几个硅谷大佬凑了十亿美金，做了一个AI，结果它生成的视频里，咖啡杯直接从桌上飘起来了。
世界模型被吹成AI的下一个革命，但连专家自己都说不清这玩意儿到底能干啥。本文用一个三分法帮你拆开看：盆景派、直播派、玄学派。三条路互相打架，谁也没干过谁。机器人没数据练、算力贵到离谱、AI看视频能不能学会物理，全是卡住的坎。
盆景派先把世界冻成照片再说
盆景派的逻辑很简单，不管动不动，你先给我生成一个能逛的3D场景再说。
世界模型实验室的Marble就是干这事的。你扔进去一张图或者一段视频，它给你生成一个大概你家后院那么大的3D环境。然后你端着鼠标键盘在里面随便溜达，换个角度看沙发背后藏着啥都行。重点是生成一次，导出就能用。游戏公司、电影特效师、3D设计师，拿到这个文件直接拖进工作流，马上投产。
他们用的技术是神经辐射场和高斯泼溅。说人话就是，他们不搞传统的3D网格模型，因为那玩意儿在AI训练里太难伺候了。这套做法的最大好处是成本低。场景只生成一次，后面你再怎么逛都不用花额外算力，自己的电脑就能跑。代价是里面啥都不动，树不摇水不流窗帘不飘，逛久了跟看3D屏保似的。世界模型实验室的人自己也承认，说正在研究怎么加时间维度，但这事没这么快。
盆景派的核心就是三个词：生成一次，导出复用，成本极低。他们走的是商业落地路线，客户今天就掏钱。
直播派觉得不会动的世界不配叫世界
直播派完全不买盆景派的账。他们问了句话：你生成一个死掉的世界，那叫模拟吗？那叫3D屏保。
Runway公司走的是实时路线。他们的模型像一直开着摄像头直播，你按一下键盘往前走，画面立刻跟着往前走，即时响应。你要在仓库里左转，它马上给你生成左转之后的样子。全程流畅得像打第一人称射击游戏。
技术底子是自回归扩散。说白了就是模型一次只算一两帧画面，算完给你看一眼，你给了新操作，它再接着算后面的一两帧。跟盆景派的区别是，盆景派是一次把所有画面都算好存着等你逛，直播派是边算边给你看边走。
直播派的杀手锏是动态。球能滚人能走水流能淌，正经物理模拟。但代价狠，每一帧都要走一遍完整的计算过程，算力烧到肉疼。还有个致命毛病，模拟时间长了会忘事。你从厨房走出去再回来，它可能已经记不清灶台上放的是锅还是手机了。
直播派的核心是另外三个词：实时计算，帧帧生成，算力爆炸。他们赌的是技术制高点，谁先做出能低成本跑动态世界的模型，谁就拥有了训练所有未来机器人的基础设施。
玄学派连画面都不想给你看
还有一派人觉得前面两个都跑偏了。他们问了个更扎心的问题，凭什么世界模型非得给你看画面？
杨立昆搞的JEPA架构就这路数。它不预测每个像素长啥样，只预测场景的抽象状态。比如它不关心杯子的高光在哪里，只记录杯子在桌上、在往左移动、下一秒大概到这个位置。整个世界的各种细节被压缩成一张只有关键信息的清单。
这玩意儿的优点是算力省到极致，不用浪费电去渲染光影纹理。但代价是你根本看不出它在干啥，它内部自己维护了一套场景表示，像一团人类看不懂的乱码，只在最后才转化成动作指令给机器人用。
玄学派的逻辑是，如果你要训练一个机器人抓杯子，它根本不需要知道杯子长啥样，它只需要知道杯子在哪、怎么抓、怎么放。那些视觉细节全是噪声。但问题是机器人面对真实世界的时候，杯柄朝向、表面材质、有没有水渍，全可能是关键线索。抽象状态里很容易把这些信息丢掉。
玄学派的核心也是三个词：不渲像素，只抽状态，省算力但不直观。他们走的是理论突破路线，赌的是整个视频生成范式本身就有问题。
盆景派直播派互相掐架
盆景派觉得直播派烧钱烧得没脑子。你的模型再好有什么用，普通人连门都摸不着，算力贵到只有大公司玩得起。我的场景导出来就能用，游戏公司明天就能投产，这才叫落地。
直播派反咬说你的场景再漂亮也是个死世界。推一把椅子它不倒，扔个球它不弹，那叫模拟吗？真正的世界模型必须能交互，必须能模拟物理效果，这才是训练机器人需要的东西。
盆景派回嘴说真要物理模拟你不如用传统物理引擎。人家摩擦力重力碰撞检测精确到小数点后好几位，你用AI从像素里硬学物理，学出来能有人家精确？
直播派甩出苦逼教训。他们说以前的人也觉得自己搞的规则引擎最牛，结果每次都被AI自己学出来的东西打败。围棋定式、蛋白质折叠、语法规则，全是人类总结了几百年的知识，最后全被AI从数据里硬学出来碾压了。物理凭什么就不能被碾压？
这场吵架绕不开一个核心问题：AI光看视频，到底能不能学会物理规律。
潜空间里到底藏没藏物理
你想想，一个模型被喂了几十亿个小时的视频，狗怎么跑水怎么流球怎么弹全看过了。它为了准确预测下一帧画面，是不是必须学会某种物理直觉。就像你看多了篮球比赛，也能大致猜出投篮会不会进，虽然你从来没学过抛物线公式。
专家管模型内部的这种表示叫潜空间。麻省理工教授打了个比方，你脑子里不会存一份你家客厅的3D工程图纸，但你闭着眼也能走去冰箱拿饮料。你脑子的表示方式连你自己都看不懂。模型也一样，它自己发明了一套编码物理规律的方式，不直接告诉你，但确实管用。
这事儿瘆人的地方在于，连开发模型的人都说不清潜空间里那团乱麻到底怎么表示物理规律的。他们只能通过测试来验证，比如你拍一段真实摆锤的摆动视频，再让模型预测同样场景，两条轨迹重合度很高的话，就说明模型确实学到了东西。
但这也意味着你在信任一个你自己都看不懂的黑盒子。潜空间信任问题的核心就在这儿，你知道它可能管用，但你不知道它为什么管用，也不知道它什么时候会突然不管用。
物理规律和数据硬学谁说了算
直播派内部自己也有分歧。有些研究员觉得让AI从像素里硬学物理规律，纯属有直路不走偏要绕泥坑。F=ma都写好两千年了，你非要让AI从零悟，这不是傻吗。
对面的人搬出苦逼教训堵嘴。历史上所有试图把人类知识硬编码进AI的尝试，最终都被纯粹靠数据和算力堆出来的方案打败了。你觉得自己聪明给AI写了一堆规则，结果AI自己学出来的东西比你写的规则好用十倍。
但物理规律和围棋定式不一样。物理有明确的数学形式，力等于质量乘以加速度，两千年前的希腊人就写出来了。你不让AI直接用，非得从几万亿个像素里反推这个公式，这是不是浪费算力？
直播派的回答是，问题不在于最终能不能用上物理公式，而在于你怎么把这些公式交到AI手里。如果手把手告诉它F=ma，它学到的是符号规则。但如果它自己从数据里悟出来，它学到的是对力、质量、加速度之间关系的直觉式理解。后者在面对没见过的场景时泛化能力比前者强得多。
这话听着玄乎，但深度学习历史确实反复印证过。AlphaGo没被教过任何围棋定式，它自己悟出来的走法把人类几百年棋谱都颠覆了。大语言模型没被教过语法树，它自己掌握的语言规律比语言学家总结的还全面。直播派说物理也一样，等模型规模再大十倍，它自己就能学出比牛顿还精确的物理直觉。
你看，不管谁占理，这个争论本身就是物理规律和数据硬学之间绕不过去的那个坎。
训练数据缺到让人想哭
吵归吵，所有人都认一件事：机器人训练数据太缺了。
自动驾驶为什么跑得快？路上全是车，摄像头拍着，数据满坑满谷。车遇到的情况就那么些，红灯停绿灯行，边界清楚。但你要做个能在家里干活的机器人，情况完全不一样，每个家庭的布局物品光线干扰全不同，动作五花八门。
有些公司雇人戴着摄像头在家做家务扫地叠衣服擦桌子，就为了收那点数据。但效率太低了，一个家庭一天能产生的有效操作数据，可能不够AI训练一秒钟的。
如果世界模型能生成几百万个虚拟家庭、几千万个小时的虚拟家务操作，机器人就可以在虚拟环境里练到吐再进真实世界。盆景派说我的场景精度高适合做训练环境，直播派说我的动态真实能模拟各种意外，玄学派说我的抽象状态效率最高直接给机器人下指令。
但问题绕回来了，你怎么证明虚拟环境里的训练管用。你得先证明模型的模拟足够真实，误差小到可以忽略。这个证明本身就是个巨大的工程，甚至比造世界模型还难。
这个困境，潜空间能解决吗？数据硬学能解决吗？现在没人敢打包票。
三分法告诉你谁在忽悠谁
盆景派要商业落地。游戏电影设计建筑，这些行业现在就要3D资产，他们用AI生成能直接卖钱。至于动不动，客户没催。这种策略稳，但天花板低。
直播派要技术制高点。谁先做出能低成本跑动态世界的模型，谁就卡住了未来所有机器人训练的基础设施。这种策略猛，但中间烧钱无数。
玄学派要理论突破。他们怀疑整个视频生成范式本身就走偏了。这种策略野，但如果赌对了，可能比前两个都更接近通用智能。
三条线目前谁也没跑赢谁。但钱已经砸进去了，世界模型实验室和AMI各融十亿美金，Runway拿了三亿多。所有顶级AI人才都在这个赛道挤着，他们赌的是AI必须学会跟物理世界打交道，而不是永远活在文字和图像里。
这场赌局离你还挺近的。五年后你刷的视频可能全是世界模型生成的了，你家扫地机器人不用再笨乎乎地撞来撞去，它已经在虚拟世界里扫过几万种户型了。
世界模型三分法说到底就一句话：盆景派稳但矮，直播派猛但烧，玄学派偏但野。AI从文字里走出来碰一下真实世界的墙面，砸碎了是玻璃渣，砸不动是南墙。