过去两年，大模型的能力主线是“预测下一个词”。近一段时间，另一条技术路线明显升温：让模型预测下一秒会发生什么。学界与产业界把这类系统称为“世界模型”，它的目标不是画出好看的画面，而是在内部建立一套关于环境如何运转的表示，用来支撑预测、规划与决策。
为什么突然被重视
世界模型并非全新概念，强化学习与自动驾驶领域早年就有人尝试。它重新回到聚光灯下，主要受三股力量推动。
- 视频生成模型展现出隐式的物理直觉。一段几分钟的视频里物体不凭空消失、光影与遮挡基本自洽，意味着模型内部对三维空间和运动规律形成了某种压缩。
- 具身智能缺数据。真机采集一条抓取轨迹成本高、速度慢，很难覆盖长尾场景，而世界模型可以在虚拟环境里大规模预演。
- 自动驾驶与工业仿真需要便宜且可重复的长尾场景，比如罕见事故、极端天气，现实中几乎无法反复采集。
几条不同的技术路径
目前大致分为三类。第一类以视频生成为核心，把海量视频当作世界的“录像带”，用生成质量间接衡量理解程度。第二类走表征学习路线，先学会压缩观测，再在抽象空间里预测未来状态，Meta的JEPA系列是代表，并已开始与机器人操作结合。第三类是交互式世界模型，用户给出动作或指令，模型实时生成下一帧，甚至可探索的三维环境，面向游戏、机器人与空间智能。
真正的难点在哪里
最突出的是物理一致性与长时稳定性。误差会随时间累积，物体守恒、接触与摩擦、因果先后顺序，都容易在几十秒后崩坏，画面看着像，但推演并不可靠。其次是算力与数据成本，训练视频世界模型的代价不亚于大语言模型，能持续投入的团队有限。第三是评测标准缺失，判断一个世界模型好不好，目前没有像语言模型那样成熟的基准，很多结论仍依赖演示视频，容易高估实际能力。
先落地的场景
短期内，世界模型最现实的价值在“造数据”和“做仿真”。自动驾驶公司用它生成危险场景用于测试，机器人团队用它做策略预训练与仿真到现实的迁移，游戏与影视用它降低内容生产成本。相比之下，直接用于实时决策的高风险场景仍需谨慎，模型一旦对物理规律判断失误，代价可能无法挽回。
标准与生态仍在形成
值得注意的是，围绕世界模型的开源与闭源路线正在分化。一部分团队主张开放权重，方便研究者复现与评测；另一部分则把它视为下一代基础模型的核心资产，倾向于闭源。评测方面，已有机构尝试从物理合理性、因果连贯性、可控性等维度建立基准，但覆盖范围有限，尚未形成共识。
世界模型把人工智能的目标从“读懂文字”推向“理解世界”。它的意义或许不在于又多了一个模型品类，而在于让机器获得一种可复用的常识：知道杯子掉下去会碎、推门会打开。这条路仍然很长，但方向已经清晰——谁能让模型稳定地预测下一秒，谁就更接近能行动、能规划的智能。