从精神到肉体，AI走向真实环境需要世界模型

飞象原创（魏德龄/文）生活在数据中心里的人工智能，在很多人心目中似乎已经变成了无所不知的存在，可一旦给他们装上躯体，哪怕是汽车的轮子，却难以做到无所不能，甚至路都走不稳。有趣的是，即便是刚出生的婴儿，他们喜欢进行的第一个尝试，便是不断把玩具、餐具等任何物品，从高处扔向地面，从中了解到这个万有引力的物理世界，但这却是大语言模型仅仅可以讲述，却并不真正懂得的简单物理常识。

图灵奖得主杨立昆就在近期接受外媒访谈时举了这样一个例子，当询问洗车店在100米外是否该走路去时，LLM可能建议步行（因为它只看距离），却忽略了“车必须开进店”这一物理前提。

能够解决这一人工智能尴尬表现的关键，其实并非进一步对大语言模型进行训练，而是正在被越来越多人所提及，能够预测行动后果，在抽象空间中进行规划的世界模型。

具备物理常识的世界模型

试想一下现代人类在出门时会自然而然地思索什么？今天下不下雨，用不用带把伞。如果路面有雪，一定要穿双防滑的鞋子。出门时还要多加小心，如果滑倒摔跤了会很疼。这正是我们大脑中的种种物理常识正在进行工作的结果。

世界模型已被业界看作是人工智能能否进一步实现场景落地的关键技术门槛之一。它是一种能够理解物理规律、具备时空认知能力的AI模型。

与仅在数字世界处理文本或符号的传统AI（如大语言模型）不同，世界模型能理解重力、生物学、空间几何等物理规律。例如，它知道下雨路会滑，或者自行车失去重心会跌倒。基于此，世界模型可以首先理解当前环境，接着预测下一步可能发生的状况（如开冰箱后下一步是拿瓶子），最后基于预测进行行动规划。

也就是说，世界模型具备一种更接近于人类的抽象空间预测能力，它不要求生成每一个像素的细节，而是在抽象的语义表征空间中预测未来的状态，这使得它能像人类一样忽略无关的纹理和光照，专注于与决策相关的关键信息。

世界模型有望成为老司机

回到当下的实际应用案例，对于辅助驾驶而言，如今尽管汽车可以实现一定程度的自我控制，遇到危险情况知道刹车或躲避，但只要试乘过的人，都能发现它们的表现没有所谓老司机级别的驾驶，乘坐起来舒适。而世界模型的思考分析能力，似乎可以实现更具人性化的线性刹车或松油滑行的操作。

世界模型的出现，针对性地解决了当前以大语言模型（LLM）和视觉－语言－动作模型（VLA）为代表的AI在实际应用中的核心缺陷。现有的VLA模型在实际部署时非常脆弱，光线或视角的微小变化就可能导致成功率大幅下滑，世界模型通过内部模拟机制，在行动前预测后果，从而提高行动的稳健性。

未来完全自动驾驶和具身机器人的核心底座正是世界模型。例如在驾驶场景中，当下雨的时候路会滑，当处于有重力加速度的斜坡时会发生什么情况，当车子如果是前面车靠近的时候它的速度跟偏幅多快可能会撞上，这种物理理解就好像是已经有了一个基础的方程式；或是在具身智能场景中，世界模型可以让机器人能进入工厂“打螺丝”或处理复杂的仓储物流任务，真正与物理世界互动。

世界模型到专家型智能体

Gartner预测，世界模型将推动AI智能体从简单的任务自动化向高度自主的“专家型智能体”转变。

“专家型智能体”拥有更高的自主性，无需人工监督即可自动完成工作，其复杂性相对较高，具备接近人的理解能力、高度适应性和推理能力，它不仅可以与第一方，也可以与外部第三方智能体协作。

“专家型智能体”通过具备对物理世界的抽象理解能力，可以更好地投入到现实工作中。例如，在国外某地的风力发电机维护中，通过引入Archetype AI的Newton模型，世界模型可以在没有历史故障样本的情况下，仅凭对物理环境的感知就预知异常。

与身体和头脑一起长大的人类不同，人工智能先拥有了一个超大容量，但又消耗巨大的大脑，可它所接触的真实世界，还仅仅来自隔着一层纱的网络数据，正在打开的物理世界大门，将会对思想带来进一步升级。