中文啦

一文搞懂世界模型：ai如何“脑补”真实世界？（第1页）

最近，AI领域里“世界模型”这个词越来越火，各大科技巨头纷纷入局，像是谷歌发布Genie 3，昆仑万维推出Matrix-Game 2.0，腾讯开源HunyuanWorld-Voyager。这世界模型到底是啥？为啥科技大厂们都对它趋之若鹜？它和我们熟悉的ChatGPT又有啥区别？别着急，接下来就用最通俗易懂的大白话，结合大家熟知的例子，带你彻底搞懂世界模型。

一、先搞懂：世界模型是啥？和普通AI模型有啥不一样？

（一）世界模型：让AI“看懂”真实世界

简单来说，世界模型是一种能让AI理解和模拟真实世界的模型。以往的AI模型，像图像识别模型只能分辨图片里有什么，语言模型只能处理文字信息。但世界模型不一样，它能把视觉、语言、动作等多种信息融合在一起，形成对世界的整体认知，还能预测未来可能发生的事。

举个例子，你看到一个小孩在玩皮球，皮球滚到桌子下面。我们人类不用看也知道，皮球还在桌子下面，不会凭空消失。这是因为我们大脑里有一个“世界模型”，能理解物体的运动规律和空间关系。而普通AI如果只看到皮球滚到桌子下这一帧画面，它很难理解皮球去了哪，因为它没有对世界的整体认知。但有了世界模型的AI，就能像人一样“脑补”出皮球在桌子下的画面，还能预测如果小孩去桌子下找皮球，会发生什么。

（二）和ChatGPT这类语言模型的区别

我们熟悉的ChatGPT属于大语言模型，主要处理文本信息。它能根据你输入的文字，生成相关的回答，比如你问它“明天天气怎么样”，它能根据数据和算法给出答案。但ChatGPT没有对真实世界的感知和理解，它不知道天气变化会对现实生活有什么影响，也无法和真实世界进行交互。

而世界模型更像是一个“智能模拟器”，它不仅能理解语言，还能理解图像、声音等信息，能在虚拟环境里模拟真实世界的物理规律和变化。比如你给世界模型输入一张房间的图片，再告诉它“把椅子搬到窗户边”，它能模拟出椅子移动后的房间画面，还能考虑到椅子移动时会不会撞到其他东西，这是ChatGPT这类语言模型做不到的。

（三）世界模型的起源：从心理学猜想开始

世界模型的概念最早源于心理学对“人脑如何表征外部现实”的猜想。1943年，苏格兰心理学家Kenneth Craik提出“脑内小尺度模型”假设，认为生物体若能在大脑里携带外部现实的简化副本，就可先“脑内试错”，再输出行动。这就好比我们在做一件事之前，会先在脑海里想一下可能的结果，再决定怎么做。

后来，经过认知科学、机器人学与强化学习的交叉演化，世界模型逐渐发展起来。2018年，“World Models”论文的发表，标志着世界模型概念正式被深度学习社区采纳。从那以后，世界模型在AI领域不断发展，成为实现通用人工智能（AGI）的重要路径之一。

二、世界模型能干啥？这些应用场景和我们息息相关

（一）游戏领域：打造“无限可能”的开放世界

在游戏里，世界模型能让游戏场景更加真实、动态，玩家的每一个动作都能实时影响游戏世界。比如，你在玩一款开放世界游戏，当你走进一片森林，以往的游戏可能是提前设定好森林里的场景和物品。但有了世界模型，森林里的树木会根据你的靠近产生光影变化，小动物会因为你的脚步声而逃窜，甚至天气也会随着时间和你的行动实时变化。

昆仑万维的Matrix-Game 2.0在这方面就表现出色。它是一款交互式世界模型，参数量仅有1.8B，能跑在单块GPU上。你只需上传一张静态图片，它就能基于该图像加载并生成一个虚拟世界。玩家可以通过方向键或WASD键控制人物在虚拟世界中的移动，且每一次人物的移动都会实时影响环境，并生成新的视频内容。像丢给它一张3A大作《荒野大镖客》的游戏画面，它能模拟出非常细腻的自然景观，河流蜿蜒流淌，还能模拟出流水的动态效果，大大增加了游戏的真实感与沉浸感。

（二）自动驾驶：提前“预判”复杂路况