世界模型热潮
世界模型是具身智能领域的核心概念，旨在让模型学习物理世界的内部表征与演化规律，从而能够在模型内预测未来状态、评估动作后果、生成训练数据。当前产业界对“世界模型”一词的使用极为宽泛，缺乏共识，与“空间智能”“物理 AI”“具身世界模型”等概念标签并行出现。技术路线分化明显，关键技术包括隐空间表征、视频生成、3D 重建与几何一致性、物理引擎嵌入以及因果推断等。
向产业上游发掘的热点
世界模型的兴起是具身智能产业链上资本持续“向更深、更上游挖掘”的自然延伸。回顾过去三年的融资流向，具身智能产业持续吸引着资本的密集布局，可以清晰地辨识出一条资金从下游硬件向中游算法、再向上游数据与模型能力层逐级迁移的轮动轨迹。当前产业和资本对世界模型的预期，带有大模型发展经验的惯性，一定程度上忽略了这一复杂工程系统的庞大资源投入，现实世界的摩擦成本也将持续拖慢模型应用落地的速度。
热潮下的大模型经验投射
具身智能领域一直在追寻自己的“GPT-3.5 时刻”，尤其在 VLA 模型能力增长放缓、数据瓶颈明显的当下，世界模型被视为最具潜力的突破方向之一。其核心构想是，在机器人内部构建一个能够动态预测行为因果的内生世界，使模型在行动之前就能“想象”后果，从而突破真实交互数据的约束。过去五年大模型的发展，逐渐形成了一套默认的认知框架，参数规模的持续扩大将触发能力的非线性涌现，统一的Transformer 架构可以通用地建模复杂分布，训练后云端集中部署的规模化推理能够支撑商业闭环。但物理世界的状态空间与语言符号空间存在本质差异，现实中存在着无法消弭的“物理摩擦力”。
从生成式模型开始的技术延伸
本章试图在生成式模型与物理世界模型之间建立一条清晰的概念谱系，并在此基础上界定世界模型的核心内涵、功能角色及其在具身智能中的产业形态。
从生成式模型开始的技术延伸
- 大语言模型：符号空间中的统计自洽，利用 Transformer 架构，将语言模型这一传统定义推向极致。
- 视觉生成模型：像素空间中的视觉逼真，通过时空 Patch 与大规模注意力机制，在很大程度上克服了生成动态场景时的空间关系错乱等问题。
- 从“视觉逼真”到“物理正确”的关键转折：视觉逼真与物理正确之间，存在一条不易察觉却至关重要的鸿沟，即显性空间关系的几何合理性与隐性物理参数的动力学正确性。
世界模型的内涵与发展
- 物理世界模型：满足物理一致性的状态预测，其核心意义是承担着主体 - 环境动态建模的预测功能，即在物理状态空间中运作的预测器，满足物理一致性硬约束。
- 物理一致性层级与功能分化：世界模型在实践中逐渐分化为合成器、模拟器、规划器三种功能角色，对应物理一致性要求逐级提升的三个实践阶段。
- 世界模型的应用发展：世界模型成为具身智能领域的关注焦点，源于具身智能产业化进程面临的三个应用需求：极度稀缺真实交互数据、依赖高质量的仿真环境、追求面对复杂环境的自主决策能力。
世界模型的技术演进与应用
伴随具身智能产业逐渐成熟，对于数据、仿真等核心需求显著升级，正在推动世界模型从“视觉合成工具”向“物理预测引擎”再向“因果决策系统”演进。
从视觉生成到隐空间表征
- 以视频生成为起点：视频生成模型可以看作是世界模型进入产业和公众视野的起点，但视频生成模型本身并不构成世界模型。
- 像素空间的效率瓶颈：依赖动作的状态预测在概念上打通了视频生成模型与世界模型的边界，典型的技术实践是直接在像素空间中进行未来预测，但在工程上生成和预测存在天然的效率瓶颈。
- 隐空间压缩与推演：隐空间表征已成为解决效率问题的关键方法，可以概括为学习压缩、隐空间推演、选择性解码三个关键步骤。
从几何一致性到动力学一致性
- 三维重构与几何一致性：隐空间表征解决了工程上的效率问题，但无法解决结构问题，无法判断物体是否发生了穿透。三维重构技术提供了相对成熟的解决方案，但在动态场景中仍面临挑战。
- 动力学一致性的探索：目前，对世界模型动力学一致性的技术探索沿显式物理引擎嵌入和隐式物理规律学习两条路径展开。
- 从环境构建到环境使用的产业链条：当满足几何一致性和动力学一致性的基本要求，世界模型开始具备基础功能，正被用于搭建起“环境构建 - 验证 - 使用”的产业链条。
从状态预测到因果决策
- 规划器与因果一致性：立足当下，即使动力学一致性得到保障，世界模型也仅仅能实现预测状态转移，而非理解因果机制。当环境中出现物体行为偏离预期、或需要反事实推理时，纯粹的动力学预测无法回答解释原因。下一个技术门槛随之出现，世界模型的终极目标是从动力学一致性迈向因果一致性，实现可干预性和反事实推理能力。
- 规划器角色的产业深化：当物理世界模型的规划器角色进一步将世界建模与动作生成耦合进单一架构时，便形成了世界动作模型。
- 世界动作模型的探索：世界模型在规划器方向的探索已经进入具身智能的应用，世界动作模型（WAM）的架构是主要探索方向。
世界模型与大模型发展对比分析
大语言模型在过去五年间，从技术范式创新开始，参数规模持续扩大，能力随之涌现，商业化路径从 API 调用到订阅服务快速铺开。产业界对人工智能发展逐渐形成共识，默认能力的涌现可以经由规模扩张被触发，商业价值可以在技术尚未完全成熟时即被兑现。世界模型被寄予多种功能和场景的应用，具有与大模型相似的“通用”可能性，因此，探索一个具备能力涌现、泛化通用的世界模型成为赛道目标。
技术范式差异
- 词元（Token）化与损失函数差异：语言模型的训练目标是最小化下一个 Token 的预测交叉熵损失，而世界模型的训练目标则必须同时面对多重相互冲突的约束。
- 参数规模量级差异：大语言模型的参数增长轨迹为“规模定律”提供了经验基础，而物理世界的状态空间则几乎是无限的。
- 模型架构差异：大语言模型的主流架构已呈现收敛趋势，Decoder-only Transformer 被多家大模型公司采用。世界模型则面临物理定律的硬约束，而 Transformer 架构未曾解决过此类问题，这对模型架构提出了根本性的新要求。
工程差异：模型从大到小的逆向挑战
- 推理过程的实时性差异：大语言模型的主流部署模式是云端推理，延迟以秒计量，而具身智能的运行环境则完全不允许这种时间妥协。
- 端侧部署的多重约束：世界模型的功能化路径则复杂得多，需要经历“先做大，再做小”的过程，但“做小”的代价不可接受。
价值兑现差异：世界模型价值依赖下游载体爆发
大语言模型的商业化路径是直接的，而世界模型则处于完全不同的产业链位势，是供下游具身载体调用的基础设施。世界模型的价值兑现必须经由“模型 - 载体 - 场景”的三级传导，其中关键是，世界模型的价值兑现需要下游载体的规模爆发，而载体的规模爆发本身又受制于硬件成本、场景需求和基础设施配套等多重因素。
结论与趋势分析
当前，世界模型正处于投资热潮中，对其未来发展的判断逻辑，在相当程度上受到大语言模型的发展经验影响。然而，前文的技术演进分析与范式对比表明，世界模型与大语言模型之间存在本质性的结构差异，前者并非后者的物理空间延伸，而是一个需要独立技术路径和产业逻辑的崭新物种，这将是一个全新的庞大工程系统。
世界模型正在从“生成式 Scaling”到“JEPA 式结构创新”
当前，具身智能产业界刚开始步入“大模型”阶段，对世界模型的主流实践仍延续着生成式模型的技术惯性。但物理世界和语言语义的参数需求不在同一数量范畴，且规模定律在物理模型领域的适用性尚无任何实验证据支撑。世界模型的能力成长需要逐级跨越，每一级跃迁都需要新的架构设计、新的训练范式和新的验证标准，而非仅仅增加参数规模即可自动跨越。JEPA 所代表的非生成式路线，提供了另一种可能。
世界模型将形成混合架构、功能分层的复杂系统
世界模型在实践中已分化为合成器、模拟器、规划器三种功能角色，但单一架构难以同时满足物理一致性的三重约束。纯神经网络在视觉生成上表现优异，但无法保证力学守恒；传统物理引擎在长程稳定性上具有优势，却难以处理复杂接触与形变；符号因果推理可解释性强，但难以从原始感知数据中自动习得。这决定了世界模型将走向混合架构与功能分层的系统形态。
物理世界的现实摩擦力将延缓产业应用节奏
大语言模型的产业飞轮，完全在数字空间完成，服务闭环完全在云端运行，边际成本趋近于零，传播速度极快。全球数十亿互联网用户构成了天然的增量市场，模型能力的每一次提升都可以迅速转化为用户规模的增长和商业收入的扩大。世界模型的产业飞轮则每一圈都必须经由物理世界。每一次数据闭环都需要真机运行、场景重置、物理交互与人工监督，每一次模型验证都需要在真实或高保真虚拟环境中进行力学校验。这种物理世界的现实摩擦力，不是单纯的技术不成熟问题，而是具身智能固有的成本结构问题。
下游载体进入商业化与纵向整合趋势
世界模型作为上游基础设施，其价值兑现必须经由“模型 - 载体 - 场景”的三级传导。在下游载体出货量尚未跨越规模化门槛之前，独立的世界模型企业缺乏直接面向终端市场的商业接口，难以建立可持续的营收模式。这一产业链位势决定了，世界模型企业无法复制大模型“模型即产品”的独立商业化路径。更现实的产业形态是纵向整合。未来 3-5 年内，世界模型赛道难以出现独立的平台型巨头，而是会形成若干“载体 - 模型联合体”，其内部实现需求定义、数据供给与价值兑现的闭环。
从百家争鸣到聚焦，收敛周期将显著长于大模型
世界模型赛道当前处于产业早期的“百家争鸣”阶段，多种技术路线并行发展，资本和政策资源在方向上高度分散。这些路线并非简单的替代关系，而是对应物理一致性不同层级的技术攻关。这意味着，世界模型的市场出清不会由融资规模或参数竞赛驱动，而将由物理一致性的可验证性驱动。当技术路线经历一段时间的并行探索后，部分方向会因为技术瓶颈无法突破、应用场景无法闭环或竞争格局恶化而自然淘汰。资源将随之向那些已被初步验证的技术路线和团队集中。本文预判，这一收敛过程需要 5-8 年，且不会是全局性的“一家独大”，而是场景级的局部收敛。自动驾驶、仓储物流、工业装配等对物理一致性要求明确、评测标准易建立的垂直场景，将率先完成资源整合与格局固化；通用家庭服务机器人等开放场景，其世界模型的成熟周期将更为漫长。在每一个率先收敛的垂直场景中，率先实现“数据闭环 + 载体部署 +商业变现”的企业联盟，将形成难以逾越的生态壁垒。
