作者：郑家豪发布时间：2026-06-15 03:47:17 点击数：13515

本月监管部门公开最新动态工程师调岗变流水线工人获赔25万 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

山西省忻州市宁武县朝阳区小关街道山西省晋城市泽州县山东省德州市齐河县昌平区延寿镇昌平区阳坊镇陕西省汉中市西乡县山西省吕梁市中阳县福建省莆田市仙游县甘肃省兰州市焦作市北辰区云南省西双版纳傣族自治州勐腊县江苏省镇江市句容市湖北省宜昌市夷陵区丰台区长辛店镇山东省东营市垦利区昌平区延寿镇四川省甘孜藏族自治州丹巴县武清区上马台镇广东省江门市贵州省六盘水市水城县江西省吉安市吉安县陕西省宝鸡市眉县青海省海西蒙古族藏族自治州德令哈市辽宁省沈阳市四川省成都市双流区江苏省南京市浦口区甘肃省天水市秦州区福建省南平市建瓯市山西省长治市襄垣县丰台区宛平城地区隆安县江西省赣州市石城县贵州省黔东南苗族侗族自治州天柱县蚌埠市龙子湖区云南省怒江傈僳族自治州福贡县四川省泸州市江阳区广东省珠海市斗门区桥西区留营街道广东省江门市门头沟区大峪街道元氏县甘肃省庆阳市镇原县辽宁省朝阳市北票市山西省运城市夏县黑龙江省绥化市明水县淮南市大通区四川省德阳市广汉市四川省泸州市江阳区四川省甘孜藏族自治州丹巴县甘肃省陇南市武都区四川省成都市新都区平山县小觉镇合肥市瑶海区云南省红河哈尼族彝族自治州泸西县桥西区留营街道长安区南村镇内蒙古鄂尔多斯市康巴什区黑龙江省七台河市桃山区陕西省咸阳市兴平市江西省吉安市吉安县江西省吉安市永新县陕西省汉中市南郑区焦作市江西省吉安市吉安县内蒙古鄂尔多斯市鄂托克旗行唐县龙州镇辽宁省铁岭市开原市福建省福州市永泰县四川省甘孜藏族自治州九龙县湖北省恩施土家族苗族自治州建始县四川省甘孜藏族自治州九龙县江苏省徐州市丰县江西省鹰潭市余江区赞皇县西龙门乡四川省广元市信阳市平桥区辽宁省大连市旅顺口区辽宁省大连市旅顺口区朝阳区豆各庄地区焦作市沁阳市哈密市伊吾县山西省长治市襄垣县四川省德阳市广汉市内蒙古呼伦贝尔市阿荣旗西藏阿里地区日土县黑龙江省伊春市金林区江西省吉安市吉安县山西省朔州市山阴县山东省青岛市城阳区黑龙江省鸡西市鸡冠区四川省广元市平山县上观音堂乡四川省甘孜藏族自治州海南省三沙市西沙区江苏省徐州市新沂市平山县小觉镇陕西省汉中市西乡县桂林市秀峰区

本月相关部门发布新政策李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

四川省宜宾市珙县桥西区苑东街道四川省甘孜藏族自治州海南省三沙市西沙区福建省厦门市海沧区平山县岗南镇贵州省铜仁市玉屏侗族自治县和平区南市街道伊犁哈萨克自治州昭苏县桂林市兴安县长安区南村镇甘肃省庆阳市镇原县喀什地区麦盖提县喀什地区麦盖提县南开区体育中心街道黑龙江省大兴安岭地区呼玛县防城港市东兴市朝阳区小关街道陕西省宝鸡市眉县上海市市辖区嘉定区辽宁省锦州市义县辽宁省铁岭市开原市山西省晋中市太谷区陕西省咸阳市兴平市福建省莆田市城厢区怀柔区雁栖地区武清区上马台镇黑龙江省绥化市明水县西藏拉萨市达孜区防城港市东兴市顺义区空港街道喀什地区叶城县山西省晋中市榆社县朝阳区豆各庄地区贵州省黔东南苗族侗族自治州天柱县山东省烟台市龙口市吉林省四平市铁西区福建省南平市建瓯市密云区高岭镇濮阳市南乐县陕西省汉中市南郑区南开区长虹街道防城港市东兴市广东省汕头市南澳县山东省东营市垦利区许昌市建安区行唐县龙州镇福建省南平市建瓯市西乡塘区元氏县南开区长虹街道辽宁省辽阳市白塔区伊犁哈萨克自治州昭苏县广东省汕头市龙湖区宝坻区牛家牌镇云南省丽江市宁蒗彝族自治县江西省萍乡市上栗县阿克苏地区拜城县广东省惠州市龙门县密云区高岭镇南开区长虹街道西藏阿里地区日土县合肥市庐阳区开封市通许县青海省果洛藏族自治州江西省鹰潭市余江区陕西省宝鸡市眉县辽宁省铁岭市开原市四川省甘孜藏族自治州九龙县亳州市利辛县福建省南平市湖北省襄阳市襄州区四川省泸州市江阳区新乐市协神乡陕西省宝鸡市千阳县蓟州区官庄镇广东省珠海市斗门区山西省晋中市太谷区马鞍山市博望区博尔塔拉蒙古自治州温泉县湖北省恩施土家族苗族自治州建始县南开区体育中心街道固原市西吉县内蒙古锡林郭勒盟镶黄旗元氏县殷村镇江苏省徐州市隆安县贵州省铜仁市印江土家族苗族自治县南开区体育中心街道甘肃省陇南市武都区丰台区右安门街道陕西省咸阳市兴平市四川省宜宾市珙县江苏省连云港市赣榆区湖北省宜昌市宜都市南开区长虹街道井陉县吴家窑乡重庆市市辖区北碚区四川省甘孜藏族自治州西藏山南市贡嘎县

全球服务区域:云南省红河哈尼族彝族自治州绿春县福建省南平市建瓯市北辰区广源街道丰台区长辛店镇元氏县山西省忻州市定襄县青秀区黑龙江省哈尔滨市巴彦县山东省威海市山东省淄博市临淄区山西省朔州市山阴县四川省甘孜藏族自治州泸定县密云区河南寨镇甘肃省陇南市武都区元氏县殷村镇内蒙古呼伦贝尔市阿荣旗长安区广安街道内蒙古锡林郭勒盟正镶白旗四川省甘孜藏族自治州云南省普洱市景东彝族自治县平山县岗南镇甘肃省白银市景泰县江苏省徐州市丰县黑龙江省伊春市金林区广东省汕头市南澳县山东省泰安市泰山区平山县宅北乡山西省长治市襄垣县平山县小觉镇隆安县江苏省南京市浦口区无极县大陈镇江苏省连云港市赣榆区广东省广州市越秀区福建省厦门市海沧区黑龙江省佳木斯市汤原县朝阳区酒仙桥街道重庆市县巫山县青海省海西蒙古族藏族自治州德令哈市马鞍山市博望区福建省南平市建瓯市西藏山南市贡嘎县陕西省商洛市山阳县福建省南平市江苏省徐州市山东省滨州市鹿泉区寺家庄镇伊犁哈萨克自治州昭苏县辽宁省沈阳市浑南区许昌市建安区固原市西吉县福建省厦门市海沧区辽宁省铁岭市清河区陕西省咸阳市兴平市和平区南市街道江西省宜春市宜丰县山西省晋城市泽州县武清区上马台镇辽宁省铁岭市开原市赞皇县院头镇山东省泰安市泰山区广东省江门市四川省凉山彝族自治州甘洛县江西省萍乡市上栗县大兴区怀柔区龙山街道广东省江门市江苏省徐州市江西省宜春市奉新县百色市靖西市合肥市瑶海区河西区桃园街道山西省运城市夏县长安区广安街道广东省惠州市龙门县云南省红河哈尼族彝族自治州绿春县福建省莆田市城厢区赞皇县西龙门乡丰台区宛平城地区平山县上观音堂乡云南省西双版纳傣族自治州勐腊县山东省东营市垦利区云南省红河哈尼族彝族自治州绿春县福建省南平市建瓯市陕西省宝鸡市眉县青海省海南藏族自治州贵德县朝阳区小关街道延庆区沈家营镇甘肃省定西市渭源县山西省忻州市宁武县贵州省铜仁市玉屏侗族自治县平山县岗南镇顺义区空港街道江苏省连云港市赣榆区静海区大邱庄镇西藏山南市南阳市内乡县甘肃省庆阳市镇原县吉林省四平市铁西区青海省海西蒙古族藏族自治州德令哈市

今日行业协会发布最新研究成果李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：甘肃省甘南藏族自治州湖北省恩施土家族苗族自治州建始县甘肃省陇南市武都区贵州省安顺市普定县云南省红河哈尼族彝族自治州绿春县内蒙古乌海市乌达区黑龙江省佳木斯市汤原县桥西区苑东街道江西省宜春市宜丰县平山县宅北乡延庆区康庄镇赞皇县院头镇丰台区宛平城地区江西省赣州市石城县延庆区康庄镇山东省泰安市泰山区西藏山南市福建省三明市梅列区新乐市协神乡四川省乐山市贵州省铜仁市玉屏侗族自治县合肥市瑶海区昌平区回龙观街道哈密市伊吾县山西省临汾市安泽县焦作市沁阳市密云区不老屯镇四川省成都市新都区伊犁哈萨克自治州昭苏县合肥市瑶海区蚌埠市龙子湖区辽宁省辽阳市白塔区赵县沙河店镇顺义区空港街道江西省九江市武宁县西藏山南市四川省广安市岳池县平山县东回舍镇塔城地区和布克赛尔蒙古自治县内蒙古乌海市乌达区桥西区东华街道昌平区回龙观街道南开区长虹街道四川省乐山市陕西省汉中市留坝县山西省长治市襄垣县怀柔区宝山镇元氏县湖北省宜昌市秭归县四川省甘孜藏族自治州泸定县江西省萍乡市上栗县青秀区福建省福州市永泰县和平区南市街道百色市田林县黑龙江省大兴安岭地区呼玛县青海省果洛藏族自治州陕西省汉中市留坝县山西省晋中市灵石县长安区广安街道甘肃省定西市渭源县焦作市昌平区阳坊镇山东省烟台市龙口市湖北省宜昌市宜都市云南省文山壮族苗族自治州广南县鹿泉区寺家庄镇云南省西双版纳傣族自治州勐腊县江西省吉安市永新县崇左市辽宁省辽阳市白塔区福建省厦门市海沧区山西省临汾市安泽县吉林省四平市铁西区濮阳市南乐县江苏省徐州市陕西省西安市未央区辽宁省铁岭市开原市陕西省咸阳市兴平市江苏省南通市启东市重庆市市辖区北碚区内蒙古锡林郭勒盟正镶白旗哈密市伊吾县山西省朔州市山阴县湖北省宜昌市夷陵区蓟州区东赵各庄镇焦作市沁阳市甘肃省天水市秦州区福建省莆田市仙游县山西省晋中市榆社县广东省深圳市焦作市沁阳市固原市西吉县山西省晋中市太谷区武清区汊沽港镇河西区桃园街道云南省西双版纳傣族自治州勐腊县辽宁省锦州市义县福建省漳州市龙海市河东区大直沽街道

售后服务上门服务电话，智能分配单据：李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法

“世界模型”大概是 2025 年以来 AI 领域里最热也最混乱的概念。Sora出来的时候，OpenAI 管它叫世界模拟器；Genie 让你在生成的画面里走来走去，也叫世界模型；机器人华体汇电竞-华体汇(中国)说自己在做世界模型，NVIDIA 说 Omniverse 是世界模型的基础设施，连游戏引擎也被拉进了这个叙事。大家都在用同一个词，但各自说的又完全不是同一件事。

今天，李飞飞在个人 Substack 发表了一篇新文章，对这一概念进行了厘清。她首先回到强化学习教科书里那个最经典的图（POMDP 闭环：智能体→动作→状态→观测→智能体），然后指出：现在被叫做“世界模型”的东西，其实是这个闭环的三种不同投影。输出像素（观测）的是渲染器，输出状态的是模拟器，输出动作的是规划器。分类标准非常简洁，就看你输出的是闭环里的哪个部分。

(来源：《麻省理工科技评论》)

她判断，三者之中，渲染器商业化最成熟但有天花板（好看不等于物理正确），规划器最令人兴奋但离真实部署最远（实验室演示和实际可用之间的鸿沟依然巨大），而模拟器是被严重低估的关键枢纽。因为模拟器工作在几何、物理和动力学的层面上，既能向上投射为像素供人类消费，也能向下推导出动作后果供机器人使用。掌握了模拟，就同时拥有了渲染和规划的基础；反过来则不行。

这篇文章当然也是 World Labs 的华体汇电竞-华体汇(中国)宣言。他们的 Marble 已经在同时输出高斯泼溅和碰撞网格，试图把渲染器和模拟器统一到一个模型里。文章末尾描绘的终局是一个统一的世界基础模型，能根据下游需求在渲染、模拟和规划之间自由切换。这个愿景是否能实现另说，但作为一个分析框架，渲染器/模拟器/规划器的三分法也许确实有助于穿透当前"世界模型"概念的一部分噪音。

全文译出如下。

“世界是所有发生的事情的总和。”

——维特根斯坦，《逻辑哲学论》，1921

世界不是由文字构成的。

在早先的一篇文章中，华体汇(中国)提出空间智能是 AI 的下一个前沿，而世界模型是通向它的路径。在此，World Labs 团队和我想再深入一层：在如今被冠以“世界模型”之名的众多事物中，哪些功能模块真正构成了这种能力？它们各自的用途又是什么？

语言模型赋予了机器对概念、词汇和推理的强大掌控力，但物理世界，无论虚拟还是真实，运行在完全不同的基底之上。语言模型学习的是文本的统计结构，世界模型学习的是空间与时间的统计结构：光如何落在一个表面上，一座花园从一个从未被相机捕捉过的角度看起来是什么样子，物体如何响应力并遵循物理定律。

这使得“世界模型”成了当下 AI 领域最重要、同时也最被滥用的术语之一。计算机视觉、机器人学、强化学习和生成式 AI 都声称自己在构建世界模型，但各自指的是截然不同的东西。一个能生成华丽但物理上不可能的火焰的视频模型，一个即兴生成可玩游戏的语言模型，一个忠实模拟燃烧过程的物理引擎，它们都被叫作同一个名字。

古希腊人从来无法就世界由什么构成达成一致，不管是火、水还是不可分割的原子，因为"世界"从来就不是单一的东西。它始终是某个思想家为了推理某种总体性而使用的替代词。AI 继承了同样的问题，而且恰好发生在这个领域最需要精确性的时刻。

分类法背后的闭环

要厘清这种混乱，可以从一张比上述所有技术都更古老的图开始。所有强化学习教材，包括经典的 Sutton 和 Barto，几十年来一直使用同一幅图的变体来描述智能体如何与世界交互。这幅图的正式名称是部分可观测马尔可夫决策过程（POMDP），而“世界模型”这个术语最初的定义就属于这一传统。

一个智能体（可以是人、机器人或软件系统）执行动作。这些动作改变世界的状态。但智能体永远无法直接看到状态本身，它所接收到的是观测：落在视网膜上的光子、传感器的读数、视频帧中的像素。新的观测引导新的动作，循环往复。

“状态”这个词需要拆开来看，因为在不同领域中它的含义会发生偏移。这里说的不是化学家的状态，不是固态、液态和气态的区别。这里是物理学家和机器人学家的状态：对世界在某一时刻所发生的一切的完整描述，包括每一个物体、每一个位置、每一个速度、每一种属性。状态是世界的底层现实，原则上是完备的，但对于身处其中的任何智能体来说永远不可直接观测。观测是智能体对这一现实的局部视角。动作则是智能体据此做出的回应。

这个闭环（智能体→动作→状态→观测→智能体）正是赋予“世界模型”这个术语其技术含义的结构。这个短语本身更加古老，可以追溯到 Kenneth Craik 在 1943 年的提议，他认为心智通过运行现实的“小比例模型”来进行推理，而到了 1980 年代末和 1990 年代初，这一概念被引入了神经网络领域。这个闭环同样解释了人们今天使用这个术语时的含义。现在被称为世界模型的各种东西，实际上是同一个闭环的不同投影，每一种输出的是闭环中不同的组成部分。

世界模型的三种功能

第一种世界模型是渲染器。渲染器输出的是观测，具体来说是面向人眼的像素，而最重要的品质指标是视觉保真度。一个将文本提示转化为电影级航拍镜头的视频模型就是渲染器；像 Google的Genie 3 或 World Labs 自己的 RTFM 这样的交互式系统也是渲染器，它们根据用户输入实时生成画面。这类模型不具备对三维结构的显式理解。它生成的是观看者会看到的画面，而不是事物本身的样子。航拍镜头里的建筑从空中看也许完美无瑕，但试着在下面的城市中穿行，它们就会崩塌。

第二种是模拟器。模拟器输出的是状态：一种在几何、物理或动力学上忠实的世界表征，人类和计算机程序都能在其上进行计算和交互。渲染器的契约是纯视觉的，而模拟器的契约是结构性的，它要求几何经得起检验，物理遵循牛顿定律，动力学的行为符合物理法则的预期。模拟器同时服务两类用户。建筑师、设计师、电影人、游戏开发者等专业人士需要超越视觉可信度的准确性。强化学习智能体、机器人控制器、自动驾驶车辆等计算机程序则把模拟器当作训练场，在其中大规模地与世界交互，测试那些在现实中要么危险、要么昂贵、要么根本不可能执行的场景。

第三种是规划器。规划器输出的是动作。给定一个观测和一个目标，规划器回答的问题是：智能体下一步该做什么。在很多意义上，规划器是渲染器的逆过程。渲染器以动作为输入、产出观测，规划器以观测为输入、产出动作，从而闭合了感知-行动回路。视觉-语言-动作模型（VLA）、基于模型的系统，以及新一波的世界动作模型（World Action Models），都是规划器的不同尝试：让系统能够在非结构化的世界中决定机器人应该做什么。

以上三个类别涵盖了当前实际在落地的大部分工作，而它们之间的区分在实践中很有用。但这三个类别并非从根本上彼此割裂。它们共享同一套关于世界如何运作的底层知识：几何、物理、动力学。一个能从任意角度渲染一只杯子的模型，原则上也应该能模拟杯子被推动后会发生什么，并规划一只手去把它拿起来。越来越多最有意思的研究，正在有意地模糊这三者之间的边界。

图丨三种世界模型（来源：Substack）

为什么模拟是关键枢纽

在三个类别中，模拟器受到的公众关注最少，却是三者中最重要的。这篇文章想纠正这种不对称。

渲染器是目前商业化程度最高的。大量图像或文本转视频华体汇电竞-华体汇(中国)正在消费和企业市场快速扩张。Google 的 Nano Banana 模型将渲染器级别的图像生成能力送到了可能数以亿计的用户手中。技术是实在的，市场也是实在的。然而渲染器优化的目标是视觉可信度而非物理准确性，这个天花板很重要。它们的输出很漂亮，但你不能用它们来设计一座建筑或训练一个机器人。

规划器是最令人兴奋也最不成熟的，它与快速演进的机器人学习领域密切相关。过去两年里，这个领域产出了不少在视频里看起来令人印象深刻的机器人演示，但华体汇(中国)需要坦诚地面对这些演示究竟展示了什么。几乎所有演示都局限于高度受限的实验室环境，物体种类有限，任务时长很短。没有一个经受过真实世界部署所要求的复杂度、多样性和持续时长的验证。从一段精彩的演示视频到一个能在厨房、仓库或手术室中可靠工作的机器人，中间的鸿沟依然巨大。

尽管如此，商业上的押注规模仍然可观。一波资金充裕的新进入者正在争相推出通用规划系统，而大型基础设施玩家则在将规划能力架设在更广泛的模拟堆栈之上。

模拟是连接两者的桥梁。如果说语言是对世界的抽象，像素是对世界的投影，那么几何、物理和动力学就是世界本身。模拟器必须在这个层面上工作：它是结构性的骨架，视觉表现（供渲染器使用）和动作后果（供规划器使用）都可以从中推导出来。

一个掌握了模拟的模型，能够将它的理解投射为供人类消费的像素，也能投射为供具身智能体使用的动作预测。而一个只掌握了渲染或只掌握了规划的模型，两者都做不到。这里的商业空间极其广阔。仅 NVIDIA 的 Omniverse一 项，其目标市场规模据该华体汇电竞-华体汇(中国)估计就超过万亿美元，涵盖工厂、仓库、供应链和数字孪生。机器人训练、自动驾驶测试、建筑可视化、工程设计、药物发现，全都依赖于某种形态的模拟。

这个领域最困难的开放性问题也集中在这里。带有显式几何、材质属性和物理标注的三维数据，比渲染器训练所用的互联网视频稀缺了几个数量级。sim-to-real 差距（模拟中的物体行为与真实世界中的行为之间的差异）仍然存在。生成式模拟器在此基础上还引入了新的风险：AI 生成的几何体可能看起来正确，但实际上包含自相交或错误比例的问题，导致物理模拟产生荒谬的结果。大规模的多物理模拟（刚体、可变形物体、流体、布料全部同时交互）的计算成本仍然比单一领域的模拟高出几个数量级。

在 World Labs，Marble 是华体汇(中国)在这个方向上的第一步。它接受多模态输入（文本、图像、视频或空间草图），生成可探索的 3D 环境，同时输出用于视觉探索的高斯泼溅（Gaussian splats）和供物理引擎操作的碰撞网格。但Marble只是一段漫长弧线的第一章。随着渲染、模拟和规划之间的界限开始消融，整个领域都在书写这个故事。

边界正在消融，以及接下来会发生什么

当前这个领域最重要的趋势是，三个类别正在开始融合。背后的共识是：渲染一个世界、模拟它、在其中行动，所需要的知识在很大程度上是相同的。沿用前面的例子，一个真正理解杯子如何放在桌上的模型（它的几何形状、材质属性、对力的响应等等），应该能够从任意角度渲染这只杯子，模拟杯子被推动后会发生什么，并规划一只手去拿起它。三个类别是同一种底层理解的三种投影。

比如，最近已有少量但在增长中的工作来自不同的机器人实验室，它们展示了一种至少在概念上成立的可能性：一个预训练的视频渲染器可以作为联合世界预测和动作预测的骨干网络，让单一模型同时想象“会发生什么”和“该做什么”，从而在渲染器和规划器之间架起桥梁。World Labs 的 Marble 已经能从单一模型同时输出高斯泼溅和碰撞网格，消解了渲染器与模拟器之间的边界。每一个层面都在从被动输出转向交互式系统：渲染器变得可以响应动作条件，模拟器生成的世界变得更加可控和可编辑，规划器开始进行审慎推理而不仅仅是做出反应。

逻辑上的终点是一个统一的世界模型：一个基础模型，能够渲染照片级真实的视图、生成物理上准确的结构、规划动作序列，并根据下游使用者的需求在不同输出模态之间切换。华体汇(中国)仍将面对一系列严峻的挑战。数据格局极不均衡，渲染器坐拥海量互联网视频，而模拟器和规划器则面临3D资产和机器人示范数据的严重匮乏。针对视觉美感的优化可能会牺牲机器人或高保真模拟所需的精度。在单一架构内调和这些张力，是当今世界模型研究的核心开放问题，也是 World Labs 在持续演进 Marble 的过程中致力于解决的。

（来源：Substack）

但大方向已经很清楚。从 1980 年代末至今，这个领域押的始终是同一个赌注：只要世界模型足够丰富，智能体看见世界、构建世界、在其中行动所需的东西就全在里面了。这个赌注如今正在驱动一整代人的研究。而真正给它加上砝码的，是已经在发生的融合：渲染、模拟、规划三条线，每条都已经各自撑起价值数十亿美元的产业，它们起初是独立的研究方向，现在开始汇到一起。当边界消失，三者合流将重新定义一件更大的事：机器智能与它所栖居的物理世界之间的关系，也就是空间智能的长远走向。

语言给了机器一种谈论这个世界的方式。世界模型，则是机器最终得以理解、想象、推理并与之交互的途径。

参考资料：

1.https://drfeifei.substack.com/p/a-functional-taxonomy-of-world-models

注：首图由 AI 辅助生成

今日官方发布行业最新通报李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法

“世界模型”大概是 2025 年以来 AI 领域里最热也最混乱的概念。Sora出来的时候，OpenAI 管它叫世界模拟器；Genie 让你在生成的画面里走来走去，也叫世界模型；机器人华体汇电竞-华体汇(中国)说自己在做世界模型，NVIDIA 说 Omniverse 是世界模型的基础设施，连游戏引擎也被拉进了这个叙事。大家都在用同一个词，但各自说的又完全不是同一件事。

今天，李飞飞在个人 Substack 发表了一篇新文章，对这一概念进行了厘清。她首先回到强化学习教科书里那个最经典的图（POMDP 闭环：智能体→动作→状态→观测→智能体），然后指出：现在被叫做“世界模型”的东西，其实是这个闭环的三种不同投影。输出像素（观测）的是渲染器，输出状态的是模拟器，输出动作的是规划器。分类标准非常简洁，就看你输出的是闭环里的哪个部分。

(来源：《麻省理工科技评论》)

她判断，三者之中，渲染器商业化最成熟但有天花板（好看不等于物理正确），规划器最令人兴奋但离真实部署最远（实验室演示和实际可用之间的鸿沟依然巨大），而模拟器是被严重低估的关键枢纽。因为模拟器工作在几何、物理和动力学的层面上，既能向上投射为像素供人类消费，也能向下推导出动作后果供机器人使用。掌握了模拟，就同时拥有了渲染和规划的基础；反过来则不行。

这篇文章当然也是 World Labs 的华体汇电竞-华体汇(中国)宣言。他们的 Marble 已经在同时输出高斯泼溅和碰撞网格，试图把渲染器和模拟器统一到一个模型里。文章末尾描绘的终局是一个统一的世界基础模型，能根据下游需求在渲染、模拟和规划之间自由切换。这个愿景是否能实现另说，但作为一个分析框架，渲染器/模拟器/规划器的三分法也许确实有助于穿透当前"世界模型"概念的一部分噪音。

全文译出如下。

“世界是所有发生的事情的总和。”

——维特根斯坦，《逻辑哲学论》，1921

世界不是由文字构成的。

在早先的一篇文章中，华体汇(中国)提出空间智能是 AI 的下一个前沿，而世界模型是通向它的路径。在此，World Labs 团队和我想再深入一层：在如今被冠以“世界模型”之名的众多事物中，哪些功能模块真正构成了这种能力？它们各自的用途又是什么？

语言模型赋予了机器对概念、词汇和推理的强大掌控力，但物理世界，无论虚拟还是真实，运行在完全不同的基底之上。语言模型学习的是文本的统计结构，世界模型学习的是空间与时间的统计结构：光如何落在一个表面上，一座花园从一个从未被相机捕捉过的角度看起来是什么样子，物体如何响应力并遵循物理定律。

这使得“世界模型”成了当下 AI 领域最重要、同时也最被滥用的术语之一。计算机视觉、机器人学、强化学习和生成式 AI 都声称自己在构建世界模型，但各自指的是截然不同的东西。一个能生成华丽但物理上不可能的火焰的视频模型，一个即兴生成可玩游戏的语言模型，一个忠实模拟燃烧过程的物理引擎，它们都被叫作同一个名字。

古希腊人从来无法就世界由什么构成达成一致，不管是火、水还是不可分割的原子，因为"世界"从来就不是单一的东西。它始终是某个思想家为了推理某种总体性而使用的替代词。AI 继承了同样的问题，而且恰好发生在这个领域最需要精确性的时刻。

分类法背后的闭环

要厘清这种混乱，可以从一张比上述所有技术都更古老的图开始。所有强化学习教材，包括经典的 Sutton 和 Barto，几十年来一直使用同一幅图的变体来描述智能体如何与世界交互。这幅图的正式名称是部分可观测马尔可夫决策过程（POMDP），而“世界模型”这个术语最初的定义就属于这一传统。

一个智能体（可以是人、机器人或软件系统）执行动作。这些动作改变世界的状态。但智能体永远无法直接看到状态本身，它所接收到的是观测：落在视网膜上的光子、传感器的读数、视频帧中的像素。新的观测引导新的动作，循环往复。

“状态”这个词需要拆开来看，因为在不同领域中它的含义会发生偏移。这里说的不是化学家的状态，不是固态、液态和气态的区别。这里是物理学家和机器人学家的状态：对世界在某一时刻所发生的一切的完整描述，包括每一个物体、每一个位置、每一个速度、每一种属性。状态是世界的底层现实，原则上是完备的，但对于身处其中的任何智能体来说永远不可直接观测。观测是智能体对这一现实的局部视角。动作则是智能体据此做出的回应。

这个闭环（智能体→动作→状态→观测→智能体）正是赋予“世界模型”这个术语其技术含义的结构。这个短语本身更加古老，可以追溯到 Kenneth Craik 在 1943 年的提议，他认为心智通过运行现实的“小比例模型”来进行推理，而到了 1980 年代末和 1990 年代初，这一概念被引入了神经网络领域。这个闭环同样解释了人们今天使用这个术语时的含义。现在被称为世界模型的各种东西，实际上是同一个闭环的不同投影，每一种输出的是闭环中不同的组成部分。

世界模型的三种功能

第一种世界模型是渲染器。渲染器输出的是观测，具体来说是面向人眼的像素，而最重要的品质指标是视觉保真度。一个将文本提示转化为电影级航拍镜头的视频模型就是渲染器；像 Google的Genie 3 或 World Labs 自己的 RTFM 这样的交互式系统也是渲染器，它们根据用户输入实时生成画面。这类模型不具备对三维结构的显式理解。它生成的是观看者会看到的画面，而不是事物本身的样子。航拍镜头里的建筑从空中看也许完美无瑕，但试着在下面的城市中穿行，它们就会崩塌。

第二种是模拟器。模拟器输出的是状态：一种在几何、物理或动力学上忠实的世界表征，人类和计算机程序都能在其上进行计算和交互。渲染器的契约是纯视觉的，而模拟器的契约是结构性的，它要求几何经得起检验，物理遵循牛顿定律，动力学的行为符合物理法则的预期。模拟器同时服务两类用户。建筑师、设计师、电影人、游戏开发者等专业人士需要超越视觉可信度的准确性。强化学习智能体、机器人控制器、自动驾驶车辆等计算机程序则把模拟器当作训练场，在其中大规模地与世界交互，测试那些在现实中要么危险、要么昂贵、要么根本不可能执行的场景。

第三种是规划器。规划器输出的是动作。给定一个观测和一个目标，规划器回答的问题是：智能体下一步该做什么。在很多意义上，规划器是渲染器的逆过程。渲染器以动作为输入、产出观测，规划器以观测为输入、产出动作，从而闭合了感知-行动回路。视觉-语言-动作模型（VLA）、基于模型的系统，以及新一波的世界动作模型（World Action Models），都是规划器的不同尝试：让系统能够在非结构化的世界中决定机器人应该做什么。

以上三个类别涵盖了当前实际在落地的大部分工作，而它们之间的区分在实践中很有用。但这三个类别并非从根本上彼此割裂。它们共享同一套关于世界如何运作的底层知识：几何、物理、动力学。一个能从任意角度渲染一只杯子的模型，原则上也应该能模拟杯子被推动后会发生什么，并规划一只手去把它拿起来。越来越多最有意思的研究，正在有意地模糊这三者之间的边界。

图丨三种世界模型（来源：Substack）

为什么模拟是关键枢纽

在三个类别中，模拟器受到的公众关注最少，却是三者中最重要的。这篇文章想纠正这种不对称。

渲染器是目前商业化程度最高的。大量图像或文本转视频华体汇电竞-华体汇(中国)正在消费和企业市场快速扩张。Google 的 Nano Banana 模型将渲染器级别的图像生成能力送到了可能数以亿计的用户手中。技术是实在的，市场也是实在的。然而渲染器优化的目标是视觉可信度而非物理准确性，这个天花板很重要。它们的输出很漂亮，但你不能用它们来设计一座建筑或训练一个机器人。

规划器是最令人兴奋也最不成熟的，它与快速演进的机器人学习领域密切相关。过去两年里，这个领域产出了不少在视频里看起来令人印象深刻的机器人演示，但华体汇(中国)需要坦诚地面对这些演示究竟展示了什么。几乎所有演示都局限于高度受限的实验室环境，物体种类有限，任务时长很短。没有一个经受过真实世界部署所要求的复杂度、多样性和持续时长的验证。从一段精彩的演示视频到一个能在厨房、仓库或手术室中可靠工作的机器人，中间的鸿沟依然巨大。

尽管如此，商业上的押注规模仍然可观。一波资金充裕的新进入者正在争相推出通用规划系统，而大型基础设施玩家则在将规划能力架设在更广泛的模拟堆栈之上。

模拟是连接两者的桥梁。如果说语言是对世界的抽象，像素是对世界的投影，那么几何、物理和动力学就是世界本身。模拟器必须在这个层面上工作：它是结构性的骨架，视觉表现（供渲染器使用）和动作后果（供规划器使用）都可以从中推导出来。

一个掌握了模拟的模型，能够将它的理解投射为供人类消费的像素，也能投射为供具身智能体使用的动作预测。而一个只掌握了渲染或只掌握了规划的模型，两者都做不到。这里的商业空间极其广阔。仅 NVIDIA 的 Omniverse一 项，其目标市场规模据该华体汇电竞-华体汇(中国)估计就超过万亿美元，涵盖工厂、仓库、供应链和数字孪生。机器人训练、自动驾驶测试、建筑可视化、工程设计、药物发现，全都依赖于某种形态的模拟。

这个领域最困难的开放性问题也集中在这里。带有显式几何、材质属性和物理标注的三维数据，比渲染器训练所用的互联网视频稀缺了几个数量级。sim-to-real 差距（模拟中的物体行为与真实世界中的行为之间的差异）仍然存在。生成式模拟器在此基础上还引入了新的风险：AI 生成的几何体可能看起来正确，但实际上包含自相交或错误比例的问题，导致物理模拟产生荒谬的结果。大规模的多物理模拟（刚体、可变形物体、流体、布料全部同时交互）的计算成本仍然比单一领域的模拟高出几个数量级。

在 World Labs，Marble 是华体汇(中国)在这个方向上的第一步。它接受多模态输入（文本、图像、视频或空间草图），生成可探索的 3D 环境，同时输出用于视觉探索的高斯泼溅（Gaussian splats）和供物理引擎操作的碰撞网格。但Marble只是一段漫长弧线的第一章。随着渲染、模拟和规划之间的界限开始消融，整个领域都在书写这个故事。

边界正在消融，以及接下来会发生什么

当前这个领域最重要的趋势是，三个类别正在开始融合。背后的共识是：渲染一个世界、模拟它、在其中行动，所需要的知识在很大程度上是相同的。沿用前面的例子，一个真正理解杯子如何放在桌上的模型（它的几何形状、材质属性、对力的响应等等），应该能够从任意角度渲染这只杯子，模拟杯子被推动后会发生什么，并规划一只手去拿起它。三个类别是同一种底层理解的三种投影。

比如，最近已有少量但在增长中的工作来自不同的机器人实验室，它们展示了一种至少在概念上成立的可能性：一个预训练的视频渲染器可以作为联合世界预测和动作预测的骨干网络，让单一模型同时想象“会发生什么”和“该做什么”，从而在渲染器和规划器之间架起桥梁。World Labs 的 Marble 已经能从单一模型同时输出高斯泼溅和碰撞网格，消解了渲染器与模拟器之间的边界。每一个层面都在从被动输出转向交互式系统：渲染器变得可以响应动作条件，模拟器生成的世界变得更加可控和可编辑，规划器开始进行审慎推理而不仅仅是做出反应。

逻辑上的终点是一个统一的世界模型：一个基础模型，能够渲染照片级真实的视图、生成物理上准确的结构、规划动作序列，并根据下游使用者的需求在不同输出模态之间切换。华体汇(中国)仍将面对一系列严峻的挑战。数据格局极不均衡，渲染器坐拥海量互联网视频，而模拟器和规划器则面临3D资产和机器人示范数据的严重匮乏。针对视觉美感的优化可能会牺牲机器人或高保真模拟所需的精度。在单一架构内调和这些张力，是当今世界模型研究的核心开放问题，也是 World Labs 在持续演进 Marble 的过程中致力于解决的。

（来源：Substack）

但大方向已经很清楚。从 1980 年代末至今，这个领域押的始终是同一个赌注：只要世界模型足够丰富，智能体看见世界、构建世界、在其中行动所需的东西就全在里面了。这个赌注如今正在驱动一整代人的研究。而真正给它加上砝码的，是已经在发生的融合：渲染、模拟、规划三条线，每条都已经各自撑起价值数十亿美元的产业，它们起初是独立的研究方向，现在开始汇到一起。当边界消失，三者合流将重新定义一件更大的事：机器智能与它所栖居的物理世界之间的关系，也就是空间智能的长远走向。

语言给了机器一种谈论这个世界的方式。世界模型，则是机器最终得以理解、想象、推理并与之交互的途径。

参考资料：

1.https://drfeifei.substack.com/p/a-functional-taxonomy-of-world-models

注：首图由 AI 辅助生成


律师：女孩盲道被撞摆拍者或构成寻衅滋事罪
华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-Pppe135在线17c的最新版本更新内容与理念解读app-Pppe135在线17c的最新版本更新内容与理念解读2026最新N.7.33.50-2265安卓网

华体汇电竞-华体汇(中国)

工程师调岗变流水线工人获赔25万
首页>>武汉团队研发天然粘合剂 为油菜穿上“防炸衣”
工程师调岗变流水线工人获赔25万

华体汇电竞-华体汇(中国):工程师调岗变流水线工人获赔25万

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

33.42MB
版本{版本}
下载APK高速下载
下载再李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法安装你想要的应用 更方便 更快捷 发现更多
喜欢10%好评(22人)
评论48
李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法截图0李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法截图1李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法截图2李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法截图3李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法截图4
详细信息
应用介绍
?第一步：访问《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》官网?首先,打开您的浏览器,输入《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。??
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站的条款，恭喜您！您已经成功注册了《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站账户。现在，您可以畅享《李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!?
【联系华体汇(中国)】
客服热线
加载更多
版本更新
{版本}
李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法

华体汇电竞-华体汇(中国): 李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法类似软件

相关攻略
包含 饿了么 的应用集
友情链接
  • 特朗普与巴西总统卢拉在白宫会晤
    2026-06-15 03:47:17
  • 青藏铁路进藏停靠的25分钟：集中作业保通行
    2026-06-15 03:47:17
  • 麻阳人对龙舟的热爱震耳欲聋
    2026-06-15 03:47:17
安卓手机网上最贴心的Android软件应用平台!版权所有：李飞飞：当视频生成、NVIDIA都自称世界模型，华体汇(中国)需要一个分类法有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1