世界模型

什么是世界模型

世界模型（world model）是一种机器学习系统，它学习环境的内部表示，并预测环境会如何随动作改变^[1]。普通的模型往往只关心「看到什么、该做什么」，世界模型则多走一步：它在内部建立起关于环境如何运转的表征，再用这套表征去做规划、推理和行动^[1]。

这一思路在强化学习（reinforcement learning）中最为关键。智能体要在真实环境里学习，每一步都可能很慢、很贵，甚至不安全。在强化学习中，世界模型就是一台从经验中学出来的模拟器，它让智能体不必在真实环境中反复试错，也能模拟出各种结果^[1]。

怎么工作

典型的世界模型把原始观测压缩成潜在表示，再预测未来的表示，并在嵌入空间（embedding space）里最小化预测误差^[1]。压缩这一步很关键：原始画面或传感器读数包含的细节远多于智能体真正需要的，于是模型只保留一个紧凑的向量，学的是下一个向量，而不是下一帧画面。

预测器训练好之后，智能体就能在这个学到的模型里设想各种结果，并在其中规划行为，MuZero 以及 Hafner 等人的潜在动力学规划就是这样做的^[1]。

一个简单的例子可以说明这个过程：智能体拿到一帧场景图像，先用编码器把它变成一个短向量；给定一个候选动作，模型预测接下来应当出现的向量。智能体可以在这一空间里把几组候选动作往前推演，比较预测出的向量与自己想要的结果，然后才回到真实环境中执行。整个过程不需要把向量还原成像素。

从哪来

Jürgen Schmidhuber 在 1990 年最早使用「世界模型」这个词，当时用循环神经网络（recurrent neural network）预测未来状态^[1]。同一年，Richard Sutton 提出 Dyna 架构，把学习、规划和反应整合在一起^[1]，这正是后来的世界模型智能体所依赖的分工：从真实经验中学习，借助模型做规划，然后行动。

这条研究线因 David Ha 与 Schmidhuber 的《Recurrent World Models》而广为人知，该文于 2018 年发表^[1]。这篇世界模型论文最早于 2018 年 3 月提交，用无监督的方式训练一个强化学习环境的生成式神经网络模型，学到压缩的空间与时间表示^[2]。从世界模型中提取的特征被作为智能体的输入，从而让一个紧凑、简单的策略就能完成任务^[2]。这项工作最引人注目的一点是：作者让智能体完全在自己的「幻觉梦境」中训练，这个梦境由世界模型生成，然后再把学到的策略迁移回真实环境^[2]。

今天用在哪里

Hafner 等人发展的 Dreamer 系列（分别报道于 2019 年和 2025 年）是这一方向上被广泛关注的一条线^[1]。除了研究中的智能体，世界模型也越来越多被用来描述生成可交互环境的系统：DeepMind 的 Genie 在 2024 年出现，Genie 3 在 2025 年 8 月提供了实时可交互的世界^[1]。Meta 于 2025 年 6 月发布 V-JEPA 2，Waymo World Model 与 Nvidia Cosmos 3 在 2026 年紧随其后^[1]。

局限

有两点需要留意。其一，预测发生在嵌入空间里，而不是通过重建像素来完成；视频预测的准确率并不一定反映真实任务上的表现^[1]。一个模型可以生成看起来很合理的未来画面，却在真正影响决策的地方出错。其二，物理一致性仍然薄弱：V-JEPA 2 在 IntPhys 2 上的得分接近随机水平^[1]。在普通视频上预测得好的系统，仍可能在最基本的物理预期上失败。