世界模型，AGI的尽头，还是起点
2026年4月，Roblox CEO David Baszucki发了一条推特，抛出了一个让人头皮发麻的比喻：
“今天的AI视频生成，本质上是’实时的梦’——梦境结束后，什么都不留下。”
他说的是Sora，说的是Genie，说的是这波用AI生成视频的热潮。
你看一段AI生成的视频，画面精美、光影逼真，但当你关掉它再打开时，世界重置了——就像从一场梦里醒来，刚才的一切烟消云散。
为什么这事儿很重要？
因为Baszucki点破了一个被整个行业刻意回避的问题：如果AI连”记住这个杯子刚才放在哪”都做不到，它凭什么说自己”理解世界”？
而这个问题，正把我们引向2025-2026年AI圈最热、也最分裂的一个词——世界模型。
有人说它是大模型的终点站，是AGI的最后一公里。有人却说它连起点都算不上，只是一个昂贵的学术玩具。
到底哪种说法靠谱？
今天，我们试着从三个层次来拆解这个问题。
一、一场静悄悄的”叛逃”
先说一个你可能没注意到的细节：
2025年，杨立昆（Yann LeCun）干了一件大事——这位Meta首席AI科学家、图灵奖得主，离开了Meta核心管理层，创立了一家名叫AMI的公司。
AMI的全称是Advanced Machine Intelligence——“先进机器智能”。
注意，不是AGI（通用人工智能）。杨立昆压根就不信AGI这个词，他说”通用智能是伪命题”。
那他要做的到底是什么？
答案是：世界模型。
在巴黎AI峰会上，杨立昆扔了一句让全场沉默的话：“如果你对人类级别的AI感兴趣，就不要攻读大语言模型。”
（ps：在座的可能有一半人正在做LLM方向的研究，这句话的杀伤力不亚于在教堂里说上帝不存在。）
杨立昆的逻辑很清晰：
- LLM的本质是什么？是一个基于概率的文本压缩机。它预测下一个词，但并不”理解”词与词之间的因果联系。
- 一个LLM可以写出”把杯子推到桌子边缘”这句话，但它不知道杯子会不会掉下来、以什么角度掉下来、落地时会不会碎。
- 因为文本里没有重力。没有摩擦力。没有惯性。
人类婴儿在9个月大的时候就学会了”直觉物理”——知道不支撑的物体会掉下来。但一个读过十万亿token的LLM，至今不知道。
杨立昆管这叫”莫拉维克悖论”：机器可以搞定微积分，但它拧不开一瓶矿泉水。
而世界模型的愿景，正是让AI学会物理世界的运行规律。
具体怎么做？杨立昆提出了一个叫**JEPA（联合嵌入预测架构）**的东西——这个名字太学术了，我帮你翻译一下：
JEPA的核心思想只有一个：别去数树叶。
人类开车的时候，不会数路边有多少片叶子——我们只关注路面、障碍物、前车距离。但传统的AI视频生成模型（比如Sora）试图精确预测画面中每一个像素的变化，包括每一片树叶的晃动。这就像你去买一瓶水，却坚持要数清楚便利店里有几粒灰尘——算力花在了完全没用的地方。
杨立昆说，不需要。预测在抽象特征空间中进行就行——把握住核心结构，忽略不重要的细节。
这和人类的直觉推理是同一种逻辑。你的大脑在判断”那个球会落地吗”的时候，不会计算空气阻力。
但JEPA有一个致命弱点：它不够”好看”。
因为它放弃了像素重建，所以它生成的”世界”更像抽象的心理地图，而非照片级的视觉体验。
而这就引出了世界模型领域最根本的一场路线之争。
二、“造梦者”和”直觉家”的战争
聊到这里，我们需要引入一个关键区分：
世界模型目前有两条截然不同的技术路线，它们之间的分歧，决定了这个行业未来五年的走向。
我给它起了个名字，叫**“造梦者 vs 直觉家”**的路线之争。
造梦者（生成式路线）：
- 代表玩家：OpenAI Sora、DeepMind Genie、英伟达Cosmos、腾讯混元3D
- 核心逻辑：像素级预测——AI要精确知道下一帧画面里每个像素是什么颜色
- 优势：视觉震撼。Genie 3可以生成720p、24fps的实时可交互3D世界，你可以在里面走路、回头、发现刚才看到的建筑还在那里（能记住几分钟，不是几秒钟）
- 代价：算力黑洞。英伟达Cosmos训练了9000万亿token、2000万小时的视频数据。腾讯坦言混元3D的训练成本”相当于两套大语言模型”。中等规模世界模型年投入可能高达数亿美元
直觉家（JEPA路线）：
- 代表玩家：Meta/杨立昆、LeWorldModel、ThinkJEPA
- 核心逻辑：抽象特征预测——不预测像素，预测”这个场景的核心结构是什么”
- 优势：极高效率。V-JEPA 2规划用时仅为Cosmos的1/30，成功率却更高。而且它实现了零样本机器人规划——在没有见过的物理环境中，75%的任务成功率
- 代价：不生成”好看”的画面。你没法把JEPA的输出截图发朋友圈，因为它预测的是抽象的数学向量，而不是可视化的视频
有人会问了：这不是明摆着吗？一个能生成画面的模型当然比一个不能生成画面的模型更有商业价值。
这个直觉恰恰是错的。
你还记得Sora的命运吗？它能生成60秒的高质量视频——视觉效果无可挑剔。但它在2026年关停了。生命周期总收入仅约210万美元，而单日推理成本高达1500万美元。
（ps：一天烧掉1500万美元，一个月赚几十万。这个经济模型，巴菲特看了都得摇头。）
为什么？因为”Sora看起来很炫”和”Sora能解决任何人的真实问题”是两码事。
“造梦者”模型的核心困境是：它们能生成逼真的视频，但生成的视频缺乏可预测性和物理一致性。Sora生成的视频里，杯子会突然消失、人的手指会多出一根、物体的阴影方向可能比物理定律多出三个。
它是一场梦，不是一张地图。
而JEPA虽然不”好看”，但它做的事情恰恰是”造梦者”做不了的——它理解世界的因果结构，因此可以用来做规划、做决策、做控制。
如果你要训练一个机器人去拿起桌上的杯子，你不需要生成一段”拿杯子”的4K视频——你需要的是让机器人精确预判：这个杯子有多重？摸起来是什么材质？抓取角度错了会滑吗？
这些信息，在一张JEPA的”世界心理地图”里全都有。
但反过来，“直觉家”也有它的阿喀琉斯之踵。JEPA能理解世界，但不能”展示”世界。在需要可视化交互的场景（游戏、虚拟培训、产品设计），JEPA派力不从心。
所以，答案可能不是二选一，而是第三条路。
三、第三条路：当”逻辑”和”视觉”分工
2026年4月，Roblox提出了一个让整个行业眼前一亮的方案。
他们管它叫Roblox Reality——一种混合架构。
这个架构的逻辑简单到近乎粗暴：
- 底层：Roblox Engine负责所有”不能出错”的东西——物理规则、碰撞检测、分数计算、多人同步。这些都是确定性逻辑，精确、可预测、持久。
- 上层：Video World Model作为”超级超分器”——在底层确定性逻辑之上，叠加逼真的照片级视觉细节。
打个比方：这就像动画片的制作流程。先画分镜线稿（底层逻辑），确保每一帧的动作、节奏、构图都正确；然后再上色、渲染、加特效（上层视觉）。**线稿决定了故事的逻辑是否成立，渲染决定了画面是否好看。**两者各司其职，缺了哪一步都不行。
Roblox Reality的野心很大。Baszucki说，这套架构最终可以让”三人团队用一周时间做出一款叙事驱动的照片级3D游戏”。
（ps：今天做一款3A游戏需要几百人、好几年、上亿美元。如果三人一周可以完成同质量的作品，那整个游戏产业的”生产函数”就被彻底改写了。）
但更重要的是，Roblox Reality指出了一个被喧嚣掩盖的事实：
世界模型的终局，不是一个”全知全能的超级模型”，而是一个分工协作的系统。
LLM负责理解意图和高级规划（“我想在虚拟世界建一座城堡”），世界模型负责环境的因果建模和物理仿真（“城堡建成后，墙能不能承重？光线怎么穿过窗户？”），视觉生成层负责让它”好看”。
这三层不是替代关系，是合作关系。
用杨立昆的话说：“世界模型不是要替代LLM，而是构建具身智能的基石。”
用商汤科技首席科学家林达华的话说：“未来的AGI，绝不会只是一个陪你聊天的Chatbot。它必须是一个能够理解物理世界、具有多感官能力的世界模型。”
用英伟达黄仁勋的话说：“正如大语言模型革命了生成式AI，世界基础模型是物理AI的突破。”
三句话，指向同一个方向。
四、中国玩家：在”物理AI”的牌桌上抢椅子
说完了技术路线，我们回到产业层面。这个牌桌上都有谁？中国玩家坐在什么位置？
英伟达是绕不开的第一张牌。CES 2025上发布的Cosmos平台，已经成为世界模型的基础设施——不仅开源了预训练模型，还提供从数据管护到训练到定制的完整工具链。全球顶级的机器人公司（1X、Figure AI、Agility）、自动驾驶公司（Wayve、Waabi、Uber）都已经在Cosmos上跑。黄仁勋的逻辑很清晰：卖铲子的人永远是淘金热里最稳的赢家。
DeepMind 是技术突破的代名词。2025年8月发布的Genie 3，是首个实现实时交互（24fps/720p）的通用世界模型。它可以从一段文字描述生成可互动的3D世界，并且记住至少几分钟的环境状态——虽然离实用要求的”数小时”还有差距，但Genie 2只能撑10到20秒。这个进步速度，相当惊人。
中国阵营的布局比外界感知的要深得多：
商汤科技在2025年12月放了一颗”卫星”。他们开源的NEO架构和SenseNova-SI模型，在空间智能测试中超越了李飞飞团队的Cambrian-S，成为首个在该领域登顶的国产开源AI。
NEO架构的核心突破很”硬”：它彻底抛弃了传统多模态模型”视觉编码器+语言模型”的拼接模式。从最底层的Transformer模块开始，每一个计算单元都能同时处理视觉和语言信号。这种原生多模态设计，让数据效率提升了10倍——商汤只用了同类模型10%的训练数据，就达到了SOTA水平。
林达华把这条路线称为”从Words到Worlds的技术迁徙”，并特别指出：“中国拥有全球最完整的工业体系和最丰富的应用场景，这为空间智能提供了得天独厚的发展土壤。”
（ps：有意思的是，商汤选择的路线恰好介于”造梦者”和”直觉家”之间——从底层架构上实现视觉和语言的真正融合，而不是用一个拼一个。）
腾讯在2025年WAIC上发布了混元3D世界模型1.0，是业内首个同时具备沉浸漫游、交互和物理仿真能力的开源3D生成模型。代价也很直白：训练成本相当于两套大语言模型——这就是你要坐上牌桌的门票价格。
华为走的是终端落地路线。首席科学家田奇把”世界模型”定义为下一代智能终端的核心引擎，重点押注两个场景：自动驾驶（从L3到L5的进化离不开世界模型的物理仿真能力）和具身智能（2030年前后有望迎来”ChatGPT时刻”）。
高德的”途途”导盲四足机器人，可能是最接地气的世界模型落地案例。它的核心技术概念叫”Map as Memory”——给机器人一张持续存在的世界底图，把视觉、感知、动作全部嵌进这张底图。机器人在空间中移动，本质是在更新和调用这张”世界地图”。
把一个盲人安全地从A点护送到B点，是具身智能最严苛的验证场景：人突然停下、自行车斜穿、盲道被占——所有变量不会提前打招呼。如果世界模型能搞定这件事，那它离真正的”理解世界”就不远了。
五、回到最初的问题：大模型进化的终点是什么？
绕了一大圈，让我们回到标题：世界模型是大模型进化的终点吗？
我的答案是三句话：
第一句：如果”终点”指的是一条技术路线终结另一条技术路线——那世界模型不是终点。
LLM和世界模型不是替代关系。LLM擅长的是符号推理、语言理解、知识组织；世界模型擅长的是因果预测、物理仿真、空间推理。两者合在一起，才是完整的智能。
华为的报告讲得很透彻：大模型要结合”三大引擎”——语言引擎、推理引擎、世界引擎——才能走向真正的通用智能。
第二句：如果”终点”指的是”范式转移的转折点”——那世界模型确实是这个转折点。
过去十年，AI的每一次跃迁都源自输入模式的变革：文字带来了语言智能，图像催生了视觉智能。而现在，世界模型正在让AI理解一个有时间、有空间、有因果的动态系统——不是文本的平行宇宙，而是我们生活的这个物理世界。
这就像从二维升级到三维。地图上的”距离30公里”和实际开车30公里走过的路——拐弯、上坡、红绿灯、加塞的车——是两个完全不同的东西。LLM理解的是”30公里”这个概念，世界模型尝试理解的是”走过30公里的体验”。
这个区别，决定了AI从”工具”走向”智能体”的质变。
第三句：如果”终点”意味着”终极形态”——那根本就不存在终点。
从文本到图片到视频到3D世界，大模型的进化史告诉我们一件事：每一次当我们觉得”差不多了”，新的可能性就打开了。
当LLM刚火的时候，没人想到文生视频会成为现实。当Sora刚发布的时候，没人想到Genie 3能实现实时交互。当Genie 2还只能维持10秒记忆的时候，没人想到Roblox Reality会提出”结构化逻辑+生成式视觉”的混合方案。
站在2026年回望过去：我们担心的”AI瓶颈”大多是错的——不是技术到了尽头，而是我们的想象力到了尽头。
有人可能会说：你跑题了。说了半天，你也没告诉我世界模型具体什么时候能赚钱、谁能赚钱。
这个问题我预判到了。
但说真的——在2019年，有人能回答”大语言模型什么时候能赚钱”吗？GPT-3在2020年发布的时候，全世界都在讨论”它能干嘛用”。但今天，ChatGPT已经是百亿美元级的生意。
世界模型现在的状态，大约相当于2019年的语言模型：基础技术已经跑通，但产品形态没人知道。
这不意味着它没有价值。这意味着它的价值还没被”翻译”成商业模式。
尾声
去年冬天，我曾看到一段视频：
一个小孩在沙滩上堆城堡。海浪一次次把城堡冲垮，小孩一次次重新堆起来。
有大人问他：你在干嘛？
他说：我在学海浪什么时候来。
小孩不是在堆城堡，他是在建立”海浪的行为模型”——这就是人类最原始的世界模型学习。没有语言，没有公式，只有观察、预测、行动、修正。
几万年后，当全球最聪明的大脑们举着GPU集群、花费数十亿美元去构建AI的世界模型时——
他们其实在做同一件事。
只不过，这次学海浪什么时候来的，不是小孩一个人，而是整个文明。
世界模型从来不是终点。它是人类教会机器看世界的第一课，也是机器开始教人类看世界的最后一课。
本文由小龙创作，基于2026年5月前的公开资料撰写 待@商分老王、@投资老钟审校