在2026年，"世界模型"成为人工智能领域内一个备受争议的概念。这个词涵盖了多种应用，包括能够连续生成逼真视频的模型、随时响应用户操作的数字环境、潜在空间中预测未来状态的系统，以及直接控制机器人动作的策略。尽管这些模型都涉及到信息处理，但它们的能力和应用范围却有所不同。比如，某些生成的视频虽然画质精美，但可能违反物理规律；而某些机器人虽然可以执行抓取动作，但只在特定的实验室环境中表现良好。通过单纯的演示很难确定一个系统究竟理解了多少关于视觉、物理结构、或者行动与结果之间的关联。

这种概念的模糊性使得技术评估变得复杂。不同的团队在比较画质、几何精度、预测能力和任务成功率时，可能实际上在讨论不同的问题。因此，世界模型的研究开始聚焦于一个基本问题：模型需要具备哪些能力，才能从生成内容迈向理解和改造世界的阶段？

李飞飞及其团队将世界模型按照不同功能进行了分类，划分为渲染器、模拟器和规划器，分别负责生成像素、定义世界状态和执行动作。而LeCun则强调在抽象潜空间中学习可预测的世界结构，重点是让模型能够保留促进理解、推理和规划有用的信息。

清华大学的朱军则提供了另一种视角。他在去年12月Motus发布时，首次提出"通用世界模型"的构想，并在今年3月将其定义为连接数字世界与物理世界的基础。他和他的团队在论文《General World Models from First-Principles》中进一步细化这一框架，确立了核心能力并绘制出五级进化的路线图。该论文总结通用世界模型的核心能力为理解、想象和行动。模型需要通过历史观测形成对当前情况的判断，推演不同选择可能导致的未来，然后采取行动，并通过新观测来修正自身。

在这个框架下，视频生成、实时交互、潜空间预测和机器人控制可以被视为能力进阶的不同阶段。关于世界模型距离通用智能还有多远，也可被具体化为不同的问题：它是否能够维持一个连贯的世界？能否预测干预所带来的后果？能否通过真实反馈不断学习？能够逐步形成目标并组织更复杂的行动吗？

理解世界模型的第一性原理，不妨回想一下学习骑自行车的过程。初学时，身体会变得不稳，看到车把向一侧偏离，重心下沉时，身体会自觉调整方向，随着不断练习，大脑逐渐学会预判某个动作可能导致的成果。这正是世界模型的基本内涵。1943年，Kenneth Craik提出人类会在脑海中构建关于现实的“小型模型”，以推演不同行为的后果。强化学习中的POMDP模型进一步描述了这一过程，智能体通过接受局部观察，评估世界状态，采取行动，并根据新观察更新判断。

朱军团队将这一逻辑归纳为通用世界模型的三项核心能力，它们相辅相成，形成一个持续更新的反馈回路：理解是对当前状态的信息整合，想象是推演多个未来可能性，而行动则是基于预测对环境进行干预，并通过新的观察反馈来验证和修正模型。即便是视频生成也并不足以代表整个世界模型，因为视频模型仅能预测下一个画面，而通用世界模型则需要考量“如果我改变某个条件、移动一个物体或施加某个动作，世界将会有什么不同？”这类带有行动条件的预测，恰恰涉及因果关系和反事实的思考。

朱军团队也提出了五级进化的路线，以此描述世界模型的演变过程，从生成世界（L1）到交互世界（L2），再到在世界中行动（L3），最终达到创造自主智能体（L4）与组织世界（L5）。举个例子，一只被推到桌边的玻璃杯可以用来理解这一过程。L1级别的模型生成杯子滑落和碎裂的连贯画面；L2则可以在用户改变视角或推动方向后继续演化；L3模型需要判断杯子是否会掉落，并预测抓取的时机，最终输出能够操作的动作。随着模型不断进化，L4不再仅依赖于人类的指令，而是能够主动观察和补充信息，甚至在失败后主动修正策略；而L5则涉及到多个智能体之间的协作，决定谁来抓杯子、谁来避免障碍，以及谁负责工具的调配。