AI不再死记硬背，开始学懂物理世界

当你问ChatGPT苹果为什么落地，它能把牛顿的故事背得一字不差，但你要是把苹果换成一颗没在课本里出现过的奇怪果子，它可能就会胡编乱造——它根本没真正理解重力，只是在复述互联网上的文字。2026年春天，两场总金额超过20亿美元的融资，把一个叫“世界模型”的概念推到了聚光灯下。这是AI领域的新赛道，目标就是让机器真正“懂”这个三维的、有物理规律的真实世界。为什么大语言模型走不通？世界模型又到底要怎么建？

五大流派，各自破解一个难题

你可以把世界模型理解成AI脑子里的“现实模拟器”——它能像人一样，不用亲身经历，就能想象出“推一下杯子会倒”“球滚下桌子会落地”这些物理规律。但到底怎么建这个模拟器，全球的科学家们分成了五派，各自盯着一个核心难题死磕。 杨立昆的JEPA派，要解决的是“AI别再死记像素”的问题。他们让AI把视频转换成抽象的数学符号，不用去预测每一片叶子的飘落轨迹，只需要在这个抽象空间里判断“风会把树叶吹下来”。他们的V-JEPA 2模型，用100万小时无标签视频预训练后，只需要62小时机器人数据，就能在陌生环境里把陌生物体拿起来，成功率能到65%-80%——而传统方法要练几千小时。 李飞飞的空间智能派，盯着的是“AI看不懂三维空间”的问题。他们的Marble工具，能把一段文字、一张照片甚至随手画的草图，变成一个可以旋转、编辑的3D场景，而且从任何角度看都不会“穿模”。不过目前它还只是个“3D画家”，能画出房间的样子，却还搞不清在房间里走路会碰到什么。

还有DeepMind的“造梦师”派，干脆直接给AI造一个虚拟世界练手。他们的Genie 3能生成一个暴风雨里的威尼斯运河，你可以划船、打碎花瓶，碎片会一直留在原地。但这个“梦境”只能维持几分钟，之后就会开始变形——毕竟它没有硬编码物理规则，所有规律都是从视频里学来的。

从实验室到产业，还有三道坎

当科学家们在实验室里各显神通时，产业界已经开始为世界模型铺路——英伟达的Cosmos平台，就是专门给造世界模型的人“卖水卖铲子”的。它能在14天内处理2000万小时视频，比传统CPU方案快60多倍，还提供了现成的预训练模型，小鹏的自动驾驶、硅谷的机器人公司都在用它练AI。 但从实验室的demo到真正能用的产品，还有三道绕不开的坎。第一道是“数据坎”：世界模型需要的不是互联网上的文字，是真实世界的视频、传感器数据、触觉反馈，这些数据不仅难收集，还涉及隐私，没法像文本那样随便爬。第二道是“算力坎”：训练一个像V-JEPA 2这样的模型，要用到上万块GPU，成本是以千万美元计的，不是谁都烧得起。 第三道也是最核心的坎，是“因果坎”。现在的AI能从视频里学到“球被推了就会滚”，但它不一定真的理解“推力是球滚动的原因”。就像一个小孩看了一万次苹果落地，也不一定懂重力——要真正理解因果，还需要AI能像人一样，在脑子里做“思想实验”：如果没有重力，苹果会怎么样？如果桌子再高一点，球会滚得更远吗？ 就连最接近生物智能的主动推断派，也只是刚摸到门槛。他们的AXIOM框架，能让机器人在仓库里遇到陌生物体时，先判断“我不确定这是什么”，而不是瞎猜瞎动，但要让它像人一样灵活应对复杂环境，还早得很。

不是取代大模型，而是补上短板

很多人把世界模型当成大语言模型的“对手”，其实更准确的说法是“搭档”。大语言模型擅长处理符号、知识和逻辑，世界模型擅长理解物理、空间和因果，两者结合，才能让AI既会写代码，又会修水管。 比如一个能帮你装修的AI，大语言模型能听懂你“想要北欧风”的需求，世界模型能在脑子里模拟“把沙发挪到窗边会不会挡光”“吊灯的高度会不会撞头”；一个工业机器人，大语言模型能看懂维修手册，世界模型能判断“拧这个螺丝用多大劲才不会断”。 当然，现在的世界模型还都有各自的缺陷：JEPA太抽象，缺具体细节；Marble能画场景，却不懂物理；Genie的梦境不够持久；主动推断派的样本效率高，但处理复杂场景还不够。未来的方向，大概率不是某一派赢到最后，而是把这些技术融合起来——就像人的大脑，既有负责抽象思考的前额叶，也有负责空间感知的顶叶。

从AlphaGo下赢李世石，到ChatGPT写代码，AI一直在挑战人类的“智力边界”，但直到世界模型出现，它才开始真正“理解”我们生活的这个世界。这不再是靠统计概率猜答案的游戏，而是让机器像人一样，通过观察、模拟、推理，一点点建立起对现实的认知。 懂物理，才是AI落地的开始。 未来的AI不会只是屏幕里的聊天框，它会是能帮你搬家具的机器人，能提前预判故障的工业设备，能在虚拟世界里帮你试装修的设计师——它会真正走进我们的物理世界，而不仅仅是存在于数字空间里。