文 | 智械島，作者 | 霍如筠（北京）
4 月 16 日，阿里巴巴發(fā)布了開放式世界模型 Happy Oyster，騰訊開源了 3D 世界模型 HY-World 2.0。
同一天，兩家中國互聯(lián)網(wǎng)巨頭宣示了自己在世界模型賽道上的存在感。
此前不到一個(gè)月，李飛飛的 World Labs 剛完成 10 億美元融資，Yann LeCun 的 AMI Labs 更是以 10.3 億美元的種子輪震驚硅谷。
資本、巨頭、創(chuàng)業(yè)者蜂擁而入，一個(gè)響亮的口號迅速傳遍行業(yè)：世界模型是大語言模型之后最重要的賽道。
但如果你真的去問這些玩家 " 世界模型到底是什么 "，很可能會(huì)得到一堆彼此矛盾的回答。
有人說是 " 可交互的 3D 世界 "，有人說是 " 理解物理規(guī)律的因果模型 "，有人說是 " 機(jī)器人訓(xùn)練的數(shù)字仿真器 "，還有人干脆說 " 就是更高級的視頻生成 "。
這不是學(xué)術(shù)討論的分歧，而是整個(gè)賽道正在經(jīng)歷的認(rèn)知混亂。
這篇文章試圖理清這場混亂。我們會(huì)從三個(gè)層層遞進(jìn)的問題入手：為什么所有大廠突然都在押注世界模型？他們的產(chǎn)品到底在做什么，哪些是實(shí)、哪些是虛？以及，那些被光環(huán)掩蓋的困境和模糊地帶，究竟有多深？
一、為什么突然 All in 世界模型？
要理解世界模型為何突然爆火，得先回到大語言模型的一個(gè)尷尬事實(shí)。
過去兩年，ChatGPT 們展示了驚人的語言能力，也暴露了一個(gè)致命短板：它們不懂物理世界。
你問一個(gè) LLM" 把杯子從桌子邊緣推下去會(huì)怎樣 "，它能回答 " 杯子會(huì)掉到地上 "，卻并不能真正理解重力、加速度、碰撞，它只是從訓(xùn)練數(shù)據(jù)中記住了類似的句子。
2026 年初的一項(xiàng)研究指出，幻覺不是數(shù)據(jù)問題，不是訓(xùn)練問題，而是 LLM 架構(gòu)的內(nèi)在缺陷。
這個(gè)缺陷在純文本任務(wù)中或許可以忍受，但當(dāng) AI 要進(jìn)入真實(shí)世界：操控機(jī)器人、駕駛汽車、在工廠里作業(yè)，它就變成了一個(gè)無法繞過的坎，你不能讓一個(gè)自動(dòng)駕駛模型 " 大概正確 " 地判斷前方障礙物，也不能讓一個(gè)工業(yè)機(jī)器人 " 差不多 " 地預(yù)測零件運(yùn)動(dòng)軌跡。
于是，一個(gè)更根本的需求浮出水面：我們需要一個(gè)能理解物理世界因果律的 AI。
它不只要能說，還要能做；不只要看見，還要能預(yù)判。這就是世界模型被推到聚光燈下的根本原因。
大語言模型改變了人和信息的關(guān)系，而世界模型要改變的，是人和現(xiàn)實(shí)的關(guān)系。
過去兩年 AI 的商業(yè)化主要停留在信息處理，寫文案、做翻譯、生成代碼，但下一波增長引擎顯然在物理世界：具身智能、自動(dòng)駕駛、智能制造。
這些場景的共同要求是：AI 必須理解空間、預(yù)測動(dòng)態(tài)、規(guī)劃動(dòng)作。
所以，大廠押注世界模型，本質(zhì)上是在爭奪 " 后 LLM 時(shí)代 " 的技術(shù)制高點(diǎn)。誰先讓 AI 真正理解物理世界，誰就能在下一輪產(chǎn)業(yè)周期中占據(jù)主導(dǎo)。
國內(nèi)外玩家的打法截然不同。
美國那邊，DeepMind、World Labs、AMI Labs 更像是在做基礎(chǔ)科學(xué)。
他們關(guān)心的是如何讓 AI 擁有像人類一樣的物理直覺和因果推理能力，商業(yè)化是遠(yuǎn)期目標(biāo)。Yann LeCun 自己都承認(rèn)，AMI 的產(chǎn)品可能要幾年后才能看到。
中國則是另一番景象。阿里和騰訊幾乎在發(fā)布模型的同時(shí)就綁定了商業(yè)場景：Happy Oyster 瞄準(zhǔn)影視制作和游戲開發(fā)的付費(fèi)用戶，HY-World 2.0 直接輸出可導(dǎo)入 Unity/UE 的 3D 資產(chǎn)，做起了 AI 造世界的生意。
還有 Sand.ai 的 VidMuse，圍繞音樂生成視頻這個(gè)細(xì)分場景，上線幾個(gè)月就做到了千萬美元級別的年收入。
中國團(tuán)隊(duì)的邏輯很務(wù)實(shí)：世界模型首先得是一個(gè)能賺錢的產(chǎn)品。
這兩種路線沒有高下之分，但決定了各自的節(jié)奏和風(fēng)險(xiǎn)。美國團(tuán)隊(duì)敢于押注十年后的突破，中國團(tuán)隊(duì)則必須在一年內(nèi)看到回報(bào)。
問題是，當(dāng)所有人都擠在同一個(gè)熱詞下喊口號時(shí)，局外人很難分清誰在做什么。
二、關(guān)于技術(shù)標(biāo)準(zhǔn)的拷問
花時(shí)間看完各家產(chǎn)品的介紹，你很可能會(huì)陷入更大的困惑。因?yàn)槊總€(gè)世界模型長得都不一樣，它們的底層邏輯甚至彼此矛盾。
先來看最反直覺的一派。Yann LeCun 的 AMI Labs 走了一條很少有人敢跟的路，他們不認(rèn)為 AI 需要生成逼真的畫面。
LeCun 的 JEPA 架構(gòu)刻意丟棄像素細(xì)節(jié)，只在抽象的隱空間里做預(yù)測。最新發(fā)布的 LeWorldModel 只有 1500 萬參數(shù)，單 GPU 幾小時(shí)就能訓(xùn)練完，但規(guī)劃速度比傳統(tǒng)方法快了 48 倍。
缺點(diǎn)是，它的輸出人類看不懂，你不能 " 看到 " 它預(yù)測的未來，只能相信它算對了。
這是一個(gè)純粹的學(xué)術(shù)路線，離普通用戶很遠(yuǎn)，但 LeCun 賭的是：真正的智能不需要模擬每一片樹葉的飄落，只需要理解 " 風(fēng)會(huì)吹落樹葉 " 這個(gè)因果。
另一條路來自李飛飛的 World Labs。李飛飛相信，智能必須建立在三維空間的顯式理解之上。她的 Marble 模型能從一張照片或一段文字生成一個(gè)可編輯、可導(dǎo)航的 3D 世界，用戶可以在里面自由移動(dòng)視角。
World Labs 還開源了渲染引擎 Spark 2.0，讓普通瀏覽器都能流暢加載上億個(gè) 3D 點(diǎn)。
一個(gè)坦誠的評價(jià)是：Marble 擅長重建空間的樣子，但對空間中會(huì)發(fā)生什么的理解還比較薄弱。
你可以走進(jìn)它生成的房間，但你推不動(dòng)里面的椅子，也打不翻桌上的杯子。它是一個(gè)靜態(tài)世界的復(fù)刻者，而不是動(dòng)態(tài)物理的模擬器。
最熱鬧的陣營當(dāng)屬生成派。谷歌的 Genie 3、阿里的 Happy Oyster、騰訊的 HY-World 2.0 都屬于這一類。
他們的邏輯是：只要生成的畫面足夠逼真、交互足夠流暢，物理規(guī)律自然會(huì)被學(xué)出來。
阿里在 Happy Oyster 里做了一個(gè)很有意思的功能叫導(dǎo)演模式，用戶可以在視頻播放的過程中隨時(shí)輸入文字指令，改變劇情走向、切換鏡頭角度。騰訊更務(wù)實(shí)，直接輸出可二次編輯的 3D 資產(chǎn)，讓游戲開發(fā)者可以導(dǎo)入 Unity 或 UE 引擎里直接用。
但這類產(chǎn)品有一個(gè)共同的軟肋：長時(shí)序一致性和物理準(zhǔn)確性仍然不穩(wěn)定。
Genie 3 的演示很驚艷，但幾分鐘后畫面就開始走樣。阿里的漫游模式目前只能支持 1 分鐘的連續(xù)位移，超過這個(gè)時(shí)間會(huì)發(fā)生什么？官方?jīng)]說。
騰訊的 3D 資產(chǎn)在單一場景下看起來不錯(cuò)，但它的優(yōu)勢主要體現(xiàn)在場景完整度和對輸入圖片的遵循程度，這些都是 " 看起來像 " 的指標(biāo)，而不是 " 物理上對 " 的指標(biāo)。
最后還有一個(gè)特殊的玩家：英偉達(dá)。Cosmos 平臺(tái)不生產(chǎn)世界模型，它生產(chǎn) " 生產(chǎn)世界模型的工具 "。
數(shù)據(jù)處理管線、視頻分詞器、預(yù)訓(xùn)練基礎(chǔ)模型，全部免費(fèi)開放下載。黃仁勛的算盤很清楚：無論哪條路線最終勝出，訓(xùn)練和推理都需要英偉達(dá)的 GPU。
這是最聰明的生意，不賭方向，只賭算力。
那么，這些世界模型哪些是名副其實(shí)的？一個(gè)關(guān)鍵的技術(shù)標(biāo)準(zhǔn)是：真正的世界模型必須是 " 動(dòng)作條件化 " 的，也就是說，輸入一個(gè)動(dòng)作，模型要能輸出世界狀態(tài)的變化。
你用鍵盤按 "W"，畫面里的視角應(yīng)該向前移動(dòng)；你給機(jī)器人一個(gè)抓取指令，模型應(yīng)該預(yù)測物體的位置變化。
按照這個(gè)標(biāo)準(zhǔn)，李飛飛的 Marble 就不太合格，用戶只能看，不能做。它更像一個(gè) 3D 重建工具，而不是世界模擬器。
谷歌的 Genie 3 和阿里的 Happy Oyster 雖然支持交互，但物理準(zhǔn)確性存疑。騰訊的 HY-World 2.0 輸出的是靜態(tài)資產(chǎn)，本身就不涉及動(dòng)態(tài)預(yù)測。
換句話說，目前市場上幾乎沒有一家達(dá)到了 " 完美物理世界模擬器 " 的標(biāo)準(zhǔn)。每家都在自己的能力范圍內(nèi)，選擇了一個(gè)可展示、可商業(yè)化的切入點(diǎn)。
這本身沒有錯(cuò)，錯(cuò)的是大家都在用 " 世界模型 " 這個(gè)模糊的大詞來包裝自己，讓外界誤以為他們已經(jīng)解決了所有問題。
三、那些被刻意回避的模糊地帶
只讀各家公司的新聞稿，會(huì)覺得世界模型已經(jīng)進(jìn)入了規(guī)?；涞氐那耙梗恍┍缓雎缘募?xì)節(jié)拼出了一幅截然不同的圖景。
數(shù)據(jù)問題首當(dāng)其沖。訓(xùn)練一個(gè)真正的世界模型，需要海量的 " 觀察、動(dòng)作、結(jié)果 " 三元組，但現(xiàn)實(shí)中沒有這樣的現(xiàn)成數(shù)據(jù)集。
有人用游戲數(shù)據(jù)，動(dòng)作標(biāo)簽完美，但游戲里的物理是引擎模擬的，不是真實(shí)物理。
有人用人類第一人稱視頻，最接近真實(shí)世界，但視頻里沒有動(dòng)作標(biāo)簽，而且人的頭部運(yùn)動(dòng)和手部動(dòng)作糾纏在一起，模型根本分不清是誰在動(dòng)。
還有人用真實(shí)機(jī)器人遙操作數(shù)據(jù)，保真度最高，但采集一小時(shí)數(shù)據(jù)可能要花費(fèi)數(shù)萬美元，根本跑不起來規(guī)模。
這意味著每個(gè)世界模型都有天生的 " 能力邊界 "。
評估真空是另一個(gè)麻煩。你打開任何一家世界模型公司的官網(wǎng)，幾乎都能看到 " 登頂全球權(quán)威評測榜第一 " 的標(biāo)語。
問題是，這些評測榜單本身就不成熟。有的側(cè)重視覺逼真度，有的側(cè)重物理準(zhǔn)確性，有的側(cè)重任務(wù)完成率。一個(gè)在視覺榜單上拿第一的模型，可能在物理榜單上墊底。
這種標(biāo)準(zhǔn)的不統(tǒng)一，讓各家可以各說各話。普通人根本搞不清這到底是同一個(gè)榜單的不同類別，還是營銷話術(shù)的巧妙編排。
還有一個(gè)被刻意回避的 " 不可能三角 "。
世界模型面臨三個(gè)相互制約的指標(biāo)：空間尺度、視覺保真度、實(shí)時(shí)交互性。
你不可能同時(shí)做到 " 世界很大、畫面很清晰、交互很流暢 "。李飛飛的 Marble 就是最好的例子：1.1 版本畫質(zhì)好但空間范圍有限，1.1-Plus 版本能生成大場景但畫質(zhì)發(fā)糊。
昆侖萬維的 Matrix-Game 3.0 能做到 720P 下 40FPS 的實(shí)時(shí)生成，但演示場景的風(fēng)格和復(fù)雜度都很有限。
幾乎沒有產(chǎn)品會(huì)主動(dòng)承認(rèn)自己的短板，它們更傾向于展示最優(yōu)工況下的演示視頻，而把極限條件下的失敗藏起來。這種選擇性展示正在制造一個(gè)危險(xiǎn)的泡沫。
最后，資本的狂歡也帶來了新的投機(jī)風(fēng)險(xiǎn)。
一個(gè)值得注意的現(xiàn)象是，資本從追捧 " 大廠老兵 " 轉(zhuǎn)向押注頂尖高校的年輕學(xué)者。逆矩陣科技的兩位創(chuàng)始人，一個(gè) 98 年、一個(gè) 04 年，來自北大，首輪融資超千萬美元。
他們的技術(shù)路線是 " 強(qiáng)化學(xué)習(xí) + 世界模型 "，目前只有論文，沒有產(chǎn)品。這不是說年輕人不行，而是說在范式混沌期，資本愿意為 " 定義下一代技術(shù) " 的可能性支付極高的溢價(jià)。
但大多數(shù)這樣的實(shí)驗(yàn)室項(xiàng)目，最終無法跨越 " 論文→產(chǎn)品 " 的鴻溝。Yann LeCun 這樣的圖靈獎(jiǎng)得主都承認(rèn)商業(yè)化要等幾年，更何況是剛畢業(yè)的博士生？
四、結(jié)語
世界模型的目標(biāo)，是讓 AI 能夠預(yù)測甚至干預(yù)物理世界。那么，如果 AI 的預(yù)測錯(cuò)了，誰來承擔(dān)責(zé)任？
設(shè)想一個(gè)場景：一輛自動(dòng)駕駛汽車的世界模型在仿真中 " 想象 " 出一個(gè)不存在的障礙物，導(dǎo)致車輛緊急剎車，被后車追尾。
這個(gè)鍋應(yīng)該甩給算法工程師，還是仿真數(shù)據(jù)的提供方？
再設(shè)想：一個(gè)工業(yè)機(jī)器人的世界模型錯(cuò)誤預(yù)測了零件的運(yùn)動(dòng)軌跡，撞壞了整條生產(chǎn)線。保險(xiǎn)公司的理賠標(biāo)準(zhǔn)是什么？
更極端的場景：有人用世界模型生成了一個(gè)逼真的虛假 3D 災(zāi)難視頻，在社交媒體上引發(fā)恐慌。平臺(tái)有沒有審核義務(wù)？法律如何界定這種 " 虛擬與現(xiàn)實(shí)混淆 " 的傷害？
這些問題，目前沒有任何一家公司、任何一個(gè)國家給出了清晰的答案。世界模型的倫理框架和法律邊界，遠(yuǎn)遠(yuǎn)落后于技術(shù)的發(fā)展速度。
當(dāng)資本和媒體聚焦于 " 誰能造出最逼真的虛擬世界 " 時(shí)，一個(gè)更根本的問題被擱置了：我們真的準(zhǔn)備好了嗎？
這或許才是世界模型賽道最被低估的變量。不是算力，不是數(shù)據(jù)，不是算法，而是責(zé)任。
