世界模型，人工智能的下一个前沿？

来源：环球时报

【环球时报报道 记者 陈子帅】编者的话：近年来，全球的顶级科研团队在尝试打造名为“世界模型”的人工智能（AI）大模型，研究者认为世界模型才能通向真正的“智能”。本报记者近日在北京举行的一场科技大会上看到，使用世界模型的机器人已能解决一些高难度任务，比如给垃圾桶套上塑料袋，为鲜花包装上透明的外壳。接受采访的专家称，能在环境里预判后果、作出决策的世界模型是目前最被看好的方向之一，它有望让AI具备“推演未来”的能力。

机器人套垃圾袋，难在哪

一沓黑色垃圾袋挂在墙上的挂钩上，人形机器人缓缓靠近，伸出右手从垃圾袋的开口处扯下它，然后双手撑开垃圾袋，套在地上的垃圾桶里。套上后，机器人还不忘“整理”一番，让垃圾袋尽可能平整，就像人类套垃圾袋那样。这是《环球时报》记者近日在智源大会上看到的场景，证明人形机器人的“聪明”程度已经有了明显提升。

正在套垃圾袋的机器人 陈子帅摄

我们常见的机器人抓取物品，往往是抓取一个不会形变的硬物，这意味着机器人抓取物品的任何一角都会成功，但对柔性的塑料袋来说并不是这样。例如，当风吹过时，塑料袋就会改变形状，这对机器人的智力是极大的考验。此外，黑色的袋子从视觉上难识别，撕袋套袋的过程长、难控制，这些都是曾经制约机器人的“卡点”。而现在，这些技术堵点正在被一一化解。

这离不开世界模型的支持。过去，行业通常采用VLA（视觉-语言-行为大模型）来研发和训练机器人，如今许多科研机构选择采用世界模型来增强机器人的能力。现场的技术人员告诉《环球时报》记者，“VLA虽然也能执行上述任务，但在面对一些极端的情况时，机器人要尝试抓取好几次袋子才能成功，而世界模型在机器人抓取之前，就会‘预测’几种不同的抓法以及这些抓法能不能成功。世界模型的优势是纠正错误的能力。”

《环球时报》记者在现场看到，基于世界模型，中国的科研机构已经打造了多款清洁机器人，它们有望未来在酒店中应用。一个身材更“高大”的人形机器人站在餐桌前，桌上是吃剩的小龙虾壳、外卖盒等垃圾，机器人先是将虾壳放到了外卖盒里，然后将盒子扔到了一旁的外卖袋里，最后用抹布擦干净桌子，整个逻辑思路和人类清扫时一样。

除了打扫卫生外，机器人还完成了较高难度的“包装”任务。一台机器人左手拿起桌上的黑色锥形花盒，右手拿起透明的装饰壳套在了花盒外面。随后，机器人从花瓶中捏起鲜花，装在了花盒里，递给记者。机器人在拿起鲜花时，精准捏住了花枝部分，没有破坏花瓣。此外，它能够精准识别透明的包装壳，也是一大技术进步。

不过，由于世界模型的训练和数据量仍然有限，一些极高难度的任务仍然让机器人手足无措。比如，换被套。这项工作就算一个成年人做起来都不轻松，对机器人来说更是挑战。

“将被芯从被套里拿出来，再换上新的，这需要两台机器人相互配合，但依然存在很多‘意外的情况’。”现场的技术人员说。

从回答问题到规划行动

世界模型的一大重要用途，就是具身智能。回到技术本身，世界模型到底是什么？它和我们常见的能够聊天的DeepSeek、ChatGPT有什么不同？

新加坡南洋理工大学校长讲席教授、人工智能交叉研究院院长、人工智能系主任安波在大会期间告诉《环球时报》记者，DeepSeek这类大模型本质上是“语言模型”。它们是通过海量文字训练出来的，核心能力是预测“下一个词该是什么”，你可以把它想象成一个读遍了人类所有书籍的人：它知道世界被怎样描述过，所以能跟你侃侃而谈、写文章、答问题。但它对世界的了解，是“二手”的、从文字里学来的。“而世界模型想做的是另一件事，它要让AI在脑子里建立一个对世界如何运转的内部模拟器。就像我们人类，看到一个杯子被推到桌子边缘，不用算物理公式，也能预判它会掉下去摔碎，闭上眼睛也能想象‘如果我这样做，接下来会发生什么’。”

安波说，语言模型是“预测下一个词”，而世界模型是“预测下一个状态”，“也就是你做了某个动作之后，环境会怎么变。”这位学者表示，世界模型是为“会行动的智能体”服务的，让它能在环境里预判后果、进行决策，这对机器人、自动驾驶、具身智能特别关键。安波说，ChatGPT像是读遍了所有游泳教材的人，而世界模型是为了让 AI真正下水学会游泳而造的。

目前，包括Meta前首席AI科学家杨立昆在内的许多AI大咖都在开发世界模型。分析认为，世界模型不再依赖概率推理，而是像人类大脑一样具备模拟和预判能力。去年11月，美国斯坦福大学教授、World Labs联合创始人李飞飞表示，现在以大型语言模型为代表的AI系统过于“纸上谈兵”，缺乏对现实空间、物理规律与因果关系的真正理解，具备空间智能的AI能够突破这一瓶颈，而要实现空间智能，就需要转向世界模型。

不过，目前各方对于世界模型的定义到底是什么，尚未达成统一共识。“现在大家是从不同的方法、不同的角度来看世界模型，但相信最终会殊途同归。”智源研究院院长王仲远对记者表示。

“想象几年后，你家有一个机器人助手。你说‘把厨房收拾一下’，它不会傻乎乎地乱抓，而是会在‘脑子里’先模拟一遍：这个红酒杯易碎，得轻拿，这盘还没吃完的菜要放进冰箱，那把刀得避开等等。它能预判每个动作的后果，之后才敢动手。这背后就是世界模型。”安波告诉《环球时报》记者，家务机器人是世界模型的一大重要应用场景。不过，王仲远告诉《环球时报》记者，“世界模型本身处在早期，对于具身智能实质性的影响和突破还有待观察。”

世界模型的另一大应用领域是自动驾驶。“现在的自动驾驶有时显得‘愣’，是因为它主要对当下情况作出反应。而有了强大的世界模型，车能像老司机一样‘预判’。这种对未发生之事的预演，是安全的关键。”安波还举了一个在他看来更“大胆”的例子——数字孪生与城市治理。“为一座工厂、一座城市建立可推演的数字分身，从而预测交通拥堵、能源消耗、突发事件的连锁反应，辅助决策。”安波说，当AI真正拥有了推演的能力，它就从一个回答问题的工具，变成了一个能帮我们推演世界、规划行动的伙伴。

未来十年的关键拼图

“我们希望具身智能和人一样，在任何场景都是‘通用’的，这就要求机器人在真实物理场景能够看、听和接触，世界模型就是帮助机器人理解世界万物的规律。从这一目标来看，世界模型的研发还处在初期阶段。”北京大学计算机学院教授黄铁军告诉《环球时报》记者。

正在插花的机器人 陈子帅摄

“客观来讲，世界模型现在正处在从实验室概念快速走向‘可用系统’的临界点上，已经能做出很惊艳的Demo，但离真正成熟、可大规模落地，还有一段路。”安波举例说，今年2月，自动驾驶公司Waymo把谷歌 DeepMind团队的Genie 3改造成了专门用于自动驾驶仿真的“Waymo世界模型”，用来生成现实中罕见的极端场景，比如突发龙卷风、路上遇到大象、金门大桥上下雪等来训练自动驾驶系统。“这说明世界模型已经开始在真实产业里干活了。”

包括安波在内的许多学者都认为，目前世界模型面临一项技术挑战——面对长程、开放式的任务，还没有展现出稳定可靠的表现。如今的模型生成短时间的画面很逼真，但只要让它连续往后推演得久一点，误差就会像滚雪球一样累积、放大，导致画面变糊、物体凭空消失、出现违反物理规律的情况。

“可以说我们造出了会‘做梦’的AI，但这个梦还不够稳定、不够符合物理现实，这也正是当前研究的核心攻坚点。”安波说。

打造像人一样聪明的通用人工智能（AGI）曾是许多AI企业的终极目标之一。那么，世界模型的能力真的如此强大吗？它会成为AI的下一个前沿领域吗？

“世界模型确实是目前最被看好的方向之一。可以说，它是通往AGI和具身智能的核心拼图，因为一个不理解物理世界的智能，很难说是完整的智能。”安波说。但这位学者同样认为，AI大模型的众多道路，究竟哪个更好，仍然有待观察，“大语言模型这条路还远没走到头，而世界模型还处在比较早期、技术上仍有很多硬骨头要啃的阶段。”

《环球时报》记者在近一年的实地采访中看到，国内许多科研机构和企业都开始转向开发世界模型。另外一个明显的趋势是，过去几年AI的关键词是“会说话”，也就是理解和生成语言，而现在更多科学家正在让AI从“会说”走向“会想”和“会做”。“未来3到5年都会是世界模型持续演进和迭代的阶段。”王仲远说。

对于世界模型与具身智能之间的关系，深圳市人工智能与机器人研究院具身智能中心主任刘少山对《环球时报》记者表示，世界模型试图对环境形成理解以及预测，具身智能强调在与环境互动中产生智能，因此世界模型可能是具身智能的下一个突破口。

“过去10年，我们教会了AI理解和生成信息，接下来10年的主题，很可能是教会它预测、规划和行动，而世界模型，恰恰是这个转向里最关键的一块拼图。”安波说。