数据猿

大语言模型是基础，世界模型是途径，自主智能才是AI的终极奥义。

在过去两年里，大语言模型（LLM）在语言理解、文本生成、推理、指令执行等方向取得突破，使AI在理解语义层面变得越来越可靠。

然而，语言智能只是通向通用智能的一环。要让AI在懂语言的基础上，去理解真正的世界，就必须让它理解环境、感知动态、在环境中做出行动判断。这其中的关键，就是世界模型（World Model）。

世界模型的核心是让AI内部构建一个可交互的世界，要理解物理规则、模拟未来状态、预测动作结果。实现从静态图像、视频生成，逐步走向多模态、带动作控制的视觉语言动作模型（VLA，Vision-Language-Action）。

从OpenAI的Sora（文本→视频世界模拟）到DeepMind的Genie（可交互世界生成），从meta的V-JEPA 2（视觉自监督世界模型）到特斯拉在自动驾驶系统中隐含的世界意识探索，乃至国内诸如华为ADS等智驾系统，这些案例都表明世界模型正成为AI Agent化路径上的关键支点。

可以预见，未来的AI Agent很可能是LLM+世界模型+执行动作层的三层协同结构。理解这一趋势，对我们判断产业方向、技术路线、战略布局至关重要。

从语言到世界：AI理解的边界在延伸

如果说大语言模型让AI学会了理解语言，那么世界模型的出现，则意味着AI开始尝试理解世界。

在人工智能研究的脉络中，世界模型（World Model）并不是一个全新的概念。早在2018年，谷歌大脑研究科学家David Ha与瑞士AI实验室IDSIA负责人Jürgen Schmidhuber在经典论文《World Models》中提出，智能体要想高效学习，就必须在大脑中构建世界的内部模型。这种模型能够通过感知输入，去预测外部世界在未来的变化，在内部想象出一系列可能的结果，从而据此选择行动。

Sora2

几乎在同一时间，meta发布视觉自监督模型 V-JEPA（Visual Joint Embedding Predictive Architecture）。这是由Yann LeCun团队主导的项目，旨在让AI通过预测视觉序列中的时空变化，在潜在空间中理解世界的结构与规律。与生成式模型不同，V-JEPA不直接生成图像，而是学习世界的抽象表征，这是meta首次在视觉领域明确提出构建世界模型的研究方向。

Sora、V-JEPA与Genie，分别代表了世界模型演化的三个方向，生成世界、理解世界、参与世界。三者几乎出现在同一时间节点，共同组成了世界模型认知层面的突破。

而另一条更具现实意义的路径，则来自执行层面的落地。

自2023年底起，特斯拉在其自动驾驶系统FSD（Full Self-Driving）中推行端到端神经网络架构，从感知到规划再到控制，全部由统一模型完成。

马斯克将FSD V12称为世界模型驱动的驾驶系统，因为车辆已不依赖高精地图或人工编码规则，而是通过多摄像头视频流在内部重建外部环境，并实时预测交通参与者的行为。今年上半年推出的FSD V13进一步加入时序记忆与多模态预测，使这一世界模型式驾驶的雏形更趋完整。

而在国内，这样的探索思路也几乎同步落地。

比如华为在2024年4月发布ADS 3.0（乾崑），以去高精地图与世界建模感知为核心，依托多源传感重建动态场景；

小鹏在2024年5月公布XPlanner（规划与控制大模型），与感知网络XNet、车载大模型XBrain组成端到端量产栈，将长时序预测引入轨迹规划；

百度Apollo则在同月推出ADFM自动驾驶基础模型，并搭载到第六代 Robotaxi。

这些系统共同指向一个趋势，世界模型正在从虚拟场景走向真实世界，从认知世界转向执行世界。如果说Sora、V-JEPA、Genie们构建的是AI的感知与想象层，那么FSD、ADS、XPlanner、Apollo们则构建了AI的行动与落地层。前者是通往通用智能的基础，后者则是将智能具象化的通道。

中美双极：世界模型竞赛的两种路径

如今，世界模型已经成为全球AI竞争的新焦点。其中，最具代表性的当属中美之间的竞争。

这场看似关于算法的较量，背后却是认知方式与产业逻辑的分歧，也正因为这种分歧，中美两国正走在两条不同的路径上。

前文说过，在美国，OpenAI、DeepMind、Google、meta、Anthropic五大巨头构成了最具体系化的世界建模阵营。

它们的共同特征是，从语言模型出发，沿着认知生成具身（Embodied）的路线，把AI从语言理解延伸到物理模拟。

今年9月，Sora 2登场，不仅整合了音视频统一建模和动态光照控制，还新增 Cameo功能，让用户可以直接把自己嵌入生成的世界中。

今年8月，DeepMind发布Genie 3，允许从自然语言直接生成三维、可操作的虚拟世界，用户能实时控制角色，与环境交互并观察反馈。

今年6月，meta V-JEPA 2以自监督方式让AI理解视频中的时序与动力规律，成为世界模型视觉直觉的雏形。它不依赖标签数据，而是通过预测画面未来帧的方式，逼近人类感知世界的方式。

与此同时，尽管Google Gemini 2.5 Pro与Anthropic Claude 4.5不算严格意义上的世界模型，但它们都在让语言模型具备理解世界的能力，前者通过多模态语义建模理解现实逻辑，后者通过隐式因果推理保持认知一致性。

以此可见，美国的研究体系已经形成了完整的认知链条，从理解语言、预测视觉变化到生成并模拟世界。

而在中国，世界模型的侧重方向更贴近执行层面。

从智能驾驶到行业智能体，再到具身机器人，国内企业更关注AI在真实物理环境中的可感知、可预测与可执行性。可以说，中国企业更看重系统集成与工程落地。

智能驾驶之外，国内世界模型的思想和策略也正在进入更多行业场景。

比如华为盘古大模型引入物理建模框架，将世界模型理念应用到气象预测、制造、制药等工业领域；

百度文心在视频理解和数字人交互中融入动态世界建模机制，此类案例非常多，这里就不一一展开。

更具代表性的，是中国在具身智能方向的系统化突破。

过去一年，宇树、优必选、傅利叶、小米等公司，陆续推出新一代人形与四足机器人，让世界模型从算法概念真正落地到机器身体。

比如宇树发布的R1人形机器人，支持图像与语音多模态融合，可进行动态行走与交互；

傅利叶推出可遥操作的GR-3C人形机器人版本，可用于康复与人机协作；

当然，这种解读仅限于生态偏重，不涉及能力边界。

美国并非只有认知与生成。以特斯拉、Figure AI、Boston Dynamics为代表的企业，已经在构建具身智能与自动驾驶的世界建模系统建立一定优势。

国内也不止于感知与执行。万相、可灵等视频生成模型，也在构建中国版的视觉世界模拟器。

尽管中美两国为代表的世界模型演变生态逻辑不同，但从更长的技术周期看，这种分野正逐渐进化为互补关系。

世界模型的最终方向，肯定不是生成完美的视频，也不是控制一辆汽车，而是打通理解预测行动的完整闭环。从这个层面来说，中美两国正共同构建通向通用智能的现实路径。

AI的下一个临界点：世界模型接管智能体

过去十年，AI的每一次跃迁都源自输入方式的变革：文字带来了语言智能，图像催生了视觉智能，而如今，世界模型正在让AI理解现实世界，一个有时间、有空间、有因果的动态系统。

这正是世界模型的核心价值，它让AI获得了具身智能（Embodied Intelligence）的基础。

在过去的一年中，具身智能已经成为全球AI研究的共识。

如OpenAI投资的Figure AI，正在以GPT系列模型驱动人形机器人的决策系统；特斯拉的FSD与Optimus，分别在道路和工厂场景中验证世界模型驱动的闭环控制；中国的机器人企业也在让模型直接掌控传感器与电机，使算法真正落地到身体。