从“内部世界”到虚拟造物：世界模型的前世今生

（原标题：从“内部世界”到虚拟造物：世界模型的前世今生）

图片来源于网络，如有侵权，请联系删除

文/陈永伟

图片来源于网络，如有侵权，请联系删除

8月5日，谷歌DeepMind发布了其新模型――Genie 3。

图片来源于网络，如有侵权，请联系删除

该模型能够根据用户的文本或图像提示，实时生成可供用户与AI智能体（AI　Agent）互动的3D虚拟环境。例如，用户只需输入“月球上的火山边”，Genie 3便能即时生成一片浮动的火山、黄色的大地与远处的宇宙背景，并允许用户进入探索。

相比此前的AI模型，Genie 3展现出更强的实时交互能力，并在互动时长和记忆连贯性上表现尤为出色。例如，如果用户在生成的房间墙壁上涂鸦，然后转身探索别处，那么当他稍后返回时，墙上的涂鸦依旧保留。

不仅如此，Genie 3还引入了“可提示的世界事件”（Promptable　World　Events）功能。这允许用户在交互过程中，通过新的文本指令动态改变世界。无论用户要求“加入一只奔跑的小狗”“把天气从晴天变成大雨”，还是“将环境从海边变成山上”，Ge-nie 3都能瞬间响应。

Genie 3的出色表现不仅刷新了AI生成世界的边界，也让人们看到了另一条通向通用人工智能（AGI）的路径――“世界模型”（World　Model）的希望。一时间，关于“世界模型”的讨论频频见诸媒体。

那么，什么是“世界模型”？它如何实现？又能为我们带来什么？且让我们一一道来。

世界模型简史

在人工智能领域，许多重要的模型都是模仿人类的某种能力或大脑的某种机能建立的。例如，卷积神经网络（CNN）的灵感来自生物视觉皮层感受域（receptive　field）的工作方式，Transformer模型则借鉴了人类注意力的聚焦机制。同样，世界模型的灵感源自对人脑一种重要机制的模仿――在大脑中构建并运用“内部世界”（inner　world）的能力。

设想一下，你正走在大街上，突然看见一辆汽车急速驶来。这时，你会迅速在脑中进行计算，模拟它在接下来几秒的运行方向和速度，并判断是否需要避让以及向哪个方向避让。随后，你的身体会根据大脑的判断采取行动。需要注意的是，此时你脑中的工作机制与传统机器学习有显著不同――机器学习的判断依赖于对大量数据的学习，这意味着只有在多次遭遇汽车迎面驶来并积累了统计经验后，才可能得出预测。然而，现实中这种突发情境极为罕见，人类几乎不可能仅靠经验学习来应对。事实上，面对突然驶来的汽车，人们依靠的往往不是经验，而是一种预测能力。换言之，你会在脑中提前“看到”那辆车未来的位置。这种“在心中演练未来”的能力，是人类智能最基本、也最奇妙的组成部分。

很早以前，就有人注意到人类构建“内部世界”的能力。18世纪，德国古典哲学家康德指出，人类的感知从来不是对现实的直接复制，而是在心灵内部通过某种“先验框架”加以组织和解释的。从这个意义上讲，我们所见的世界，其实是自己建构的一个版本。20世纪，心理学家皮亚杰进一步指出，儿童并非被动接收信息来理解世界，而是通过不断尝试、失败与重建，在脑中建立起一套关于世界运行规则的“心理模型”。这些模型使他们能够预判事件的后果并指导决策。正因如此，人类才能成长为拥有计划与想象力的存在。

随着现代认知科学兴起，“人类可以不依赖真实世界输入而进行‘心智模拟’（Mental　Simulation）”这一事实得到进一步证实。研究还发现，人脑会不断用感官输入来验证和修正自己的预测，使构建的“内部世界”愈加接近真实世界，并用更新的模型持续模拟现实、指导行动。

人工智能学科创立之初，专家们便开始尝试模仿人脑的这种能力。例如，维纳等人的反馈控制理论强调，智能体要与环境交互，必须对环境状态有内部表示。同一时期，“符号主义”学者尝试用逻辑规则和知识图谱构建“世界描述”，并通过推理机进行决策，在棋类、路径规划等领域取得不少进展。20世纪70年代的Shakey机器人，就已能在“内部地图”上模拟移动与避障。

进入20世纪80年代，随着统计学习方法的发展，研究者开始用概率模型刻画环境动态，并将隐马尔可夫模型（HMM）、卡尔曼滤波等先进统计方法应用于内部世界构建。这类模型的优势在于能够从数据中估计转移概率，减少对人工规则的依赖，但缺点同样明显――一旦状态空间维度上升，模型规模与计算量便呈爆炸式增长，难以适用于图像、视频等高维感知输入。

1989年，理查德・萨顿将强化学习与“内部世界”思想结合，提出Dyna架构。利用该架构，智能体既可以直接从环境中学习策略，也可利用学到的环境模型在内部进行计划（plan-ning）。显然，这一思路正是对人脑“心智模拟”功能的模仿。

1990年，时任博士生的人工智能专家于尔根・施密德胡伯（JürgenSchmidhuber）提出，理想的AI模型应像人类一样，对真实世界有全面而准确的认知，并能模拟可能发生的情况。这样的模型不仅要理解“现在”，还要想象“未来”；不仅要描述“是什么”，还要推测“会变成什么”。它不是传统的分类器或生成器，而是一种具备“时间意识”的智能体。施密德胡伯将这种理想模型命名为“世界模型”，并在博士论文中用循环神经网络（RNN）构建了一个简单版本，“世界模型”一词由此诞生。

遗憾的是，当时神经网络并非人工智能的主流方向，加之技术条件限制，该模型表现并不突出，“世界模型”这一名词在此后多年传播有限。直到2018年，施密德胡伯及其合作者发表题为《世界模型》（WorldModels）的论文，这一概念才被更多人熟知。

这篇论文之所以在多年后引发关注，原因多方面：其一，“深度学习革命”已经发生，基于神经网络的模型更易获得认可；其二，论文中的世界模型在性能上显著优于20世纪90年代的版本。但或许更重要的，是文中那幅漫画：一个人正在骑车，而他脑海中也浮现着一个骑车的人。虽无一字，却生动呈现了“世界模型”的核心――人在行动的同时，“内部世界”正模拟行动的可能结果，并据此指导行为。所谓“一图胜千言”，在人工智能领域同样适用。

随着“世界模型”思想被接受，众多研究团队投入到相关模型的开发之中。其中，谷歌DeepMind团队无疑最引人注目。早在2019年，他们推出了基于模型的智能体PlaNet，能够直接从图像学习内容，构建世界模型，并预测后续图像走向。测试显示，它只需观察前5帧，就能在给定动作序列的条件下提前准确预测接下来50步的发展。

2020年，DeepMind在PlaNet的基础上推出改进版Dreamer模型，引入递归状态空间模型（RSSM）等新技术，使其在预测与模拟性能上有显著提升。进入“生成式AI革命”阶段，尤其是在OpenAI发布Sora之后，DeepMind开始将世界模型思路应用于高质量视频生成，而Genie正是这一工作的产物。与Sora相比，Genie系列在视频精细度与流畅性上略有不足，但因其基于世界模型构建，交互性远优于Sora。这一特点，使其应用潜力大大超出视频生成范畴。

世界模型的技术实现

从本质上讲，所谓世界模型，其实就是AI的“理解引擎”。它的核心原理，用一句通俗的话概括，就是让机器先在“心里”排练一遍，再付诸行动。那么，如何实现世界模型呢？虽然技术细节十分复杂，但总体上可以分为几个主要环节。

首先是表征学习（RepresentationLearning）。在模拟现实阶段，世界模型并不需要额外的数据输入，但在构建阶段，相关数据是必不可少的。这就好比我们在大脑中想象世界之前，必须先对世界的基本结构有所了解――而要做到这一点，就必须先用眼睛看、用耳朵听，再将这些信息转化为大脑可处理的电信号。同样地，在构建世界模型时，AI需要通过传感器从外界获取各种数据输入，这些输入可以是文本、图像，也可能是声音或视频。接着，AI通过“表征学习”过程，将这些输入压缩成机器能够理解的“内部语言”。在不同应用需求下，“表征学习”会使用不同技术。例如，在学习连续潜在空间时常用变分自编码器（VAE）；在从未标注数据中提取有意义的视觉特征时，则会用到自监督视觉模型。

接下来是动态建模（DynamicModelling），这一阶段要回答的问题是：“如果我现在采取某个动作，比如前进一步，世界的状态会发生什么变化？”AI需要基于已有数据和先验知识，不断对可能的未来场景进行模拟。难点在于准确刻画现实世界中的物理规律。众所周知，传统机器学习多半学到的是相关性，而非因果关系，这在模拟中容易出错。例如，按照万有引力定律，物体被抛出后会在重力作用下下落。但如果AI的训练数据只包含抛掷羽毛的情景，它可能会错误地“学习”到物体不会下落，而是漂浮空中，从而在模拟中产生荒谬的结果。解决方法之一，是在模型结构中直接嵌入物理规律，例如依据万有引力定律和空气阻力公式设计损失函数，将其作为训练约束。另一种方法是从数据入手，确保训练样本涵盖多样化场景――既包括抛掷羽毛，也包括抛掷铅球。AI在多样化的样本中便可归纳出更普适的规律，实现更准确的建模。只有当AI“学会”并内化了物理定律，构建出的模型才具有真正价值。

第三个环节是控制与规划（ControlandPlanning）。在这一阶段，AI基于世界模型对现实进行模拟，并在众多可能方案中寻找最优策略。以躲避汽车为例，这一步就是在成千上万种闪避方式中找到最优解。不同场景下，控制与规划的方法各不相同。例如，在早期模型中，蒙特卡洛树搜索常被用于寻找最优策略；而在PlaNet、Dreamer等知名世界模型中，则通过基于模型的强化学习（Model-basedRL）在潜变量空间中进行多步规划。有些模型还会在策略优化的同时，反向优化“内部世界”本身，实现模型与策略的双向提升。

最后是结果输出。顾名思义，这一环节的任务是将模型“想象”的结果以可见、可听或可感的形式呈现出来。对于许多世界模型（如本文开头提到的Genie）而言，这一步至关重要。最常见的输出形式是视频或图像序列。实现这一目标，需要将“表征学习”过程反向执行――将AI内部的表征还原为像素。早期常用基于像素的生成模型，如卷积神经网络（CNN）解码器或自回归模型。较新的方法多采用基于潜在空间的渲染：先在低维潜在空间生成内容，再解码为像素，其效率远高于直接像素生成。如果目标不仅是“看得见”，还包括“听得到”甚至“可触摸”，则需引入更多模态的生成与渲染技术，这里不再展开。

世界模型能做什么

世界模型的出现，究竟能为我们带来什么？如果说过去的AI擅长的是“计算”“识别”或“对话”，那么世界模型则为AI打开了一扇新大门――它不仅能够“看懂世界”，还能够主动“在世界中行动”。这种能力，使它可以被应用于多个不同场景。

首先，是与“具身智能”相关的领域。这里所说的“具身智能”范围更广，既包括拥有真实机械结构的机器人，也包括虚拟游戏角色等任何具备“身体”的智能体。一旦智能体有了身体，它就可以主动移动、操作和试探。理论上，我们可以让它通过这些行动不断学习，像婴儿通过抓、摔、跳、爬来探索世界规律一样。然而在现实中，这种探索往往成本高昂，甚至存在破坏性风险，因此在实践中并不可行。比如，虽然理论上可以让机器人通过试错学习躲避汽车，但在真实环境中，只要出现一次错误，就可能导致严重损坏，学习自然无法继续。

在这种情况下，世界模型为智能体提供了一个安全的训练场。AI可以在其中反复尝试各种策略，直到找到最佳路径，再回到现实世界时，它已经是“经验丰富”的行动者。显然，这种训练方式相比传统方法不仅能显著降低成本，还能避免大量不必要的事故。施密德胡伯曾将这种在世界模型中进行训练的方式形象地称为“做梦”（dreaming），这个比喻恰当地刻画了它的特点。

其次，是“数字孪生”领域。数字孪生是指为现实世界中的实体（如工厂、城市、港口）等创建高度还原的数字副本，以此实时同步数据、预测变化。过去，即便数字孪生做得再逼真，它也只是一个被动的模型。而有了世界模型的介入，这个孪生体就能主动模拟未来、预测问题并实时响应。它不仅可以预警设备故障、识别仓储流程可能的拥堵，还能提前给出优化建议。将世界模型应用于数字孪生，不仅能显著提升自动化水平，还能实现“感知―预测―决策”的一体化跃迁。

第三，是教育与科研领域。科学家可以利用世界模型构建虚拟物理实验室，更精确地预测液体流动、粒子运动或电路反应；教育者则可以打造交互式虚拟课堂，让学生在模拟环境中亲手实验、探索知识。随着世界模型的加入，知识生产与传播的效率都将得到显著提升，整个知识产业链有望实现优化升级。

第四，是游戏和娱乐领域。在这里，世界模型就像一台自动生成可玩世界的引擎。玩家不再受限于预设场景，而是可以根据自己的行为、兴趣和指令，让AI实时生成全新世界。同时，虚拟世界中的NPC将具备更高的智能水平，与玩家进行更丰富、自然的互动，从而大幅提升游戏的沉浸感与可玩性。

如果我们把视野放得更远，世界模型甚至可能成为“虚拟社会”的基础设施。一个高度发达的世界模型，或许能够支撑数十亿人同时生活、交流和建造的数字世界。在那里，每一个人的动作与决策，都会被模型合理接收、反馈并推动演化。那时，世界模型带来的将不仅仅是游戏或模拟，而是一种全新的存在方式。

世界模型背后的隐忧

科技的每一次突破，都是一把双刃剑，世界模型也不例外。当它让AI不再只是识别现实，而是能够“创造”现实时，随之而来的伦理与治理问题正逐渐浮出水面。

第一，世界模型可能进一步模糊真实与虚拟的边界，引发“后真相”危机。它生成的内容不仅符合物理规律，还能与用户深度交互，带来的“真实感”远超当前的AI生成物。在这种情况下，“有图有真相”甚至“有视频有真相”的时代将一去不返。一旦被用于诈骗、造谣或政治操纵，其社会危害将极为严重。

第二，世界模型可能成为行为操控的工具。它不仅能建构环境，还可以通过环境反向影响用户行为。由于虚拟世界足够逼真，构建者完全可以借助物理布局、奖励机制、剧情走向等方式，潜移默化地引导用户做出特定选择。在这种情况下，人们在AI世界中的“自由选择”可能并不真正自由。如何抵御商业诱导、政治宣传和极端意识形态的渗透，在虚拟幻象中守住自我，将成为一大挑战。

第三，世界模型可能加剧人们对虚拟世界的沉迷与对现实的疏离。它能够构建一个巨大的“智能乌托邦”――既与真实世界一样真实可交互，又比现实更美好、更有回报感。在那里，人们可以轻易获得完美的社交关系、理想的职业和永恒的胜利感。然而，当沉浸其中的快感不断累积，人们面对现实的意愿和能力可能逐渐削弱，甚至丧失在现实世界生存的必要技能，最终被困于虚拟世界。

第四，世界模型可能放大偏见、歧视与社会固化。为了构建逼真的虚拟世界，它会大量参考现实世界的数据，从而吸收并重现其中根深蒂固的偏见。在AI的放大效应下，这些偏见不仅会被复制，还可能通过互动灌输给用户，使错误观念在潜移默化中得以强化。

第五，世界模型的责任归属与治理缺口亟待关注。当模型变得足够复杂时，其生成的内容与交互效果往往超出单一开发者的直接控制。这带来一个棘手问题：一旦虚拟世界出现伤害性后果，责任应由谁承担？例如，用户在虚拟世界中受到心理伤害，或被诱导做出危险行为，责任在模型构建者、平台运营方，还是用户自身？又如，当AI在虚拟训练中学会不良策略并在现实中重现，应追责于模型设计者、应用方，还是数据提供者？这些问题目前尚无明确答案，但随着世界模型的普及，迟早必须直面。

综上，世界模型虽具有巨大的应用潜力，但其伴生风险同样不容忽视。唯有提前建立伦理、法律与技术的多重防护，才能确保这项技术真正造福人类。

世界模型是通往AGI的必由之路吗

世界模型之所以在近期引发高度关注，除了其潜在应用广泛外，还有一个重要原因：不少人工智能专家认为，它才是通向“通用人工智能”（AGI）的正确道路。Meta首席AI科学家、2018年图灵奖得主杨立坤（YannLeCun）多次公开表示，世界模型不仅重要，而且几乎不可或缺。他指出，当今的大语言模型（LLM）虽能在语言空间中生成连贯文本，但从本质上看，它们缺乏对现实世界的连续表征和物理一致性推理能力。人类之所以能在复杂环境中高效学习与适应，关键在于能在大脑中构建对真实世界的模拟，并在内部模型中进行“离线思考”。这种能力不仅显著降低了试错成本，还能帮助我们更好地应对未知情境，实现知识的跨领域迁移。从目前来看，只有世界模型能够模拟人类的这一能力。因此，如果希望AI的能力接近甚至超越人类，世界模型或许是必经之路。

杨立坤的观点在AI界收获了不少支持，但也遭到同样多的质疑。一部分强调“端到端学习”和“规模驱动”的研究者，对这一观点持谨慎甚至怀疑态度。在他们看来，尽管世界模型有其价值，但AGI未必需要显式的世界模型，更谈不上是“必由之路”。例如，Deep－Mind创始人、2024年诺贝尔化学奖得主德米斯・哈萨比斯（DemisHassabis）就指出，大规模无模型（Model-free）方法在一些复杂任务中已取得令人瞩目的成绩――AlphaGoZero、AlphaStar等系统并没有显式的物理世界建模，却在多个领域表现超越人类。因此，通过类似方法模仿、逼近甚至超越人类能力，实现AGI并非不可能。

与此同时，还有学者质疑世界模型本身的发展潜力。他们认为，首先，显式的物理世界建模容易受到建模误差的限制，多步预测中的累积偏差可能严重影响规划质量，从而削弱模型性能，甚至不如普通神经网络。其次，如果目标环境过于复杂，在潜在空间中构建准确、稳定的世界模型所需成本将极为高昂，此时直接依赖强大的策略网络拟合最优行为，反而可能更具性价比。

除“世界模型派”和“反世界模型派”外，还有学者主张中间路线。他们认为，AGI未必依赖单一、统一的世界模型，而可以通过“隐式建模”获得类似能力。许多现代大语言模型和多模态模型在训练过程中，实际上已经学会了某种世界知识的结构化表示――这种表示并非工程师显式构建的物理引擎，而是以海量数据训练结果隐含在参数空间中。这种“参数即世界”的方式虽然可解释性较差，但在推理、预测、规划等任务中依然能展现出一定的世界理解。例如，GPT类模型可以通过多轮对话推演事件逻辑，甚至在虚拟物理场景中给出连贯结果。换言之，即使在模型设计时未预先植入物理规律，它们依然可能通过学习自行抽取这些规律。因此，中间路线派认为，显式物理建模并非实现世界模型的唯一途径。

那么，哪一种观点更有道理？这在很大程度上取决于我们如何定义AGI，以及如何理解“必由之路”。在AI圈内，对于AI的目标本就存在分歧：有学者认为，AI的目标是让机器像人一样思考和行动；也有人认为，目标是让机器像人类一样完成任务，而不必在机制上与人类相同。基于不同的理解，AGI的定义也有所不同：如果目标是让机器像人类一样行动，那么模拟人类构建“内部世界”的能力就必不可少；如果目标只是让机器在任务表现上不逊于人类，那么是否使用世界模型就不是必须。相比一刀切地依赖世界模型，根据任务性质选择最适合的技术路径，或许才是更为务实的通向AGI之路。

结语

几千年来，人类一直在追问一个问题：世界是如何运作的？从古代神话中的创世之神，到近代物理学的牛顿与爱因斯坦；从文学中的乌托邦，到哲学中的“物自体”与“现象界”，我们始终渴望理解世界的规律、命运与可能性。而今天，当人工智能开始尝试“创造”一个世界，它实际上也在加入这场古老的对话。

世界模型不仅是一种AI工具，更是一次对“认知本身”的挑战。它不仅试图再现世界的外观，更力图理解其机制、因果的流动，以及行动与反馈之间的微妙关系。从这个意义上看，无论它最终能否引领我们走向AGI，也无论它能带来多少直接应用，其探索价值都不可低估。