李飞飞等顶尖学者投身的创业方向——世界模型是 AI 的下一站吗？
「AI 是人类自诞生以来，唯一担得起『日新月异』这个词的技术领域，」在机器之心近日举办的 NeurIPS 2025 论文分享会圆桌讨论上，茶思屋科技网站总编张群英的开场感叹引发了在场专家们的共鸣。
这场由黄大年茶思屋总编主持，聚集了中科院自动化所、南京大学、北京通用人工智能研究院、极佳科技等机构专家的大讨论，直指目前 AI 领域最热门的方向——世界模型。最近一段时间，从谷歌 Genie 3 的发布到李飞飞的长文论述，世界模型、空间智能等概念正成为新的焦点。
四十多分钟的对话里，专家们围绕世界模型的定义、数据与架构方向、技术路径分歧，以及商业化前景展开了讨论。在一些议题上，大家的观点一致，不过在很多重要方向上有着明显不同的思考。看得出，面对这个正在快速发展的新兴领域，不论是技术还是评判标准，我们还有很多需要去探索、验证的。
首先，世界模型究竟是什么？ 几位嘉宾从不同角度给出了自己的定义。
极佳科技联合创始人、首席科学家朱政认为，世界模型本质上是预测模型：「给定当前状态及动作序列，预测下一个状态。」他指出了世界模型的三大应用前景：为自动驾驶、具身智能等多模态任务提供更多数据、建立模型与世界的结合替代传统模拟器、以及最终成为端到端系统的一部分。
北京通用人工智能研究院具身机器人中心研究科学家贾宝雄
则将世界模型理解为对 AI 对于环境状态的预测和判断。「从过去的简单游戏世界，到现在 3A 大作级的虚拟环境，世界模型正在逐渐走向对于高质量的状态的模拟。」
南京大学智能科学与技术学院准聘副教授、国家高层次青年人才范琦则从终极目标角度提出了一个宏大愿景：「世界模型的终极目标就是把世界 1：1 建模，目标可能要到原子级别。」但他也承认这几乎不可能，「我们并不需要如此精细的复刻，只需要依照目的进行建模，不同任务有不同的理想目标。」
如何构建世界模型？
在世界模型的发展中，一个核心悖论是：先有模型还是先有数据？世界模型的应用，经常与自动驾驶、具身智能等领域的合成数据 AI 训练相联系，但我们又该如何训练一个世界模型？
朱政以自动驾驶为例说明了这一困境：「自动驾驶公司积累了上亿公里数据，但 99% 都是晴天道路数据，真正危险的场景采集不到。」他提出了一个可行的路径：先用常见数据训练垂类模型，再生成更多 corner case 数据，通过迭代让世界模型越来越强。
贾宝雄从成本角度进行了思考：「有公司在构建世界模型时，采集数据的成本在千万级，这不是研究团队能够直接能做的事情。但对于不同形式的具身智能来说，数据是至关重要的。」他强调，对于具体的应用方向来说，我们可以通过特定的高质量数据来提升模型效果。
范琦则描绘了一个循环过程：「先有 0.1 的模型，生成 0.1 的数据，再用它来进一步训练模型。」他提出了「生成数据 + 真实数据」的混合模式，通过模型、产品、数据的循环推动发展。
在世界模型的技术实现路径上，专家们展现了明显分歧。
相比于视频内容的生成，贾宝雄的研究团队偏向融入物理信息的方法：「就算它是视觉模型，也要保持物理世界的一致性，比如重力。」
朱政则更加务实：「不论重渲染还是重预测，世界模型的构建很大程度上与需求有关。」如果是面向影视、游戏等方向，视频生成可能是更合适的方向。这可能是李飞飞 World Labs 使用生成 + 重建方式的理由。如果是面向消费者的通用的任务，我们可能不需要保持物理规律，甚至有时候创意是更为重要的，「如果要让一个人飞起来，现实不可能，但符合创作人意图。」
而且，随着生成能力的增强，世界模型对于物理规律的掌握、内容记忆的保持会越来越好，模型的最终形态可能是纯生成的，不需要重建。
范琦对此持不同意见：「终极目标可能是隐式的，但现在可能是显式 + 隐式一起。」他类比了大语言模型的情况，「大模型的记忆能力很不错，但是想要生成一整本书内容还是有很多错误，想要更好的生成（长序列的生成），会面临更多的挑战。所以到数据更加稀缺，更为复杂的世界模型上，想走到完全依赖隐式表征还有很长的路。」
架构之争：扩散 vs 自回归
在关于世界模型主流架构的讨论中，三位嘉宾发表了各自对扩散与自回归架构的看法。
朱政指出，从视觉角度来看，扩散模型更契合世界模型的发展方向。扩散模型从随机噪声中逐步还原图像、视频或音频，其本身就非常接近物理世界的生成方式。另外，从神经科学角度来看，人脑通过神经元从复杂噪声信号中解码世界的机制，与扩散模型通过去噪生成内容的过程类似。基于这两方面考虑，他认为扩散架构更适合世界模型。
贾宝雄观察到了技术融合的趋势，目前包括 OpenAI 在内正探索将不同架构在某些阶段统一起来，比如使用 token 化的扩散。
范琦点出了现在已经有扩散和自回归结合的工作。扩散模型擅长捕捉并建模现实世界的真实分布，但现实世界又是连续变化、具有因果关系的，仅靠扩散难以长期建模，因此还需自回归补足时序与逻辑上的连贯性。他举例说明，「扩散可以预测短时间（比如 2 秒）内的几十帧内容，而更长的连帧通过自回归连接。」总之，「无论黑猫白猫，能抓到老鼠的就是好猫。」
世界模型 ChatGPT 时刻还有多远？
最后，世界模型的「ChatGPT 时刻」何时到来？世界模型是否已经到了爆发前夜？这或许是大家最为关注的两个问题了。
贾宝雄没有直接给出个人判断，而是引用了一些业内人士的说法：世界模型的 ChatGPT 时刻可能需要三年左右出现。范琦强调关键在于数据，目前最困难的是缺乏高质量长视频数据。另外，视频生成时长大多在 5 到 10 秒，大厂的视频 Demo 也只能做到一分钟量级。因此，关于世界模型 ChatGPT 时刻何时到来，他认为时间可能要拉长一些。
在谈到世界模型是否成为新的爆点时，范琦则表示，随着语言模型发展至今，可能需要开拓其他研究方向以进一步推动人工智能进步。世界模型可能是现在以及未来十年新的爆发方向。
朱政回顾了极佳科技成立之初，外界对世界模型还很陌生。如今，随着李飞飞等领域领军人物的频频宣传，世界模型已经成为热点议题。不过，他指出世界模型存在着 ToB 和 ToC 两方面的商业化挑战，如 ToB 端按 token 收费时如何定义视频生成数据对用户的价值，ToC 端如何提升 token 等。
在这些挑战之外，朱政认为未来世界模型可能更需要训练强化学习 Agent 以及如何将 VLA（视觉 - 语言 - 动作）进化为 WLA（世界 - 语言 - 动作）。这些技术与商业难题需要业界与学界一起想办法解决。
写在最后
此次圆桌讨论在主持人的引导下，三位嘉宾围绕世界模型的发展时间表、数据瓶颈、技术架构以及商业化路径各抒己见，在分歧与共识中展现了这一领域的多元性与活力。
整体来看，世界模型正站在聚光灯下，既拥有巨大的发展潜力，也面临数据、算力和技术路线等多重挑战。可以预见，未来围绕模型架构、训练范式及应用场景的探索仍将持续，而这些探索本身也将成为推动世界模型迈向成熟的重要动力。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
