文/陳永偉

8月5日，谷歌DeepMind發(fā)布了其新模型——Genie 3。

該模型能夠根據(jù)用戶的文本或圖像提示，實時生成可供用戶與AI智能體（AI　Agent）互動的3D虛擬環(huán)境。例如，用戶只需輸入“月球上的火山邊”，Genie 3便能即時生成一片浮動的火山、黃色的大地與遠處的宇宙背景，并允許用戶進入探索。

相比此前的AI模型，Genie 3展現(xiàn)出更強的實時交互能力，并在互動時長和記憶連貫性上表現(xiàn)尤為出色。例如，如果用戶在生成的房間墻壁上涂鴉，然后轉(zhuǎn)身探索別處，那么當(dāng)他稍后返回時，墻上的涂鴉依舊保留。

不僅如此，Genie 3還引入了“可提示的世界事件”（Promptable　World　Events）功能。這允許用戶在交互過程中，通過新的文本指令動態(tài)改變世界。無論用戶要求“加入一只奔跑的小狗”“把天氣從晴天變成大雨”，還是“將環(huán)境從海邊變成山上”，Ge-nie 3都能瞬間響應(yīng)。

Genie 3的出色表現(xiàn)不僅刷新了AI生成世界的邊界，也讓人們看到了另一條通向通用人工智能（AGI）的路徑——“世界模型”（World　Model）的希望。一時間，關(guān)于“世界模型”的討論頻頻見諸媒體。

那么，什么是“世界模型”？它如何實現(xiàn)？又能為我們帶來什么？且讓我們一一道來。

世界模型簡史

在人工智能領(lǐng)域，許多重要的模型都是模仿人類的某種能力或大腦的某種機能建立的。例如，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的靈感來自生物視覺皮層感受域（receptive　field）的工作方式，Transformer模型則借鑒了人類注意力的聚焦機制。同樣，世界模型的靈感源自對人腦一種重要機制的模仿——在大腦中構(gòu)建并運用“內(nèi)部世界”（inner　world）的能力。

設(shè)想一下，你正走在大街上，突然看見一輛汽車急速駛來。這時，你會迅速在腦中進行計算，模擬它在接下來幾秒的運行方向和速度，并判斷是否需要避讓以及向哪個方向避讓。隨后，你的身體會根據(jù)大腦的判斷采取行動。需要注意的是，此時你腦中的工作機制與傳統(tǒng)機器學(xué)習(xí)有顯著不同——機器學(xué)習(xí)的判斷依賴于對大量數(shù)據(jù)的學(xué)習(xí)，這意味著只有在多次遭遇汽車迎面駛來并積累了統(tǒng)計經(jīng)驗后，才可能得出預(yù)測。然而，現(xiàn)實中這種突發(fā)情境極為罕見，人類幾乎不可能僅靠經(jīng)驗學(xué)習(xí)來應(yīng)對。事實上，面對突然駛來的汽車，人們依靠的往往不是經(jīng)驗，而是一種預(yù)測能力。換言之，你會在腦中提前“看到”那輛車未來的位置。這種“在心中演練未來”的能力，是人類智能最基本、也最奇妙的組成部分。

很早以前，就有人注意到人類構(gòu)建“內(nèi)部世界”的能力。18世紀(jì)，德國古典哲學(xué)家康德指出，人類的感知從來不是對現(xiàn)實的直接復(fù)制，而是在心靈內(nèi)部通過某種“先驗框架”加以組織和解釋的。從這個意義上講，我們所見的世界，其實是自己建構(gòu)的一個版本。20世紀(jì)，心理學(xué)家皮亞杰進一步指出，兒童并非被動接收信息來理解世界，而是通過不斷嘗試、失敗與重建，在腦中建立起一套關(guān)于世界運行規(guī)則的“心理模型”。這些模型使他們能夠預(yù)判事件的后果并指導(dǎo)決策。正因如此，人類才能成長為擁有計劃與想象力的存在。

隨著現(xiàn)代認知科學(xué)興起，“人類可以不依賴真實世界輸入而進行‘心智模擬’（Mental　Simulation）”這一事實得到進一步證實。研究還發(fā)現(xiàn)，人腦會不斷用感官輸入來驗證和修正自己的預(yù)測，使構(gòu)建的“內(nèi)部世界”愈加接近真實世界，并用更新的模型持續(xù)模擬現(xiàn)實、指導(dǎo)行動。

人工智能學(xué)科創(chuàng)立之初，專家們便開始嘗試模仿人腦的這種能力。例如，維納等人的反饋控制理論強調(diào)，智能體要與環(huán)境交互，必須對環(huán)境狀態(tài)有內(nèi)部表示。同一時期，“符號主義”學(xué)者嘗試用邏輯規(guī)則和知識圖譜構(gòu)建“世界描述”，并通過推理機進行決策，在棋類、路徑規(guī)劃等領(lǐng)域取得不少進展。20世紀(jì)70年代的Shakey機器人，就已能在“內(nèi)部地圖”上模擬移動與避障。

進入20世紀(jì)80年代，隨著統(tǒng)計學(xué)習(xí)方法的發(fā)展，研究者開始用概率模型刻畫環(huán)境動態(tài)，并將隱馬爾可夫模型（HMM）、卡爾曼濾波等先進統(tǒng)計方法應(yīng)用于內(nèi)部世界構(gòu)建。這類模型的優(yōu)勢在于能夠從數(shù)據(jù)中估計轉(zhuǎn)移概率，減少對人工規(guī)則的依賴，但缺點同樣明顯——一旦狀態(tài)空間維度上升，模型規(guī)模與計算量便呈爆炸式增長，難以適用于圖像、視頻等高維感知輸入。

1989年，理查德·薩頓將強化學(xué)習(xí)與“內(nèi)部世界”思想結(jié)合，提出Dyna架構(gòu)。利用該架構(gòu)，智能體既可以直接從環(huán)境中學(xué)習(xí)策略，也可利用學(xué)到的環(huán)境模型在內(nèi)部進行計劃（plan-ning）。顯然，這一思路正是對人腦“心智模擬”功能的模仿。

1990年，時任博士生的人工智能專家于爾根·施密德胡伯（JürgenSchmidhuber）提出，理想的AI模型應(yīng)像人類一樣，對真實世界有全面而準(zhǔn)確的認知，并能模擬可能發(fā)生的情況。這樣的模型不僅要理解“現(xiàn)在”，還要想象“未來”；不僅要描述“是什么”，還要推測“會變成什么”。它不是傳統(tǒng)的分類器或生成器，而是一種具備“時間意識”的智能體。施密德胡伯將這種理想模型命名為“世界模型”，并在博士論文中用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）構(gòu)建了一個簡單版本，“世界模型”一詞由此誕生。

遺憾的是，當(dāng)時神經(jīng)網(wǎng)絡(luò)并非人工智能的主流方向，加之技術(shù)條件限制，該模型表現(xiàn)并不突出，“世界模型”這一名詞在此后多年傳播有限。直到2018年，施密德胡伯及其合作者發(fā)表題為《世界模型》（WorldModels）的論文，這一概念才被更多人熟知。

這篇論文之所以在多年后引發(fā)關(guān)注，原因多方面：其一，“深度學(xué)習(xí)革命”已經(jīng)發(fā)生，基于神經(jīng)網(wǎng)絡(luò)的模型更易獲得認可；其二，論文中的世界模型在性能上顯著優(yōu)于20世紀(jì)90年代的版本。但或許更重要的，是文中那幅漫畫：一個人正在騎車，而他腦海中也浮現(xiàn)著一個騎車的人。雖無一字，卻生動呈現(xiàn)了“世界模型”的核心——人在行動的同時，“內(nèi)部世界”正模擬行動的可能結(jié)果，并據(jù)此指導(dǎo)行為。所謂“一圖勝千言”，在人工智能領(lǐng)域同樣適用。

隨著“世界模型”思想被接受，眾多研究團隊投入到相關(guān)模型的開發(fā)之中。其中，谷歌DeepMind團隊無疑最引人注目。早在2019年，他們推出了基于模型的智能體PlaNet，能夠直接從圖像學(xué)習(xí)內(nèi)容，構(gòu)建世界模型，并預(yù)測后續(xù)圖像走向。測試顯示，它只需觀察前5幀，就能在給定動作序列的條件下提前準(zhǔn)確預(yù)測接下來50步的發(fā)展。

2020年，DeepMind在PlaNet的基礎(chǔ)上推出改進版Dreamer模型，引入遞歸狀態(tài)空間模型（RSSM）等新技術(shù)，使其在預(yù)測與模擬性能上有顯著提升。進入“生成式AI革命”階段，尤其是在OpenAI發(fā)布Sora之后，DeepMind開始將世界模型思路應(yīng)用于高質(zhì)量視頻生成，而Genie正是這一工作的產(chǎn)物。與Sora相比，Genie系列在視頻精細度與流暢性上略有不足，但因其基于世界模型構(gòu)建，交互性遠優(yōu)于Sora。這一特點，使其應(yīng)用潛力大大超出視頻生成范疇。

世界模型的技術(shù)實現(xiàn)

從本質(zhì)上講，所謂世界模型，其實就是AI的“理解引擎”。它的核心原理，用一句通俗的話概括，就是讓機器先在“心里”排練一遍，再付諸行動。那么，如何實現(xiàn)世界模型呢？雖然技術(shù)細節(jié)十分復(fù)雜，但總體上可以分為幾個主要環(huán)節(jié)。

首先是表征學(xué)習(xí)（RepresentationLearning）。在模擬現(xiàn)實階段，世界模型并不需要額外的數(shù)據(jù)輸入，但在構(gòu)建階段，相關(guān)數(shù)據(jù)是必不可少的。這就好比我們在大腦中想象世界之前，必須先對世界的基本結(jié)構(gòu)有所了解——而要做到這一點，就必須先用眼睛看、用耳朵聽，再將這些信息轉(zhuǎn)化為大腦可處理的電信號。同樣地，在構(gòu)建世界模型時，AI需要通過傳感器從外界獲取各種數(shù)據(jù)輸入，這些輸入可以是文本、圖像，也可能是聲音或視頻。接著，AI通過“表征學(xué)習(xí)”過程，將這些輸入壓縮成機器能夠理解的“內(nèi)部語言”。在不同應(yīng)用需求下，“表征學(xué)習(xí)”會使用不同技術(shù)。例如，在學(xué)習(xí)連續(xù)潛在空間時常用變分自編碼器（VAE）；在從未標(biāo)注數(shù)據(jù)中提取有意義的視覺特征時，則會用到自監(jiān)督視覺模型。

接下來是動態(tài)建模（DynamicModelling），這一階段要回答的問題是：“如果我現(xiàn)在采取某個動作，比如前進一步，世界的狀態(tài)會發(fā)生什么變化？”AI需要基于已有數(shù)據(jù)和先驗知識，不斷對可能的未來場景進行模擬。難點在于準(zhǔn)確刻畫現(xiàn)實世界中的物理規(guī)律。眾所周知，傳統(tǒng)機器學(xué)習(xí)多半學(xué)到的是相關(guān)性，而非因果關(guān)系，這在模擬中容易出錯。例如，按照萬有引力定律，物體被拋出后會在重力作用下下落。但如果AI的訓(xùn)練數(shù)據(jù)只包含拋擲羽毛的情景，它可能會錯誤地“學(xué)習(xí)”到物體不會下落，而是漂浮空中，從而在模擬中產(chǎn)生荒謬的結(jié)果。解決方法之一，是在模型結(jié)構(gòu)中直接嵌入物理規(guī)律，例如依據(jù)萬有引力定律和空氣阻力公式設(shè)計損失函數(shù)，將其作為訓(xùn)練約束。另一種方法是從數(shù)據(jù)入手，確保訓(xùn)練樣本涵蓋多樣化場景——既包括拋擲羽毛，也包括拋擲鉛球。AI在多樣化的樣本中便可歸納出更普適的規(guī)律，實現(xiàn)更準(zhǔn)確的建模。只有當(dāng)AI“學(xué)會”并內(nèi)化了物理定律，構(gòu)建出的模型才具有真正價值。

第三個環(huán)節(jié)是控制與規(guī)劃（ControlandPlanning）。在這一階段，AI基于世界模型對現(xiàn)實進行模擬，并在眾多可能方案中尋找最優(yōu)策略。以躲避汽車為例，這一步就是在成千上萬種閃避方式中找到最優(yōu)解。不同場景下，控制與規(guī)劃的方法各不相同。例如，在早期模型中，蒙特卡洛樹搜索常被用于尋找最優(yōu)策略；而在PlaNet、Dreamer等知名世界模型中，則通過基于模型的強化學(xué)習(xí)（Model-basedRL）在潛變量空間中進行多步規(guī)劃。有些模型還會在策略優(yōu)化的同時，反向優(yōu)化“內(nèi)部世界”本身，實現(xiàn)模型與策略的雙向提升。

最后是結(jié)果輸出。顧名思義，這一環(huán)節(jié)的任務(wù)是將模型“想象”的結(jié)果以可見、可聽或可感的形式呈現(xiàn)出來。對于許多世界模型（如本文開頭提到的Genie）而言，這一步至關(guān)重要。最常見的輸出形式是視頻或圖像序列。實現(xiàn)這一目標(biāo)，需要將“表征學(xué)習(xí)”過程反向執(zhí)行——將AI內(nèi)部的表征還原為像素。早期常用基于像素的生成模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）解碼器或自回歸模型。較新的方法多采用基于潛在空間的渲染：先在低維潛在空間生成內(nèi)容，再解碼為像素，其效率遠高于直接像素生成。如果目標(biāo)不僅是“看得見”，還包括“聽得到”甚至“可觸摸”，則需引入更多模態(tài)的生成與渲染技術(shù)，這里不再展開。

世界模型能做什么

世界模型的出現(xiàn)，究竟能為我們帶來什么？如果說過去的AI擅長的是“計算”“識別”或“對話”，那么世界模型則為AI打開了一扇新大門——它不僅能夠“看懂世界”，還能夠主動“在世界中行動”。這種能力，使它可以被應(yīng)用于多個不同場景。

首先，是與“具身智能”相關(guān)的領(lǐng)域。這里所說的“具身智能”范圍更廣，既包括擁有真實機械結(jié)構(gòu)的機器人，也包括虛擬游戲角色等任何具備“身體”的智能體。一旦智能體有了身體，它就可以主動移動、操作和試探。理論上，我們可以讓它通過這些行動不斷學(xué)習(xí)，像嬰兒通過抓、摔、跳、爬來探索世界規(guī)律一樣。然而在現(xiàn)實中，這種探索往往成本高昂，甚至存在破壞性風(fēng)險，因此在實踐中并不可行。比如，雖然理論上可以讓機器人通過試錯學(xué)習(xí)躲避汽車，但在真實環(huán)境中，只要出現(xiàn)一次錯誤，就可能導(dǎo)致嚴(yán)重損壞，學(xué)習(xí)自然無法繼續(xù)。

在這種情況下，世界模型為智能體提供了一個安全的訓(xùn)練場。AI可以在其中反復(fù)嘗試各種策略，直到找到最佳路徑，再回到現(xiàn)實世界時，它已經(jīng)是“經(jīng)驗豐富”的行動者。顯然，這種訓(xùn)練方式相比傳統(tǒng)方法不僅能顯著降低成本，還能避免大量不必要的事故。施密德胡伯曾將這種在世界模型中進行訓(xùn)練的方式形象地稱為“做夢”（dreaming），這個比喻恰當(dāng)?shù)乜坍嬃怂奶攸c。

其次，是“數(shù)字孿生”領(lǐng)域。數(shù)字孿生是指為現(xiàn)實世界中的實體（如工廠、城市、港口）等創(chuàng)建高度還原的數(shù)字副本，以此實時同步數(shù)據(jù)、預(yù)測變化。過去，即便數(shù)字孿生做得再逼真，它也只是一個被動的模型。而有了世界模型的介入，這個孿生體就能主動模擬未來、預(yù)測問題并實時響應(yīng)。它不僅可以預(yù)警設(shè)備故障、識別倉儲流程可能的擁堵，還能提前給出優(yōu)化建議。將世界模型應(yīng)用于數(shù)字孿生，不僅能顯著提升自動化水平，還能實現(xiàn)“感知—預(yù)測—決策”的一體化躍遷。

第三，是教育與科研領(lǐng)域?？茖W(xué)家可以利用世界模型構(gòu)建虛擬物理實驗室，更精確地預(yù)測液體流動、粒子運動或電路反應(yīng)；教育者則可以打造交互式虛擬課堂，讓學(xué)生在模擬環(huán)境中親手實驗、探索知識。隨著世界模型的加入，知識生產(chǎn)與傳播的效率都將得到顯著提升，整個知識產(chǎn)業(yè)鏈有望實現(xiàn)優(yōu)化升級。

第四，是游戲和娛樂領(lǐng)域。在這里，世界模型就像一臺自動生成可玩世界的引擎。玩家不再受限于預(yù)設(shè)場景，而是可以根據(jù)自己的行為、興趣和指令，讓AI實時生成全新世界。同時，虛擬世界中的NPC將具備更高的智能水平，與玩家進行更豐富、自然的互動，從而大幅提升游戲的沉浸感與可玩性。

如果我們把視野放得更遠，世界模型甚至可能成為“虛擬社會”的基礎(chǔ)設(shè)施。一個高度發(fā)達的世界模型，或許能夠支撐數(shù)十億人同時生活、交流和建造的數(shù)字世界。在那里，每一個人的動作與決策，都會被模型合理接收、反饋并推動演化。那時，世界模型帶來的將不僅僅是游戲或模擬，而是一種全新的存在方式。

世界模型背后的隱憂

科技的每一次突破，都是一把雙刃劍，世界模型也不例外。當(dāng)它讓AI不再只是識別現(xiàn)實，而是能夠“創(chuàng)造”現(xiàn)實時，隨之而來的倫理與治理問題正逐漸浮出水面。

第一，世界模型可能進一步模糊真實與虛擬的邊界，引發(fā)“后真相”危機。它生成的內(nèi)容不僅符合物理規(guī)律，還能與用戶深度交互，帶來的“真實感”遠超當(dāng)前的AI生成物。在這種情況下，“有圖有真相”甚至“有視頻有真相”的時代將一去不返。一旦被用于詐騙、造謠或政治操縱，其社會危害將極為嚴(yán)重。

第二，世界模型可能成為行為操控的工具。它不僅能建構(gòu)環(huán)境，還可以通過環(huán)境反向影響用戶行為。由于虛擬世界足夠逼真，構(gòu)建者完全可以借助物理布局、獎勵機制、劇情走向等方式，潛移默化地引導(dǎo)用戶做出特定選擇。在這種情況下，人們在AI世界中的“自由選擇”可能并不真正自由。如何抵御商業(yè)誘導(dǎo)、政治宣傳和極端意識形態(tài)的滲透，在虛擬幻象中守住自我，將成為一大挑戰(zhàn)。

第三，世界模型可能加劇人們對虛擬世界的沉迷與對現(xiàn)實的疏離。它能夠構(gòu)建一個巨大的“智能烏托邦”——既與真實世界一樣真實可交互，又比現(xiàn)實更美好、更有回報感。在那里，人們可以輕易獲得完美的社交關(guān)系、理想的職業(yè)和永恒的勝利感。然而，當(dāng)沉浸其中的快感不斷累積，人們面對現(xiàn)實的意愿和能力可能逐漸削弱，甚至喪失在現(xiàn)實世界生存的必要技能，最終被困于虛擬世界。

第四，世界模型可能放大偏見、歧視與社會固化。為了構(gòu)建逼真的虛擬世界，它會大量參考現(xiàn)實世界的數(shù)據(jù)，從而吸收并重現(xiàn)其中根深蒂固的偏見。在AI的放大效應(yīng)下，這些偏見不僅會被復(fù)制，還可能通過互動灌輸給用戶，使錯誤觀念在潛移默化中得以強化。

第五，世界模型的責(zé)任歸屬與治理缺口亟待關(guān)注。當(dāng)模型變得足夠復(fù)雜時，其生成的內(nèi)容與交互效果往往超出單一開發(fā)者的直接控制。這帶來一個棘手問題：一旦虛擬世界出現(xiàn)傷害性后果，責(zé)任應(yīng)由誰承擔(dān)？例如，用戶在虛擬世界中受到心理傷害，或被誘導(dǎo)做出危險行為，責(zé)任在模型構(gòu)建者、平臺運營方，還是用戶自身？又如，當(dāng)AI在虛擬訓(xùn)練中學(xué)會不良策略并在現(xiàn)實中重現(xiàn)，應(yīng)追責(zé)于模型設(shè)計者、應(yīng)用方，還是數(shù)據(jù)提供者？這些問題目前尚無明確答案，但隨著世界模型的普及，遲早必須直面。

綜上，世界模型雖具有巨大的應(yīng)用潛力，但其伴生風(fēng)險同樣不容忽視。唯有提前建立倫理、法律與技術(shù)的多重防護，才能確保這項技術(shù)真正造福人類。

世界模型是通往AGI的必由之路嗎

世界模型之所以在近期引發(fā)高度關(guān)注，除了其潛在應(yīng)用廣泛外，還有一個重要原因：不少人工智能專家認為，它才是通向“通用人工智能”（AGI）的正確道路。Meta首席AI科學(xué)家、2018年圖靈獎得主楊立坤（YannLeCun）多次公開表示，世界模型不僅重要，而且?guī)缀醪豢苫蛉薄Ｋ赋?，?dāng)今的大語言模型（LLM）雖能在語言空間中生成連貫文本，但從本質(zhì)上看，它們?nèi)狈ΜF(xiàn)實世界的連續(xù)表征和物理一致性推理能力。人類之所以能在復(fù)雜環(huán)境中高效學(xué)習(xí)與適應(yīng)，關(guān)鍵在于能在大腦中構(gòu)建對真實世界的模擬，并在內(nèi)部模型中進行“離線思考”。這種能力不僅顯著降低了試錯成本，還能幫助我們更好地應(yīng)對未知情境，實現(xiàn)知識的跨領(lǐng)域遷移。從目前來看，只有世界模型能夠模擬人類的這一能力。因此，如果希望AI的能力接近甚至超越人類，世界模型或許是必經(jīng)之路。

楊立坤的觀點在AI界收獲了不少支持，但也遭到同樣多的質(zhì)疑。一部分強調(diào)“端到端學(xué)習(xí)”和“規(guī)模驅(qū)動”的研究者，對這一觀點持謹(jǐn)慎甚至懷疑態(tài)度。在他們看來，盡管世界模型有其價值，但AGI未必需要顯式的世界模型，更談不上是“必由之路”。例如，Deep－Mind創(chuàng)始人、2024年諾貝爾化學(xué)獎得主德米斯·哈薩比斯（DemisHassabis）就指出，大規(guī)模無模型（Model-free）方法在一些復(fù)雜任務(wù)中已取得令人矚目的成績——AlphaGoZero、AlphaStar等系統(tǒng)并沒有顯式的物理世界建模，卻在多個領(lǐng)域表現(xiàn)超越人類。因此，通過類似方法模仿、逼近甚至超越人類能力，實現(xiàn)AGI并非不可能。

與此同時，還有學(xué)者質(zhì)疑世界模型本身的發(fā)展?jié)摿?。他們認為，首先，顯式的物理世界建模容易受到建模誤差的限制，多步預(yù)測中的累積偏差可能嚴(yán)重影響規(guī)劃質(zhì)量，從而削弱模型性能，甚至不如普通神經(jīng)網(wǎng)絡(luò)。其次，如果目標(biāo)環(huán)境過于復(fù)雜，在潛在空間中構(gòu)建準(zhǔn)確、穩(wěn)定的世界模型所需成本將極為高昂，此時直接依賴強大的策略網(wǎng)絡(luò)擬合最優(yōu)行為，反而可能更具性價比。

除“世界模型派”和“反世界模型派”外，還有學(xué)者主張中間路線。他們認為，AGI未必依賴單一、統(tǒng)一的世界模型，而可以通過“隱式建?！鲍@得類似能力。許多現(xiàn)代大語言模型和多模態(tài)模型在訓(xùn)練過程中，實際上已經(jīng)學(xué)會了某種世界知識的結(jié)構(gòu)化表示——這種表示并非工程師顯式構(gòu)建的物理引擎，而是以海量數(shù)據(jù)訓(xùn)練結(jié)果隱含在參數(shù)空間中。這種“參數(shù)即世界”的方式雖然可解釋性較差，但在推理、預(yù)測、規(guī)劃等任務(wù)中依然能展現(xiàn)出一定的世界理解。例如，GPT類模型可以通過多輪對話推演事件邏輯，甚至在虛擬物理場景中給出連貫結(jié)果。換言之，即使在模型設(shè)計時未預(yù)先植入物理規(guī)律，它們依然可能通過學(xué)習(xí)自行抽取這些規(guī)律。因此，中間路線派認為，顯式物理建模并非實現(xiàn)世界模型的唯一途徑。

那么，哪一種觀點更有道理？這在很大程度上取決于我們?nèi)绾味xAGI，以及如何理解“必由之路”。在AI圈內(nèi)，對于AI的目標(biāo)本就存在分歧：有學(xué)者認為，AI的目標(biāo)是讓機器像人一樣思考和行動；也有人認為，目標(biāo)是讓機器像人類一樣完成任務(wù)，而不必在機制上與人類相同?；诓煌睦斫?，AGI的定義也有所不同：如果目標(biāo)是讓機器像人類一樣行動，那么模擬人類構(gòu)建“內(nèi)部世界”的能力就必不可少；如果目標(biāo)只是讓機器在任務(wù)表現(xiàn)上不遜于人類，那么是否使用世界模型就不是必須。相比一刀切地依賴世界模型，根據(jù)任務(wù)性質(zhì)選擇最適合的技術(shù)路徑，或許才是更為務(wù)實的通向AGI之路。

結(jié)語

幾千年來，人類一直在追問一個問題：世界是如何運作的？從古代神話中的創(chuàng)世之神，到近代物理學(xué)的牛頓與愛因斯坦；從文學(xué)中的烏托邦，到哲學(xué)中的“物自體”與“現(xiàn)象界”，我們始終渴望理解世界的規(guī)律、命運與可能性。而今天，當(dāng)人工智能開始嘗試“創(chuàng)造”一個世界，它實際上也在加入這場古老的對話。

世界模型不僅是一種AI工具，更是一次對“認知本身”的挑戰(zhàn)。它不僅試圖再現(xiàn)世界的外觀，更力圖理解其機制、因果的流動，以及行動與反饋之間的微妙關(guān)系。從這個意義上看，無論它最終能否引領(lǐng)我們走向AGI，也無論它能帶來多少直接應(yīng)用，其探索價值都不可低估。