文/陳永偉

8月5日，谷歌DeepMind發布了其新模型——Genie 3。

該模型能夠根據用戶的文本或圖像提示，實時生成可供用戶與AI智能體（AI　Agent）互動的3D虛擬環境。例如，用戶只需輸入“月球上的火山邊”，Genie 3便能即時生成一片浮動的火山、黃色的大地與遠處的宇宙背景，并允許用戶進入探索。

相比此前的AI模型，Genie 3展現出更強的實時交互能力，并在互動時長和記憶連貫性上表現尤為出色。例如，如果用戶在生成的房間墻壁上涂鴉，然后轉身探索別處，那么當他稍后返回時，墻上的涂鴉依舊保留。

不僅如此，Genie 3還引入了“可提示的世界事件”（Promptable　World　Events）功能。這允許用戶在交互過程中，通過新的文本指令動態改變世界。無論用戶要求“加入一只奔跑的小狗”“把天氣從晴天變成大雨”，還是“將環境從海邊變成山上”，Ge-nie 3都能瞬間響應。

Genie 3的出色表現不僅刷新了AI生成世界的邊界，也讓人們看到了另一條通向通用人工智能（AGI）的路徑——“世界模型”（World　Model）的希望。一時間，關于“世界模型”的討論頻頻見諸媒體。

那么，什么是“世界模型”？它如何實現？又能為我們帶來什么？且讓我們一一道來。

世界模型簡史

在人工智能領域，許多重要的模型都是模仿人類的某種能力或大腦的某種機能建立的。例如，卷積神經網絡（CNN）的靈感來自生物視覺皮層感受域（receptive　field）的工作方式，Transformer模型則借鑒了人類注意力的聚焦機制。同樣，世界模型的靈感源自對人腦一種重要機制的模仿——在大腦中構建并運用“內部世界”（inner　world）的能力。

設想一下，你正走在大街上，突然看見一輛汽車急速駛來。這時，你會迅速在腦中進行計算，模擬它在接下來幾秒的運行方向和速度，并判斷是否需要避讓以及向哪個方向避讓。隨后，你的身體會根據大腦的判斷采取行動。需要注意的是，此時你腦中的工作機制與傳統機器學習有顯著不同——機器學習的判斷依賴于對大量數據的學習，這意味著只有在多次遭遇汽車迎面駛來并積累了統計經驗后，才可能得出預測。然而，現實中這種突發情境極為罕見，人類幾乎不可能僅靠經驗學習來應對。事實上，面對突然駛來的汽車，人們依靠的往往不是經驗，而是一種預測能力。換言之，你會在腦中提前“看到”那輛車未來的位置。這種“在心中演練未來”的能力，是人類智能最基本、也最奇妙的組成部分。

很早以前，就有人注意到人類構建“內部世界”的能力。18世紀，德國古典哲學家康德指出，人類的感知從來不是對現實的直接復制，而是在心靈內部通過某種“先驗框架”加以組織和解釋的。從這個意義上講，我們所見的世界，其實是自己建構的一個版本。20世紀，心理學家皮亞杰進一步指出，兒童并非被動接收信息來理解世界，而是通過不斷嘗試、失敗與重建，在腦中建立起一套關于世界運行規則的“心理模型”。這些模型使他們能夠預判事件的后果并指導決策。正因如此，人類才能成長為擁有計劃與想象力的存在。

隨著現代認知科學興起，“人類可以不依賴真實世界輸入而進行‘心智模擬’（Mental　Simulation）”這一事實得到進一步證實。研究還發現，人腦會不斷用感官輸入來驗證和修正自己的預測，使構建的“內部世界”愈加接近真實世界，并用更新的模型持續模擬現實、指導行動。

人工智能學科創立之初，專家們便開始嘗試模仿人腦的這種能力。例如，維納等人的反饋控制理論強調，智能體要與環境交互，必須對環境狀態有內部表示。同一時期，“符號主義”學者嘗試用邏輯規則和知識圖譜構建“世界描述”，并通過推理機進行決策，在棋類、路徑規劃等領域取得不少進展。20世紀70年代的Shakey機器人，就已能在“內部地圖”上模擬移動與避障。

進入20世紀80年代，隨著統計學習方法的發展，研究者開始用概率模型刻畫環境動態，并將隱馬爾可夫模型（HMM）、卡爾曼濾波等先進統計方法應用于內部世界構建。這類模型的優勢在于能夠從數據中估計轉移概率，減少對人工規則的依賴，但缺點同樣明顯——一旦狀態空間維度上升，模型規模與計算量便呈爆炸式增長，難以適用于圖像、視頻等高維感知輸入。

1989年，理查德·薩頓將強化學習與“內部世界”思想結合，提出Dyna架構。利用該架構，智能體既可以直接從環境中學習策略，也可利用學到的環境模型在內部進行計劃（plan-ning）。顯然，這一思路正是對人腦“心智模擬”功能的模仿。

1990年，時任博士生的人工智能專家于爾根·施密德胡伯（JürgenSchmidhuber）提出，理想的AI模型應像人類一樣，對真實世界有全面而準確的認知，并能模擬可能發生的情況。這樣的模型不僅要理解“現在”，還要想象“未來”；不僅要描述“是什么”，還要推測“會變成什么”。它不是傳統的分類器或生成器，而是一種具備“時間意識”的智能體。施密德胡伯將這種理想模型命名為“世界模型”，并在博士論文中用循環神經網絡（RNN）構建了一個簡單版本，“世界模型”一詞由此誕生。

遺憾的是，當時神經網絡并非人工智能的主流方向，加之技術條件限制，該模型表現并不突出，“世界模型”這一名詞在此后多年傳播有限。直到2018年，施密德胡伯及其合作者發表題為《世界模型》（WorldModels）的論文，這一概念才被更多人熟知。

這篇論文之所以在多年后引發關注，原因多方面：其一，“深度學習革命”已經發生，基于神經網絡的模型更易獲得認可；其二，論文中的世界模型在性能上顯著優于20世紀90年代的版本。但或許更重要的，是文中那幅漫畫：一個人正在騎車，而他腦海中也浮現著一個騎車的人。雖無一字，卻生動呈現了“世界模型”的核心——人在行動的同時，“內部世界”正模擬行動的可能結果，并據此指導行為。所謂“一圖勝千言”，在人工智能領域同樣適用。

隨著“世界模型”思想被接受，眾多研究團隊投入到相關模型的開發之中。其中，谷歌DeepMind團隊無疑最引人注目。早在2019年，他們推出了基于模型的智能體PlaNet，能夠直接從圖像學習內容，構建世界模型，并預測后續圖像走向。測試顯示，它只需觀察前5幀，就能在給定動作序列的條件下提前準確預測接下來50步的發展。

2020年，DeepMind在PlaNet的基礎上推出改進版Dreamer模型，引入遞歸狀態空間模型（RSSM）等新技術，使其在預測與模擬性能上有顯著提升。進入“生成式AI革命”階段，尤其是在OpenAI發布Sora之后，DeepMind開始將世界模型思路應用于高質量視頻生成，而Genie正是這一工作的產物。與Sora相比，Genie系列在視頻精細度與流暢性上略有不足，但因其基于世界模型構建，交互性遠優于Sora。這一特點，使其應用潛力大大超出視頻生成范疇。

世界模型的技術實現

從本質上講，所謂世界模型，其實就是AI的“理解引擎”。它的核心原理，用一句通俗的話概括，就是讓機器先在“心里”排練一遍，再付諸行動。那么，如何實現世界模型呢？雖然技術細節十分復雜，但總體上可以分為幾個主要環節。

首先是表征學習（RepresentationLearning）。在模擬現實階段，世界模型并不需要額外的數據輸入，但在構建階段，相關數據是必不可少的。這就好比我們在大腦中想象世界之前，必須先對世界的基本結構有所了解——而要做到這一點，就必須先用眼睛看、用耳朵聽，再將這些信息轉化為大腦可處理的電信號。同樣地，在構建世界模型時，AI需要通過傳感器從外界獲取各種數據輸入，這些輸入可以是文本、圖像，也可能是聲音或視頻。接著，AI通過“表征學習”過程，將這些輸入壓縮成機器能夠理解的“內部語言”。在不同應用需求下，“表征學習”會使用不同技術。例如，在學習連續潛在空間時常用變分自編碼器（VAE）；在從未標注數據中提取有意義的視覺特征時，則會用到自監督視覺模型。

接下來是動態建模（DynamicModelling），這一階段要回答的問題是：“如果我現在采取某個動作，比如前進一步，世界的狀態會發生什么變化？”AI需要基于已有數據和先驗知識，不斷對可能的未來場景進行模擬。難點在于準確刻畫現實世界中的物理規律。眾所周知，傳統機器學習多半學到的是相關性，而非因果關系，這在模擬中容易出錯。例如，按照萬有引力定律，物體被拋出后會在重力作用下下落。但如果AI的訓練數據只包含拋擲羽毛的情景，它可能會錯誤地“學習”到物體不會下落，而是漂浮空中，從而在模擬中產生荒謬的結果。解決方法之一，是在模型結構中直接嵌入物理規律，例如依據萬有引力定律和空氣阻力公式設計損失函數，將其作為訓練約束。另一種方法是從數據入手，確保訓練樣本涵蓋多樣化場景——既包括拋擲羽毛，也包括拋擲鉛球。AI在多樣化的樣本中便可歸納出更普適的規律，實現更準確的建模。只有當AI“學會”并內化了物理定律，構建出的模型才具有真正價值。

第三個環節是控制與規劃（ControlandPlanning）。在這一階段，AI基于世界模型對現實進行模擬，并在眾多可能方案中尋找最優策略。以躲避汽車為例，這一步就是在成千上萬種閃避方式中找到最優解。不同場景下，控制與規劃的方法各不相同。例如，在早期模型中，蒙特卡洛樹搜索常被用于尋找最優策略；而在PlaNet、Dreamer等知名世界模型中，則通過基于模型的強化學習（Model-basedRL）在潛變量空間中進行多步規劃。有些模型還會在策略優化的同時，反向優化“內部世界”本身，實現模型與策略的雙向提升。

最后是結果輸出。顧名思義，這一環節的任務是將模型“想象”的結果以可見、可聽或可感的形式呈現出來。對于許多世界模型（如本文開頭提到的Genie）而言，這一步至關重要。最常見的輸出形式是視頻或圖像序列。實現這一目標，需要將“表征學習”過程反向執行——將AI內部的表征還原為像素。早期常用基于像素的生成模型，如卷積神經網絡（CNN）解碼器或自回歸模型。較新的方法多采用基于潛在空間的渲染：先在低維潛在空間生成內容，再解碼為像素，其效率遠高于直接像素生成。如果目標不僅是“看得見”，還包括“聽得到”甚至“可觸摸”，則需引入更多模態的生成與渲染技術，這里不再展開。

世界模型能做什么

世界模型的出現，究竟能為我們帶來什么？如果說過去的AI擅長的是“計算”“識別”或“對話”，那么世界模型則為AI打開了一扇新大門——它不僅能夠“看懂世界”，還能夠主動“在世界中行動”。這種能力，使它可以被應用于多個不同場景。

首先，是與“具身智能”相關的領域。這里所說的“具身智能”范圍更廣，既包括擁有真實機械結構的機器人，也包括虛擬游戲角色等任何具備“身體”的智能體。一旦智能體有了身體，它就可以主動移動、操作和試探。理論上，我們可以讓它通過這些行動不斷學習，像嬰兒通過抓、摔、跳、爬來探索世界規律一樣。然而在現實中，這種探索往往成本高昂，甚至存在破壞性風險，因此在實踐中并不可行。比如，雖然理論上可以讓機器人通過試錯學習躲避汽車，但在真實環境中，只要出現一次錯誤，就可能導致嚴重損壞，學習自然無法繼續。

在這種情況下，世界模型為智能體提供了一個安全的訓練場。AI可以在其中反復嘗試各種策略，直到找到最佳路徑，再回到現實世界時，它已經是“經驗豐富”的行動者。顯然，這種訓練方式相比傳統方法不僅能顯著降低成本，還能避免大量不必要的事故。施密德胡伯曾將這種在世界模型中進行訓練的方式形象地稱為“做夢”（dreaming），這個比喻恰當地刻畫了它的特點。

其次，是“數字孿生”領域。數字孿生是指為現實世界中的實體（如工廠、城市、港口）等創建高度還原的數字副本，以此實時同步數據、預測變化。過去，即便數字孿生做得再逼真，它也只是一個被動的模型。而有了世界模型的介入，這個孿生體就能主動模擬未來、預測問題并實時響應。它不僅可以預警設備故障、識別倉儲流程可能的擁堵，還能提前給出優化建議。將世界模型應用于數字孿生，不僅能顯著提升自動化水平，還能實現“感知—預測—決策”的一體化躍遷。

第三，是教育與科研領域。科學家可以利用世界模型構建虛擬物理實驗室，更精確地預測液體流動、粒子運動或電路反應；教育者則可以打造交互式虛擬課堂，讓學生在模擬環境中親手實驗、探索知識。隨著世界模型的加入，知識生產與傳播的效率都將得到顯著提升，整個知識產業鏈有望實現優化升級。

第四，是游戲和娛樂領域。在這里，世界模型就像一臺自動生成可玩世界的引擎。玩家不再受限于預設場景，而是可以根據自己的行為、興趣和指令，讓AI實時生成全新世界。同時，虛擬世界中的NPC將具備更高的智能水平，與玩家進行更豐富、自然的互動，從而大幅提升游戲的沉浸感與可玩性。

如果我們把視野放得更遠，世界模型甚至可能成為“虛擬社會”的基礎設施。一個高度發達的世界模型，或許能夠支撐數十億人同時生活、交流和建造的數字世界。在那里，每一個人的動作與決策，都會被模型合理接收、反饋并推動演化。那時，世界模型帶來的將不僅僅是游戲或模擬，而是一種全新的存在方式。

世界模型背后的隱憂

科技的每一次突破，都是一把雙刃劍，世界模型也不例外。當它讓AI不再只是識別現實，而是能夠“創造”現實時，隨之而來的倫理與治理問題正逐漸浮出水面。

第一，世界模型可能進一步模糊真實與虛擬的邊界，引發“后真相”危機。它生成的內容不僅符合物理規律，還能與用戶深度交互，帶來的“真實感”遠超當前的AI生成物。在這種情況下，“有圖有真相”甚至“有視頻有真相”的時代將一去不返。一旦被用于詐騙、造謠或政治操縱，其社會危害將極為嚴重。

第二，世界模型可能成為行為操控的工具。它不僅能建構環境，還可以通過環境反向影響用戶行為。由于虛擬世界足夠逼真，構建者完全可以借助物理布局、獎勵機制、劇情走向等方式，潛移默化地引導用戶做出特定選擇。在這種情況下，人們在AI世界中的“自由選擇”可能并不真正自由。如何抵御商業誘導、政治宣傳和極端意識形態的滲透，在虛擬幻象中守住自我，將成為一大挑戰。

第三，世界模型可能加劇人們對虛擬世界的沉迷與對現實的疏離。它能夠構建一個巨大的“智能烏托邦”——既與真實世界一樣真實可交互，又比現實更美好、更有回報感。在那里，人們可以輕易獲得完美的社交關系、理想的職業和永恒的勝利感。然而，當沉浸其中的快感不斷累積，人們面對現實的意愿和能力可能逐漸削弱，甚至喪失在現實世界生存的必要技能，最終被困于虛擬世界。

第四，世界模型可能放大偏見、歧視與社會固化。為了構建逼真的虛擬世界，它會大量參考現實世界的數據，從而吸收并重現其中根深蒂固的偏見。在AI的放大效應下，這些偏見不僅會被復制，還可能通過互動灌輸給用戶，使錯誤觀念在潛移默化中得以強化。

第五，世界模型的責任歸屬與治理缺口亟待關注。當模型變得足夠復雜時，其生成的內容與交互效果往往超出單一開發者的直接控制。這帶來一個棘手問題：一旦虛擬世界出現傷害性后果，責任應由誰承擔？例如，用戶在虛擬世界中受到心理傷害，或被誘導做出危險行為，責任在模型構建者、平臺運營方，還是用戶自身？又如，當AI在虛擬訓練中學會不良策略并在現實中重現，應追責于模型設計者、應用方，還是數據提供者？這些問題目前尚無明確答案，但隨著世界模型的普及，遲早必須直面。

綜上，世界模型雖具有巨大的應用潛力，但其伴生風險同樣不容忽視。唯有提前建立倫理、法律與技術的多重防護，才能確保這項技術真正造福人類。

世界模型是通往AGI的必由之路嗎

世界模型之所以在近期引發高度關注，除了其潛在應用廣泛外，還有一個重要原因：不少人工智能專家認為，它才是通向“通用人工智能”（AGI）的正確道路。Meta首席AI科學家、2018年圖靈獎得主楊立坤（YannLeCun）多次公開表示，世界模型不僅重要，而且幾乎不可或缺。他指出，當今的大語言模型（LLM）雖能在語言空間中生成連貫文本，但從本質上看，它們缺乏對現實世界的連續表征和物理一致性推理能力。人類之所以能在復雜環境中高效學習與適應，關鍵在于能在大腦中構建對真實世界的模擬，并在內部模型中進行“離線思考”。這種能力不僅顯著降低了試錯成本，還能幫助我們更好地應對未知情境，實現知識的跨領域遷移。從目前來看，只有世界模型能夠模擬人類的這一能力。因此，如果希望AI的能力接近甚至超越人類，世界模型或許是必經之路。

楊立坤的觀點在AI界收獲了不少支持，但也遭到同樣多的質疑。一部分強調“端到端學習”和“規模驅動”的研究者，對這一觀點持謹慎甚至懷疑態度。在他們看來，盡管世界模型有其價值，但AGI未必需要顯式的世界模型，更談不上是“必由之路”。例如，Deep－Mind創始人、2024年諾貝爾化學獎得主德米斯·哈薩比斯（DemisHassabis）就指出，大規模無模型（Model-free）方法在一些復雜任務中已取得令人矚目的成績——AlphaGoZero、AlphaStar等系統并沒有顯式的物理世界建模，卻在多個領域表現超越人類。因此，通過類似方法模仿、逼近甚至超越人類能力，實現AGI并非不可能。

與此同時，還有學者質疑世界模型本身的發展潛力。他們認為，首先，顯式的物理世界建模容易受到建模誤差的限制，多步預測中的累積偏差可能嚴重影響規劃質量，從而削弱模型性能，甚至不如普通神經網絡。其次，如果目標環境過于復雜，在潛在空間中構建準確、穩定的世界模型所需成本將極為高昂，此時直接依賴強大的策略網絡擬合最優行為，反而可能更具性價比。

除“世界模型派”和“反世界模型派”外，還有學者主張中間路線。他們認為，AGI未必依賴單一、統一的世界模型，而可以通過“隱式建模”獲得類似能力。許多現代大語言模型和多模態模型在訓練過程中，實際上已經學會了某種世界知識的結構化表示——這種表示并非工程師顯式構建的物理引擎，而是以海量數據訓練結果隱含在參數空間中。這種“參數即世界”的方式雖然可解釋性較差，但在推理、預測、規劃等任務中依然能展現出一定的世界理解。例如，GPT類模型可以通過多輪對話推演事件邏輯，甚至在虛擬物理場景中給出連貫結果。換言之，即使在模型設計時未預先植入物理規律，它們依然可能通過學習自行抽取這些規律。因此，中間路線派認為，顯式物理建模并非實現世界模型的唯一途徑。

那么，哪一種觀點更有道理？這在很大程度上取決于我們如何定義AGI，以及如何理解“必由之路”。在AI圈內，對于AI的目標本就存在分歧：有學者認為，AI的目標是讓機器像人一樣思考和行動；也有人認為，目標是讓機器像人類一樣完成任務，而不必在機制上與人類相同。基于不同的理解，AGI的定義也有所不同：如果目標是讓機器像人類一樣行動，那么模擬人類構建“內部世界”的能力就必不可少；如果目標只是讓機器在任務表現上不遜于人類，那么是否使用世界模型就不是必須。相比一刀切地依賴世界模型，根據任務性質選擇最適合的技術路徑，或許才是更為務實的通向AGI之路。

結語

幾千年來，人類一直在追問一個問題：世界是如何運作的？從古代神話中的創世之神，到近代物理學的牛頓與愛因斯坦；從文學中的烏托邦，到哲學中的“物自體”與“現象界”，我們始終渴望理解世界的規律、命運與可能性。而今天，當人工智能開始嘗試“創造”一個世界，它實際上也在加入這場古老的對話。

世界模型不僅是一種AI工具，更是一次對“認知本身”的挑戰。它不僅試圖再現世界的外觀，更力圖理解其機制、因果的流動，以及行動與反饋之間的微妙關系。從這個意義上看，無論它最終能否引領我們走向AGI，也無論它能帶來多少直接應用，其探索價值都不可低估。