上，茶思屋科技網站總編張群英的開場感嘆引發了在場專家們的共鳴。

這場由黃大年茶思屋總編主持，聚集了中科院自動化所、南京大學、北京通用人工智能研究院、極佳科技等機構專家的大討論，直指目前 AI 領域最熱門的方向——世界模型。最近一段時間，從谷歌 Genie 3 的發布到李飛飛的長文論述，世界模型、空間智能等概念正成為新的焦點。

四十多分鐘的對話里，專家們圍繞世界模型的定義、數據與架構方向、技術路徑分歧，以及商業化前景展開了討論。在一些議題上，大家的觀點一致，不過在很多重要方向上有著明顯不同的思考?？吹贸觯鎸@個正在快速發展的新興領域，不論是技術還是評判標準，我們還有很多需要去探索、驗證的。

首先，世界模型究竟是什么？ 幾位嘉賓從不同角度給出了自己的定義。

極佳科技聯合創始人、首席科學家朱政認為，世界模型本質上是預測模型：「給定當前狀態及動作序列，預測下一個狀態?！顾赋隽耸澜缒Ｐ偷娜髴们熬埃簽樽詣玉{駛、具身智能等多模態任務提供更多數據、建立模型與世界的結合替代傳統模擬器、以及最終成為端到端系統的一部分。

北京通用人工智能研究院具身機器人中心研究科學家賈寶雄則將世界模型理解為對 AI 對于環境狀態的預測和判斷?！笍倪^去的簡單游戲世界，到現在 3A 大作級的虛擬環境，世界模型正在逐漸走向對于高質量的狀態的模擬?！?/p>

南京大學智能科學與技術學院準聘副教授、國家高層次青年人才范琦則從終極目標角度提出了一個宏大愿景：「世界模型的終極目標就是把世界 1：1 建模，目標可能要到原子級別?！沟渤姓J這幾乎不可能，「我們并不需要如此精細的復刻，只需要依照目的進行建模，不同任務有不同的理想目標?！?/p>

如何構建世界模型？

在世界模型的發展中，一個核心悖論是：先有模型還是先有數據？世界模型的應用，經常與自動駕駛、具身智能等領域的合成數據 AI 訓練相聯系，但我們又該如何訓練一個世界模型？

朱政以自動駕駛為例說明了這一困境：「自動駕駛公司積累了上億公里數據，但 99% 都是晴天道路數據，真正危險的場景采集不到?！顾岢隽艘粋€可行的路徑：先用常見數據訓練垂類模型，再生成更多 corner case 數據，通過迭代讓世界模型越來越強。

賈寶雄從成本角度進行了思考：「有公司在構建世界模型時，采集數據的成本在千萬級，這不是研究團隊能夠直接能做的事情。但對于不同形式的具身智能來說，數據是至關重要的?！顾麖娬{，對于具體的應用方向來說，我們可以通過特定的高質量數據來提升模型效果。

范琦則描繪了一個循環過程：「先有 0.1 的模型，生成 0.1 的數據，再用它來進一步訓練模型?！顾岢隽恕干蓴祿?+ 真實數據」的混合模式，通過模型、產品、數據的循環推動發展。

在世界模型的技術實現路徑上，專家們展現了明顯分歧。

相比于視頻內容的生成，賈寶雄的研究團隊偏向融入物理信息的方法：「就算它是視覺模型，也要保持物理世界的一致性，比如重力?！?/p>

朱政則更加務實：「不論重渲染還是重預測，世界模型的構建很大程度上與需求有關。」如果是面向影視、游戲等方向，視頻生成可能是更合適的方向。這可能是李飛飛 World Labs 使用生成 + 重建方式的理由。如果是面向消費者的通用的任務，我們可能不需要保持物理規律，甚至有時候創意是更為重要的，「如果要讓一個人飛起來，現實不可能，但符合創作人意圖?！?/p>

而且，隨著生成能力的增強，世界模型對于物理規律的掌握、內容記憶的保持會越來越好，模型的最終形態可能是純生成的，不需要重建。

范琦對此持不同意見：「終極目標可能是隱式的，但現在可能是顯式 + 隱式一起?！顾惐攘舜笳Z言模型的情況，「大模型的記憶能力很不錯，但是想要生成一整本書內容還是有很多錯誤，想要更好的生成（長序列的生成），會面臨更多的挑戰。所以到數據更加稀缺，更為復雜的世界模型上，想走到完全依賴隱式表征還有很長的路?！?/p>

架構之爭：擴散 vs 自回歸

在關于世界模型主流架構的討論中，三位嘉賓發表了各自對擴散與自回歸架構的看法。

朱政指出，從視覺角度來看，擴散模型更契合世界模型的發展方向。擴散模型從隨機噪聲中逐步還原圖像、視頻或音頻，其本身就非常接近物理世界的生成方式。另外，從神經科學角度來看，人腦通過神經元從復雜噪聲信號中解碼世界的機制，與擴散模型通過去噪生成內容的過程類似?；谶@兩方面考慮，他認為擴散架構更適合世界模型。

賈寶雄觀察到了技術融合的趨勢，目前包括 OpenAI 在內正探索將不同架構在某些階段統一起來，比如使用 token 化的擴散。

范琦點出了現在已經有擴散和自回歸結合的工作。擴散模型擅長捕捉并建模現實世界的真實分布，但現實世界又是連續變化、具有因果關系的，僅靠擴散難以長期建模，因此還需自回歸補足時序與邏輯上的連貫性。他舉例說明，「擴散可以預測短時間（比如 2 秒）內的幾十幀內容，而更長的連幀通過自回歸連接?！箍傊?，「無論黑貓白貓，能抓到老鼠的就是好貓?！?/p>

世界模型 ChatGPT 時刻還有多遠？

最后，世界模型的「ChatGPT 時刻」何時到來？世界模型是否已經到了爆發前夜？這或許是大家最為關注的兩個問題了。

賈寶雄沒有直接給出個人判斷，而是引用了一些業內人士的說法：世界模型的 ChatGPT 時刻可能需要三年左右出現。范琦強調關鍵在于數據，目前最困難的是缺乏高質量長視頻數據。另外，視頻生成時長大多在 5 到 10 秒，大廠的視頻 Demo 也只能做到一分鐘量級。因此，關于世界模型 ChatGPT 時刻何時到來，他認為時間可能要拉長一些。

在談到世界模型是否成為新的爆點時，范琦則表示，隨著語言模型發展至今，可能需要開拓其他研究方向以進一步推動人工智能進步。世界模型可能是現在以及未來十年新的爆發方向。

朱政回顧了極佳科技成立之初，外界對世界模型還很陌生。如今，隨著李飛飛等領域領軍人物的頻頻宣傳，世界模型已經成為熱點議題。不過，他指出世界模型存在著 ToB 和 ToC 兩方面的商業化挑戰，如 ToB 端按 token 收費時如何定義視頻生成數據對用戶的價值，ToC 端如何提升 token 等。

在這些挑戰之外，朱政認為未來世界模型可能更需要訓練強化學習 Agent 以及如何將 VLA（視覺 - 語言 - 動作）進化為 WLA（世界 - 語言 - 動作）。這些技術與商業難題需要業界與學界一起想辦法解決。

此次圓桌討論在主持人的引導下，三位嘉賓圍繞世界模型的發展時間表、數據瓶頸、技術架構以及商業化路徑各抒己見，在分歧與共識中展現了這一領域的多元性與活力。

整體來看，世界模型正站在聚光燈下，既擁有巨大的發展潛力，也面臨數據、算力和技術路線等多重挑戰?？梢灶A見，未來圍繞模型架構、訓練范式及應用場景的探索仍將持續，而這些探索本身也將成為推動世界模型邁向成熟的重要動力。