AI有了"脑内剧场"？这居然是科学家在发力的方向！

当你在脑子里预演“伸手去接掉落的杯子”时，你调用的不是记忆，而是大脑里的“世界模型”——一套能模拟物理规则、预测未来的隐形引擎。这正是今天的AI最缺的东西：它能算出杯子落地的时间，却没法像人一样“想象”出接杯子的完整过程。

为了给AI装上这颗想象力引擎，全球顶尖团队趟出了三条路。有人让AI在虚拟梦境里反复试错，有人喂给它千万小时的真实视频，还有人干脆放弃像素，让AI直接学世界的数学结构。但没人想到，这些看起来前途光明的路线，最后全撞在了看不见的墙上。

梦里练出的超能力，一到现实就失灵

2018年，Ha和Schmidhuber给AI找到了一个“做梦”的方法：不用让它模拟每一个像素，而是把画面压缩成极简的“脑内印象”——就像你回忆晚餐时，只会想起“一碗牛肉面”，而不是每粒米的位置。AI只需要预测下一个“印象”，就能在虚拟梦境里反复练习。

DeepMind的MuZero把这条路走得更远：它连画面印象都不预测了，只盯着对决策最重要的三个变量——赢面、奖励、下一步动作。就像一个棋手不用在脑子里还原整盘棋，只需要算清每一步的得失。结果MuZero在完全不知道游戏规则的情况下，把围棋、国际象棋等57个游戏玩到了超人水平，甚至能在《我的世界》里从零开始挖到钻石。

但这个在虚拟世界里呼风唤雨的AI，一碰到真实世界就露了怯。现实里的光影会变、噪声会干扰，哪怕初始预测只有0.1%的误差，推演几十步后也会像滚雪球一样放大成完全失真的画面——这就是让AI“抽风”的元凶：误差累积。虚拟梦境里的规则越清晰，和真实世界的鸿沟就越深。

看了千万小时视频，AI还是不懂物理

既然虚拟世界不够真实，那让AI直接看真实世界的视频总行吧？2024年，能生成逼真东京街头视频的Sora横空出世，整个行业都沸腾了：“视频生成模型就是世界模拟器！”几乎所有玩家都开始疯狂投喂视频、堆算力，以为AI看够了自然就懂物理了。

但几个月后，科学家给这些模型出了张初中物理试卷，结果是一场屠杀。AI能完美生成杯子掉落的画面，却不是因为懂重力，而是背下了几万个杯子掉落的视频——它记住了世界的样子，却没学会世界的规则。遇到没见过的场景，比如让杯子往斜上方飞，AI生成的画面里，物体直接穿过了桌面，液体像果冻一样悬浮在空中。

为了补上交互的短板，Google的Genie能从一张图片生成可操控的3D世界，你按左键角色就往左走，走到边界它还能自动脑补新区域。但代价是，空间越大，AI脑补的细节就越模糊——你要么选一个逼真但只能转圈圈的小房间，要么选一个能逛但像马赛克的大地图。更致命的是，实时生成这样的3D世界，需要的算力是天文数字，根本没法大规模落地。

放弃像素学结构，却没人相信AI懂了

就在所有人为像素疯狂时，图灵奖得主杨立昆掀了桌子：“预测每一个像素，是巨大的浪费。”他反问，你要判断杯子掉下来会不会碎，需要算清每一道光的折射角度吗？不需要，你只需要知道“杯子会掉，掉了大概率会碎”。

他提出的JEPA路线，让AI直接跳过像素，去学世界的抽象数学结构：物体在哪、关系是什么、下一步趋势是什么。如果说Sora是拍高清照片，JEPA就是画结构素描。Meta用超过一百万小时的视频训练出V-JEPA 2，它不输出任何画面，只输出一串串抽象编码，但就是这个“看不见”的模型，只看了62小时机器人操作视频，就能指导真实机械臂在从未见过的实验室里完成抓取任务。

但这条高效的路，却撞上了信任的墙。在一个“眼见为实”的时代，你怎么向普通人证明，一个什么画面都不输出的模型，真的理解了世界？没人能看懂那些抽象编码，也没人敢把真实世界的决策，交给一个“黑箱”里的数学公式。

最新测评显示，当前最先进的世界模型，在“长期规划”上只拿了17.3分——满分100。这意味着，AI离真正的“想象力”还远得很。它能算出下一步，但算不出一百步后的世界；它能模仿见过的场景，却没法想象没见过的未来。

人类的世界模型，花了几百万年才进化出来，它不仅能模拟物理规则，还能理解人的情绪、社会的逻辑。而AI的想象力引擎，现在还停留在“学走路”的阶段——摔了无数次，才终于能站稳，但要像人一样跑起来，还有无数堵墙要撞。

懂世界的规则，比记住世界的样子更重要。