一张九宫格看懂世界模型：人类『造世界』的九种方式

Mon, 12 Oct 2026 19:30:00 +0800

这是一篇用趣味框架做的类比解读，帮人快速理解世界模型是什么，不是严格的学术分类。

世界模型（World Model）最近被反复提起，很多人默认它是下一代大模型的专属黑科技。

但它从来不是 AI 的专利。下面这张借用 D&D 阵营九宫格形式画的图，把一堆你熟悉的东西排在一起——你会发现，「对世界建模」这件事，人类已经干了几千年。

图里两条轴：

横轴看「这个世界有多贴近真实」：真实世界 → 投影世界（从现实复刻）→ 虚构世界（只抓部分特征）。
纵轴看「我们怎么接触它」：机器可读的底层表征 → 人眼可见的画面 → 能走进去互动的空间。

三行三列，九个格子。

第一行：给机器读的世界模型

共同点：用数字、公式、向量描述世界，人看不懂，是给机器算的。这也是「世界模型」最学术的定义——智能体对外部世界的内部隐式表征，用来预测行动后果、推演未来状态。

真实世界 + 机器可读：V-JEPA

图灵奖得主杨立昆（Yann LeCun）主推的路线，狭义世界模型的代表。它直接学真实世界，把画面、物体、物理规律编码成机器能读的抽象向量；不生成画面，只在内部预测「接下来会发生什么」，供 AI 规划推理。

杨立昆的观点：人脑推演世界不会精细到每个像素，只抓关键信息。JEPA 走的就是这条「压缩式抽象」的路——只留对推理和行动有用的特征，过滤掉无关细节。2025 年的 V-JEPA 2 更进一步，已经能基于视频预测直接做规划和机器人控制。

投影世界 + 机器可读：World Models

2018 年 David Ha 与 Jürgen Schmidhuber 的经典论文《World Models》，奠定了现代 AI 世界模型的基础框架。它不直接建模现实，而是搭一个从现实映射来的虚拟投影世界，全部用压缩的状态向量存。AI 在这个「梦境」里反复试错、推演决策，再把策略搬回现实。人看不到这个世界。

这篇论文的核心洞见：智能体不必基于原始观察行动，可以先把现实压成更小的内部表征，再拿它预测未来、支撑决策。

虚构世界 + 机器可读：粒子物理标准模型

听着和 AI 没关系，但它就是一套用数学公式写成的世界模型。它不描述整个宇宙，只抓微观粒子这一部分特征，用方程定义运行规则。普通人读不懂这些公式，但它们精确描述了世界的底层逻辑——跟 AI 世界模型用向量描述规律是同一件事：用一套人无法直接感知的符号系统，精准建模世界的某一部分。

第二行：给人看的世界模型

这一行用画面、文字、实景呈现，不用解码，看一眼就懂。也是大众最常接触的形态——把世界「渲染」成人眼能接收的画面。

真实世界 + 直观可见：Sora

Sora 被叫世界模型，不是因为它会生成视频，而是它学到了真实世界的物理规律。底层怎么算不用管，播放出来就是模拟出的真实场景。

OpenAI 干脆把 Sora 的技术报告取名为《Video generation models as world simulators》——视频生成模型可以被看作世界的模拟器。按功能说，它干的是「渲染」的活：以像素输出人眼可见的画面，指标是视觉保真度，生成的是「观察者将要看到的景象」。

投影世界 + 直观可见：大语言模型（LLM）

大模型把现实世界的知识、常识、逻辑学进参数，再用文字输出——文字是现实世界的一种投影，读就能获取信息。

有一点要说清楚：说「LLM 具备世界模型能力」，指的是它内部隐式的知识表征——参数里编码了空间、因果、物理规则，这部分人看不懂，文字只是显式结果。多项研究已证实，大模型内部确实会隐式编码空间和物理表征。

虚构世界 + 直观可见：迪士尼乐园

不用 1:1 还原现实，只提取童话的核心特征，在现实里搭出能逛的场景。走进去看和体验，就能直观感受到这个虚构世界，规则和剧情不用你操心。说穿了，它是一个用建筑、表演、音效搭出来的「实体渲染器」，把虚构世界观变成人能直接体验的东西。

第三行：让人参与的世界模型

这一行不再是旁观：你走进去，行为会改变世界状态，人成了世界的一部分。对应仿真、交互类世界模型，也是游戏、数字孪生的底层逻辑。

真实世界 + 互动参与：《黑客帝国》Matrix

肉身留在真实世界，意识接入虚拟母体。你在里面行动、选择，行为改变虚拟世界的走向，自己成了模型的一部分。这是交互式世界模型的极致想象：感知完全接入，行动直接作用于模型内部，人和模型形成一个闭环。

投影世界 + 互动参与：VR 女友

从真实的人物形象、社交关系投影出一个虚拟世界。戴上 VR，就能和角色对话互动，每个动作都有反馈，从看客变成参与者。这类应用基于现实特征构建，同时允许你的行为影响世界状态——面向人的交互式世界模型。

虚构世界 + 互动参与：《幻兽帕鲁》

完全虚构的游戏世界，只借鉴现实里生存、建造、生物的部分特征。玩家进去后探索、建造、抓帕鲁，每一步都在改变这个世界，人和世界持续双向互动。电子游戏是虚构交互式世界模型里最成熟的一种：有自己的规则，接收玩家输入，实时推演状态变化。

世界模型的本质：人类「造世界」的所有方式

这张图的价值，是打破「世界模型 = AI 技术」的窄视野。

人类文明干了几千年的事，其实就是用不同媒介造世界。物理定律是拿公式写世界，小说用文字，主题乐园用砖头和表演，电子游戏用代码。今天 AI 生成、推演的数字世界，不过是这条线上最新的一环。

这些「世界」的区别，从来不是高科技还是老东西，只有两个维度——它离真实生活有多近；你是在外面看，还是已经走进去。

拓展阅读与参考来源

定义与思想源头

World model（Wikipedia）：世界模型的通用定义——学习环境动力学、预测未来状态、支持行动规划。
Kenneth Craik《The Nature of Explanation》（1943）最早提出「心智模型」：思维是对现实的符号化模拟。这是世界模型的思想源头，参见 Kenneth Craik（Wikipedia）。

现代 AI 世界模型

David Ha, Jürgen Schmidhuber, World Models（2018）：用压缩的隐式表征构建世界模型，在「梦境」里训练智能体。论文 · 项目主页（含可交互 Demo）
Danijar Hafner et al., Dream to Control: Learning Behaviors by Latent Imagination（ICLR 2020，Dreamer 系列开山作）：在学到的世界模型里「想象」出策略。论文
DeepMind, Genie: Generative Interactive Environments（2024）：从视频中学习可交互的潜在世界模型。论文

JEPA 与视频世界模型

Meta 博客 V-JEPA: The next step toward advanced machine intelligence（2024，杨立昆路线官方介绍）。链接
Adrien Bardes et al., Revisiting Feature Prediction for Learning Visual Representations from Video（V-JEPA 原始论文，联合嵌入预测架构）。论文
V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning（2025）：从视频预测走向规划与机器人控制。论文
OpenAI, Video generation models as world simulators（2024，Sora 技术报告）。链接

LLM 的隐式世界模型