# 正名：什么是世界模型 LLMS 索引： [llms.txt](/llms.txt) --- ## 一、名之乱 2025 到 2026 年，「世界模型」大概是 AI 圈里最热、也最松的一块招牌。 做视频的说，能生成连贯画面就是世界模型；做三维的说，能重建空间才算；做机器人的说，能在脑子里预演动作后果才算； [李飞飞写长文，说语言不够用了](https://drfeifei.substack.com/p/a-functional-taxonomy-of-world-models)，还引用了维特根斯坦那句名言： 「我的语言的界限，即是我的世界的界限。」 顺带记一笔：这句话出自一九二一年的《逻辑哲学论》。 那时的维特根斯坦相信，语言有精确的逻辑结构，每个词对应一个确定的事实。 三十年后，他亲手推翻了自己。这条线先按下不表，文末再收。 LeCun 反对纯自回归路线，押注他的 JEPA，也把预测性的内部表征放进了这个框子。 促使我动笔的，[是一篇奇文](https://mp.weixin.qq.com/s/wQv_7RzTC0t_vfG_JpK1RA)。 它把世界模型的路线之争，讲成了玄学的门派之争，一一对号入座，妙趣横生； 末了还留下一句问话：「大师，您算得准吗？」 这一问，问对了方向，只是还不够具体。 本文想做的，就是把它问具体。 而要问具体，得先把「世界模型」四个字拆开，看看每一个字，各自承诺了什么。 四拨人用同一个词，指着四样不同的东西。 一个词能同时指视频生成器、三维场景、物理引擎和机器人规划器，说明它不是没有含义，而是把内核、接口和能力搅成了一锅。 这种时候，与其急着给某条路线发一张正统证书，不如先做一件更笨的事：把这个词拆开。 什么是「世界」？什么是「模型」？两个字合在一起，到底承诺了什么？ 孔子说「必也正名乎」。名不正，则言不顺。 有意思的是，当你真的把这两个词拆到词根，会发现古人早已把一部分答案，一笔一画地刻在了字里。 --- ## 二、「世界」：时间、边界，和身在其中的那个人 「世界」作为一个重要的佛教术语，与梵语 loka-dhātu 的汉译传统密切相关。 要追它的本义，只能把「世」和「界」两个字分开来看。 拆开来看，线索就清楚了。 > **「世」——《说文》：「三十年为一世。」** 这里的关键是：「世」是个时间单位，不是空间。 三十年为一世，父子相继为一世，「世代」「世袭」都从这里来。 佛家讲得更透，用「迁流」二字解它：有过去、现在、未来，有状态的流变，才有「世」。 > **「界」——《说文》：「境也。从田，介聲。」** 「界」从「田」，本义是田地的疆界、边缘。 它回答的不是「宇宙到底有多大」，而是一个实际得多的问题：你究竟在划出哪一块地？ 两个字合在一起，「世界」便有了两层明确的含义。 **世，是时间**——世界不是一张静止的截面，而是一个会往前走的过程。 **界，是边界**——世界不必包罗万象，但必须说清自己的边界画在哪儿。 这比把「世界」直接等同于「宇宙」有用得多。 棋盘是围棋程序的世界，道路是自动驾驶的世界，手术台是手术机器人的世界。 对围棋程序来说，窗外下不下雨无所谓； 对自动驾驶来说，路面、车流、行人、红灯，乃至旁边司机脑子里的那点小算盘，全都落在「界」内。 世界不是越大越真——边界画窄了，会漏掉决定成败的变量； 画宽了，又会把有限的算力浪费在无关的细节上。 到这里，中文已经给了世界一副骨架：时间的经，空间的纬。 但还缺一样东西，而英文恰好补上了这一笔。 英文 world 来自古英语 weorold，可以再往下拆成两个更老的词根：**wer + eld**。 eld 好懂，是「年岁、时代」，和 old 同源。 关键在 wer——它的意思是 **「人」**。 这个词根你在别处见过：werewolf，就是 wer（人）+ wolf（狼），意为狼人。 所以，world 的字面本义是 **the age of man**，也就是「人的时代」「人世」。 古英语里，它甚至不太指地球，而是指人的一生、人的处境、人间此世（与来世、天堂相对）。 这就是为什么英文里有 this world and the next，也有 worldly——world 天生带着人间烟火气。 我们说「儿童的世界」「商业世界」「游戏世界」，说的从来不是宇宙， 而是某个人身在其中、看得见、动得了、要承担后果的那一小片现实。 于是中文和英文，各交出了一半答案： **中文的「世界」，是客观的时空——世为经，界为纬，里头有没有人无所谓。** **英文的 world，是主观的人间——wer 就在词根里，没有那个人，也就没有 world。** 两个文明给同一个概念命名，一个抓住了骨架，一个抓住了骨架里的那口气。 如果再把视线转向拉丁语，会发现古人对「世界」还藏着第三层理解，也是最深的一层。 拉丁语管世界叫 **mundus**（法语 monde、西班牙语 mundo 都从它来）。 但 mundus 最早并不是名词，而是形容词，意为 **「干净的、整洁的、有秩序的」** （它也是英文 mundane 的祖先，反义词 immundus 意为「肮脏」）。 它怎么就成了「世界」？ 因为它是希腊语 **kosmos** 的直译，而 kosmos 的本义正是 **「秩序、和谐、美」**。 英文 cosmetics（化妆品）和 cosmos（宇宙）都与它同源。 希腊人为什么管宇宙叫 kosmos？ 因为他们抬头看见星辰运转，秩序井然，美得像一件被精心安排过的作品。 罗马人翻译这个概念时，就挑了拉丁语里同样兼有「秩序」与「洁净」双关的那个词：mundus。 于是，「世界」的第三层含义浮出水面，而这一层，中文和英文都没有说破： **世界不是一堆东西的随机堆积，而是一个有序、有规律、因而可被理解的整体。** 这句话平常，却是整件事的地基。 一个纯粹混沌、毫无规律的东西——白噪声——根本不配叫世界，因为你对它无话可说，也无从下手。 世界之所以是世界，前提是它有序； 也正因为有序，它才可能被一样东西捕捉、压缩、复现——那样东西，叫模型。 --- ## 三、「模型」：一个负空间，一把尺子 拆完「世界」，再拆「模型」。拆开才发现，它和「世界」恰好严丝合缝。 > **「型」——《说文》：「铸器之法也。从土，刑聲。」** 「型」是铸造用的模子、范，就是往里浇铜水的那个空腔。 它是一块 **负空间**：正因为型腔排除了别的形状，浇进去的铜才会长成你要的样子。 所以，「型」的第一层意思是 **约束**。 一个什么结果都允许、什么现象都能事后圆回来的系统，并不是一个强大的模型，而是一个没有信息量的模型。 模型的尊严，首先在于它敢说：什么可能发生，什么绝不可能。 > **「模」——《说文》：「法也。从木，莫聲。」** 「模」不只是某一个具体的模具，还引申为标准、样板和可依循的法则（模范、模式、楷模都从这里来）。 模具存在的意义，不是记住某一块已经铸好的铜器，而是 **反复浇出同一类形状**。 所以，「模」的意思是 **可复用的规律**。 模型不能只背下「这一次发生了什么」，还得抽出「这一类事情通常怎么发生」， 把个别经验压成能够迁移、重放，并外推到未见情况的法则。 英文 model 又补上了第三层含义。 它经由拉丁语 **modulus**（小尺度、小度量），追溯到 **modus**（方式、尺度、分寸）。 这个词根提醒我们一件中文容易忽略的事：**模型从来不是原物本身。** 地图不是领土，沙盘不是山河，天气模型也不是那片天。 模型必然有损，必然会舍弃绝大多数细节，只留下与眼下这件事有关的那些差异。 真正要问的从来不是「它丢没丢信息」，而是「它丢掉的信息，会不会影响我关心的那个后果」。 三层词义，三条规矩：**型是约束，模是规律，modus 是尺度。** 把它们和「世界」焊在一起，「世界模型」就不再是「把整个宇宙塞进一块芯片」这种幼稚的野心， 而变成了一句冷静得多的话： > **世界模型，是对一个有边界、会演化的过程所做的可执行有损压缩。** 拆开来说，它做三件事。 第一，它把纷乱的观测压缩成一个内部状态——这个状态可以是像素、三维点云、物理变量， 也可以是一串人类根本看不懂的隐向量，形式并不重要。 第二，它知道这个状态如何往前走——给定此刻的状态和一个动作，它能推出下一刻。 第三，它能把内部状态投影成你要的输出——一帧画面、一个坐标，或一次碰撞的结果。 所以，世界模型不是一张世界的缩略图，也不是一个装满事实的数据库。 它更像一台 **可以往前拨的状态机**：拨一格，世界继续发生；换一个动作，它就走向另一条岔路。 而正是「换一个动作会怎样」这个问题，把它和一张漂亮的图、一段逼真的视频彻底分开了。 这道分界线，Judea Pearl 用一辈子量清楚。 --- ## 四、Pearl 的因果阶梯：模型究竟能回答什么 [Pearl 把因果推理分成三层](/ai/cerebellum/#六pearl-的那道墙)，这套区分也适合用来判断世界模型能回答哪些问题。 **第一层，关联，「看见」。** `P(Y|X)` 看到 X，Y 出现的概率怎么变？ 路面湿了，打滑的概率是不是更高；刹车灯亮了，车通常会不会减速。 关联能很好地总结数据，却不必知道到底是谁导致了谁。 **第二层，干预，「动手」。** `P(Y|do(X=x))` 我主动把 X 拨成某个值，Y 会怎样？ 看见刹车灯亮、车随之减速，是关联；我自己一脚踩下刹车、车怎么减速，才是干预。 这件事，游戏工程师早就用代码写明白了。 经典即时战略游戏用确定性锁步来同步多台机器：网络里传输的主要是玩家指令，而不是每个单位在每一刻的完整状态。 只要各台机器从相同的初始状态出发，按相同顺序执行相同指令，再运行同一套规则， 就能得到分毫不差的同一个世界。 《帝国时代》当年就是这样，在拨号网络上同步了上千个单位。 请注意这套架构的言外之意：在状态转移函数的输入里，动作与自然律平起平坐—— 动作不是画面生成之后补上的标签，它直接参与状态转移。 一九九七年的工程师没读过 Pearl，但他们的代码站在第二层。 **第三层，反事实，「想象」。** 这一次的事已经发生了，如果当时换一个做法，同一个场景、同一件事本来会怎样？ 这是追悔，是「早知道」，也是「本可以」。 这三层不是三种互不相干的模型，而是在区分模型能回答到哪一步。 根据历史预测下一步，已经是一种有用的能力。 能比较不同动作的后果，才能直接支持规划。 能针对已经发生的事情回答「如果当时……」，要求就更高。 一个模型不必达到第三层才算世界模型，但它处在哪一层，决定了它能被拿来做什么。 实际讨论中，下面两件事最容易被混为一谈。 **第一，输入里有动作，不等于模型理解了干预。** 把「向左」「向右」两个 token 放进输入，只能说明模型接受动作条件。 如果训练数据里「向左」总和某类场景、某种驾驶策略一起出现， 模型可能只记住了这种搭配，并没有学会「向左」本身会怎样改变后续状态。 要证明模型真的理解了动作的作用，就要改变场景、操作者或动作分布， 再看它能否正确预测同一动作的后果。 否则，它学到的只是数据里的相关性，而不是能够复用的状态转移规律。 **第二，能生成另一段视频，也不等于完成了反事实推演。** 反事实问的是：同一件已经发生的事，如果只换掉其中一个动作，结果会怎样。 因此，模型需要尽量固定当时的场景、人物和其他背景条件， 只替换要考察的动作，再推演新的结果。 如果只是从一个相似状态重新生成一段看起来合理的视频， 那只是另一个可能的样本，不是对这件事的反事实回答。 这两个区别最终落到同一个标准：模型必须给出可以事先检验、也可能失败的答案。 这也是「大师，您算得准吗」真正对应的技术问题。 算命的毛病不在于它没有一套说辞， 而在于任何结果都能被事后解释，几乎没有明确的失败条件。 技术模型恰恰相反：预测错了就是错了，不能靠补充解释把所有结果都包进去。 一个永远不会错的系统，不是技术模型，而是一套信念。 --- ## 五、状态的光谱：五条路线，五门玄学 Pearl 的梯子爬到这里，可以回头俯瞰山下的战场了。 「世界模型」这块招牌下，至少插着五面大旗。 有人用像素造世界，有人用三维几何造世界，有人把世界压进一串人读不懂的向量， 有人直接写物理方程，还有人宣称能算出「我出手，天下将如何」。路线之争打得热闹，火力大多倾泻在表示层： 像素派笑几何派数据金贵，几何派笑像素派穿模露怯，隐空间派笑前两派把算力浪费在「给人看」上。 开篇提到的那篇文章，把这场路线之争翻译成了玄学的门派之争： 看像素的是面相，勘几何的是风水，读隐向量的是卜卦，推演因果的是五行，测算干预的是奇门遁甲。 这个映射乍看是段子，细看是把一件抽象的事变得可感了。它背后有一台真正的发动机，值得郑重转述—— **观测，不等于状态。** 你能拿到手的永远只是观测：视频、照片、传感器读数，或者命主的生辰八字。而模型心里装的是状态。 状态定义在哪一层，是每条路线的第一个分岔，也是那篇文章给出的最锋利的一把尺子： **状态定得越浅、越贴近观测，数据越便宜，闭环越快，天花板越低； 定得越深、越贴近因果机制，离观测越远，数据越稀缺，验证越苦，但泛化越强，天花板越高。** 用前文拆过的字来说，这是「界」的问题：你把内部世界的界，画在现象上，还是画在机制上。 **面相派，像素的世界。** 状态就是一帧画面里的全部像素。 数据最易得：互联网上的视频、影视剧、监控录像，全是现成的粮草。 闭环最快：生成的片子顺不顺眼，人眼一看便知。 承诺也最浅：看起来对，就算对。 它站在阶梯第一层，做的是关联——见过足够多的「这一帧」，就能续写「下一帧」。 可棉花球撞上铁球，它并不欠你一个物理正确的结果。 难怪那篇文章调侃，AI 短剧在修仙魔幻赛道上一骑绝尘：那个世界本来就不讲物理。 **风水派，几何的世界。** 状态升维成三维空间里的位置、形状与表面结构，点云或者高斯泼溅。 数据贵了一个量级：要多视角拍摄，要激光雷达和深度相机，互联网上的散装视频不够用了。 闭环换成一把真正的尺子：重建出的坐标，与真实坐标差几毫米。 可它回答的仍是「换个角度看是什么样」——重建与外推，依旧是第一层。 风水师勘得出形与势，答不上力从何来：几何一致，不等于物理正确。 落地在数字孪生、AR 导航、自动驾驶的场景理解。 **卜卦派，隐空间的世界。** LeCun 的 JEPA 走得最决绝：状态是一串高维向量，没有物理意义，不供人阅读—— 机器理解世界，凭什么要翻译成人话？ 它看一场篮球赛，把「三号球员在三分线外、球要往哪飞」留下， 把汗珠、鞋纹、观众席一概扔掉，然后在压缩过的空间里做预测。 这一手，游戏引擎其实做了三十年：镜头外的不渲染，远处的降精度，长期静止的停掉物理计算—— **丢掉无关细节叫压缩，丢掉会改变结果的信息，才叫模型误差。** 卜卦派真正的麻烦在验收：用隐空间的误差，去验证隐空间的预测，等于用一把尺子证明这把尺子准—— 那篇文章的比方是，卜卦师说「我的卦准不准，得用我的卦来算」。 卦象可以不供人读，但卦准不准，不能由卦自己说了算。 它需要外部的闭环来赎身：下游任务，机器人控制，真实世界里的一次碰撞。 **五行派，物理因果的世界。** 状态是质量、速度、摩擦系数、弹性模量，以及变量之间的因果结构—— 不记这东西长什么样，只记它为什么这么动。 数据最贵：要么真实世界里的高精度传感器，要么仿真引擎生成， 而仿真与现实之间，横着一道填不平的 sim-to-real 沟壑。 但它握着全场最硬的闭环：物理正确性可以验证，而且 **验证比预测容易得多**—— 判断一次碰撞有没有穿模，比预测碰撞的完整结果容易一个量级，奖励信号因此格外干净。 它也真正站上了第二层：动作写进了动力学方程，推一把，世界就实实在在地变了。 落地在工业机器人、手术机器人、自动驾驶的边缘场景—— 穿模一次是废品、碰错一次是事故的地方。 也正因为代价真实，它对误差最不宽容： 平台跳跃游戏允许角色在空中转向，赛车游戏悄悄调高抓地力，那是为手感服务的假物理，游戏内自洽即可； 机器人仿真器骗不得，它的物理必须能带出仿真、活进现实。 **用途决定哪些误差可以忍，哪些误差会要命。** **奇门派，因果干预的世界。** 说到这里要停一停：第五路和前四路，根本不在同一个维度上。 前四路争的是状态的表示——像素、几何、隐向量、物理量； 奇门派提的是能力的要求——不只问「会怎样」，还要反过来问「我该在什么时机、做什么，才能让它变成我要的样子」。 **它不是一种新的表示方法，而是对模型能力的要求。** 同一个像素模型、几何模型或隐空间模型，可能只会根据历史续写未来，也可能进一步比较不同动作的后果。 关键不在内部状态长什么样，而在动作是否真正参与了状态变化，模型又是否经过相应的训练和检验。 这正是沿着阶梯向上爬：从关联，到干预，再到反事实。 于是，这张门派地图上其实画着两条轴。 **横轴是表示的深浅**：状态定在现象还是机制。 它决定成本曲线——数据从哪来，闭环有多快，一轮迭代烧多少钱。 **纵轴是能力的层级**：模型能回答 Pearl 阶梯的第几层。 它决定天花板——是只会续写历史，还是能替你掂量一个从没做过的动作。 路线之争的火力，大多倾泻在横轴上；真正分出高下的，是纵轴。 拿这两条轴去量：面相与风水站在第一层； 卜卦志在为第二层打地基，验收却常常停在第一层； 五行踏上了第二层；奇门直指第二层与第三层。 而无论旗号是哪一面，纵轴上的位置都得靠训练与检验挣来，不靠宣称。 纵轴上还得再分清三样东西：世界模型、目标函数和规划器。 世界模型回答「做这个动作，会发生什么」； 目标函数判断「哪种结果更好」； 规划器据此选择「现在该做什么」。 三者经常组合在同一个系统里，但并不是一回事。 即使世界模型预测得很准，目标设错了，或者规划过程不充分，系统仍然可能选错动作。 **世界模型提供行动的后果，不提供行动的目的。** 所以，评价一个系统时，与其争论它属于哪一派，不如把三个问题问清楚： 它怎样表示当前状态，怎样预测状态变化，动作又以什么方式进入模型。 答案写清楚了，这个系统到底做到了什么，自然也就清楚了。 那篇文章的结尾，引了菩提祖师的一句话：「道字门中有三百六十傍门，傍门皆有正果。」 又翻出边上一行小字批注：「要知些子玄关窍，不在三千六百门。」 傍门皆可成正果——五条路线，各自都能在自己的用途里修成正果，前提是闭环自洽、误差有主。 而玄关窍确实不在门派，在这两条轴上：**状态定在哪一层，问题答到第几层。** --- ## 六、正名之后 绕了一圈，现在可以给出一个不那么炫目，但经得起追问的定义： > **世界模型，是一个面向特定行动者和任务的内部环境模型。** > **它把观测历史压缩成与任务有关的状态，并预测状态如何变化；** > **能力更强的模型，还能比较不同动作的后果，回答干预与反事实问题。** 它不必装下整个宇宙，不必使用人能直接看懂的变量，也不必精确预测唯一的未来。 真实环境本来就可能带有随机性，也往往只能被部分观测， 其中还可能存在其他有自己目标的行动者。 **世界未必有目的，模型一定有用途。** 模型为谁服务、要解决什么问题，直接决定它保留什么、忽略什么，又如何接受检验。 关键不是模型包含多少内容，而是它能否说清自己的边界、用途和可靠程度。 沿着我们拆过的这一路——中文的时空、英文的人、拉丁语的秩序、模型的约束与尺度、 Pearl 的三层能力、五条路线的两条轴——这份承诺可以归结为六个问题。 **世**：它能处理多长时间范围内的变化？ **界**：它覆盖现实的哪一块？状态定在现象上，还是机制上？边界之外的影响，怎么进来？ **人**：它为哪个行动者服务？哪些动作能够真正改变内部状态？ **模**：它抽出了哪些可复用的规律？是统计的相关，还是因果的机制？ **型**：它排除了哪些不可能的状态与变化？ **度**：它在哪个尺度上有效？误差怎样衡量，什么结果算失败？ 把这六个问题问清楚，「世界模型」才会从一个宽泛的标签，变成一组可以检验的技术声明。 这也解释了为什么两个看似相反的判断可以同时成立。 说「世界模型毫无定义，只是泡沫」，并不准确： 它有一个清楚的内核，就是建立关于环境状态及其变化的内部模型，让预测服务于行动。 说「世界模型的定义早已完全确定，没什么可争」，也不准确： 状态可以定在不同的层，能力可以停在不同的级。 它有清楚的内核，也有宽泛的边界。 所以，那句「大师，您算得准吗」没有错，只是还不够具体。 更完整的问法是： > **大师，您算的是谁的世界？边界画在哪里？面对什么动作？能看多远？** > **您回答的是关联、干预，还是反事实？误差用什么衡量，什么结果算失败？** > **——以及，什么情况下，您愿意承认自己算错了？** 好的世界模型，不会试图把整个世界塞进一块芯片。 它要做的，是让行动者在现实中付出代价之前， 先在一个受约束、可检验的内部世界里，把这一步走一遍——走错了，就回滚重来。 **现实没有回滚，这正是我们需要一个内部世界的理由。** 必也正名乎。名正，而后才谈得上：谁真的算得准。