机器人学会了“做梦”，但离做家务还远

一台从未见过鞋带的机器人，俯下身抓住鞋带，轻轻一抽就解开了——它没学过这个动作，只是“看”了几千小时人类系鞋带、拆快递、叠衣服的视频，在自己的“想象”里反复预演了无数次。这就是最近吸金超百亿美元的“世界模型”：让AI像人类一样在脑子里构建物理世界的规则，预测动作的后果。但当资本把这个概念炒成下一个AI风口时，很少有人说破：这些会“做梦”的机器人，连炒一盘稳定的虾都做不到。

两条走了三十年的路，终于交汇了

你可以把世界模型的诞生，看成两个科研团队各自憋大招，直到最近才撞出火花。 一边是强化学习领域的“做梦派”：从1990年代开始，他们就想让AI在虚拟环境里“预演”动作——就像人类下棋前在脑子里算几步。2018年的World Models架构第一次让AI“梦见”了赛车游戏的赛道，2025年的DreamerV3甚至能在《我的世界》里从零开始挖钻石。但这些模型像偏科的学霸：能把单个游戏玩到人类水平，换个游戏就得从头学起。 另一边是计算机视觉的“看片派”：他们从2016年开始，让AI啃下几百万小时人类视频，学习杯子掉地上会碎、门推一下会开的物理规律。直到OpenAI的Sora出现，AI能生成看起来完全符合物理的视频，但它只是个“放映机”——你没法让它暂停，输入一个动作，看接下来会发生什么。 2024到2025年，两项技术突破把两条路焊在了一起：AR-DiT让视频模型学会“按时间顺序”生成画面，而不是一次性全做完；Self Forcing把生成速度从35步压缩到4步。终于，AI既能“看片学物理”，又能“做梦预演动作”——这就是我们现在说的视频世界模型。

百亿美元砸出来的，是个“半成品”

资本的热情把世界模型吹成了机器人的“通用大脑”，但真实的能力边界，比融资额清醒得多。 最成熟的应用是自动驾驶仿真：Waymo用世界模型生成暴雨、逆行车辆等极端场景，测试自动驾驶算法，这已经在生产环境里跑起来了。机器人领域也有小范围突破：DreamDojo能以0.995的准确率预测机器人策略的成功率，相当于给机器人做“模拟考”；DreamGen让机器人看一次抓放演示，就能在陌生环境里完成22种新动作。

但这些都是“特定场景的胜利”。现在最先进的机器人，炒虾得学50次演示，换个菜又得重来；通用家庭操作、家具组装这类需要精细触感的任务，所有方法都还在卡壳。更关键的是，直接用世界模型控制机器人的尝试，还停留在实验室论文里，没有经过独立验证。 更值得关注的是，现在工业界用得最多的还是视觉-语言-动作模型（VLA）——它不用“做梦”，直接从人类演示里学动作。就连最领先的VLA模型Pi-0.7，也只是加了个小型世界模型做子目标规划，而不是完全替代。

巨头们的押注，各怀心思

百亿美元的融资里，藏着巨头们的战略棋盘。 NVIDIA是最激进的玩家：它开源了从视频预训练到机器人控制的全栈工具，就像当年用CUDA垄断AI算力一样，想把世界模型变成物理AI时代的“操作系统”——它的DreamDojo模型在4.4万小时人类视频上预训练，能实时生成符合物理规律的场景，但只有用它的Blackwell芯片才能跑起来。

Yann LeCun的团队反其道而行之：他们觉得“预测像素”是浪费算力，直接让AI学抽象的物理规律，不用生成视频。这种JEPA架构在抓放任务上实现了80%的零样本成功率，但它的“预测”是人类看不懂的抽象向量，就像让你闭着眼猜下一步棋，你永远不知道它想的对不对。 而那些拿到大融资的机器人公司，大多选择“两条腿走路”：用VLA模型解决当下的落地问题，用世界模型探索未来的泛化能力——毕竟，资本要的是现在能落地的产品，而不是十年后的科幻。

当我们谈论机器人的“世界模型”时，其实是在问一个最朴素的问题：机器能不能像人一样，“理解”这个世界？ 现在的答案是：它能模仿人类的动作，能在特定场景里预测简单的物理变化，但离“理解”还差得远——它不知道鞋带的“软”、杯子的“脆”，只是从像素里学到了一组概率。就像一个背熟了题库的学生，能答对所有见过的题，但换个题型就懵了。 智能的本质，从来不是会做梦，而是会理解。 百亿美元砸出的，不是机器人的“通用大脑”，只是一个更聪明的“模仿者”。它离能帮你做家务的那天，还有无数个实验室的夜晚，和无数次失败的预演。