World Model 中文叫「世界模型」。技术上的定义相当朴素：它是一个学出来的函数，输入是世界的当前状态加上一个动作，输出是接下来会变成什么样。语言模型预测下一个词，世界模型预测环境的下一个状态。
区别于视频生成模型的关键在于动作条件和可交互：视频模型通常生成一段固定的片段，世界模型要能回答「如果我现在这么做，会怎样」。
先用一句话抓住它
World Model 是 AI 脑子里那个「如果我这么做会怎样」的模拟器。
生活里的类比是老司机的预判。倒车入库时，你不需要真把车倒进去才知道会不会蹭到，你脑子里已经跑过一遍：方向盘打多少、车尾会走什么弧线、后面那根柱子会不会碰到。这种「先在脑子里演一遍再动手」的能力，就是世界模型想给 AI 的东西。
为什么会出现这个词
大语言模型在文本上很强，但把它放到物理环境里就容易露怯：不理解物体不会凭空消失、不知道东西掉下去会加速、不清楚一个动作的后果会持续多久。做机器人、自动驾驶、具身智能的人需要的是对空间、时间、因果和物体恒存的建模，而不只是对语言分布的建模。
Yann LeCun 是这个方向最有名的倡导者。他 2022 年提出 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构），主张在抽象表示空间里做预测，而不是逐像素预测。理由是视频里大部分内容（树叶抖动、光线闪烁）本质上不可预测，逼网络去预测这些细节既浪费容量又会污染表示。
2026 年这个方向的资本和人事变动很密集。据 TechCrunch 报道，LeCun 在 2025 年 11 月离开 Meta 后于 2026 年初创办 AMI Labs（总部巴黎），并在 2026 年 3 月 9 日宣布完成 10.3 亿美元种子轮，专门做通用世界模型。
flowchart LR
Obs["当前观察"] --> Enc["编码器<br/>映射成抽象表示"]
Act["拟采取的动作"] --> Pred["预测器"]
Enc --> Pred
Pred --> Next["预测的下一个表示"]
Next --> Plan{"结果可接受？"}
Plan -->|否，换动作| Act
Plan -->|是| Exec["真正执行"]它通常包含什么
JEPA 的结构可以作为代表：先训一个编码器，把观察映射成表示；再训一个预测器，从「过去的表示」预测「未来的表示」，到此为止——不重建像素。LeCun 更完整的蓝图《A Path Towards Autonomous Machine Intelligence》里给了六个模块：感知、世界模型、代价模块、短期记忆、行动器和配置器，其中分层版本 H-JEPA 主张智能体应学习多层次、多时间尺度的预测表示，用来支持规划和模型预测控制。
这一脉的实际产出包括 I-JEPA（在图像的抽象表示之间比较而不是比较像素）和 V-JEPA（把这套做到视频上，学到可用于物理推理的表示）。Meta 发布的 V-JEPA 2 用一百万小时互联网视频训练，再用 62 小时机器人交互数据微调，在零样本机器人操作上达到约八成成功率。
另一条路线走的是生成式模拟。DeepMind 的 Genie 从纯游戏录像里学，没有动作标签，靠推断潜在动作空间来让生成的环境变得可交互；后续版本把帧率和一致性推到了可用水平。NVIDIA、Wayve 等公司也在做面向自动驾驶和机器人的版本。
和大语言模型、视频生成的区别
和大语言模型的区别在预测对象：语言模型预测下一个 token，训练信号来自文本；世界模型预测下一个状态，训练信号来自观察和动作的序列。两者也在靠拢——一类常见的混合思路是让语言模型负责用语言推理，让模拟模块在执行前验证动作是否物理可行。
和视频生成模型的区别在可控性和闭环。视频模型的目标是画面好看且连贯；世界模型的目标是「按我给的动作演化得对」，所以评价标准也从画质转向了闭环有用性、可控性和对决策的帮助程度。
和具身智能、强化学习的关系
强化学习里早就有「基于模型的方法」，即先学环境模型再在模型里做规划，世界模型可以看作这条思路在深度学习时代的延续与放大。对具身智能来说，世界模型的价值是在脑子里试错：真实机器人试错代价高、速度慢，能在内部模拟里预演，就能大幅减少真实交互次数。
容易误解的地方
第一个误解是以为这个词有统一定义。它被严重超载了：DeepMind 的 Genie、NVIDIA Cosmos、Wayve 的 GAIA-2、Meta 的 V-JEPA 2，以及 OpenAI 把 Sora 描述成「世界模拟器」，都在用这个标签，指的东西并不一样。听到这个词时最好先问一句「你说的是哪一种」。
第二个误解是把生成一段逼真视频等同于理解了物理。2026 年评价标准的迁移正是针对这一点：看的不再是画面像不像，而是在闭环任务里有没有用。生成模型出现「重力不对」这类失败并不罕见。
第三个误解是觉得 JEPA 路线和生成式路线必有一胜。比较多的判断是未来会是混合架构——在需要抽象时用抽象，在需要重建细节时重建，学会什么时候相信哪一种。
第四个误解是把融资规模等同于技术成熟。长时程一致性、记忆、物理真实感、基准可比性和仿真到现实的迁移，都还是没解决的问题，从理论走到商用按当事方自己的说法也要以年计。
怎么判断它该不该关心
如果你做的是文本、客服、内容或一般的企业应用，世界模型目前和你关系不大，它的落点在机器人、自动驾驶、工业仿真和游戏环境生成。
如果你在做具身相关的方向，值得关心的是三件事：这个模型是不是动作条件的（能不能回答「如果这样做会怎样」）、评测是不是闭环的（有没有在真实任务上验证，而不只是看视频质量）、以及它在长时程上会不会漂移。这三点比参数量和演示视频更能说明它有没有用。