从“预测Token”到“预测物理状态”：世界模型如何重构人工智能的进化范式

TL;DR：

世界模型正将AI的范式从单纯的“语言概率预测”转向“物理状态演化预测”，旨在赋予机器理解因果、空间与物理常识的基座能力。这一变革不仅是具身智能的技术跨越，更是AI从数字符号处理向物理世界决策主体进化的分水岭。

技术范式的逻辑跃迁：从语境到物理律

过去一年，人工智能行业陷入了一场关于“什么是世界模型”的语义混战。无论是视频生成模型的模拟器路径，还是具身智能中VLA模型的动作端到端映射，业界似乎都在试图触摸那个定义AI物理认知的“圣杯”。然而，正如智源研究院院长王仲远所言，当前的技术路线呈现出碎片化倾向：从以语言为中心的VLA，到以像素为中心的生成模型，再到以三维结构为核心的空间建模，各路资本与研究力量在不同维度上试图构建“世界观”。¹

本质上，这场变革的逻辑核心是从“Next Token Prediction（预测下一个词元）”向“Next Physical State Prediction（预测下一个物理状态）”的跃迁。语言模型虽能处理海量语义，但它对物理现实的认知停留在关联性层面，而非因果律层面。世界模型的核心任务，是建立一套能在“潜空间（Latent Space）”内模拟物体位置、速度、应力传导及动作连锁反应的底层机制。这不再是简单的渲染，而是对物理逻辑的压缩与推演。²

产业版图的重构：VLA与世界模型的共生策略

行业中关于“VLA已死”的讨论，实际上反映了具身智能在商业化落地过程中的痛点：单一任务驱动的VLA模型在面对开放环境时，表现出了致命的泛化能力缺失。世界模型并非VLA的竞争对手，而应被视为机器人大脑的“潜意识”与“直觉模块”。³

在未来的生态格局中，我们极可能看到一种“双支柱”架构的形成：

• 行动决策层（VLA）：负责特定场景下的高频动作执行，是技术的“小脑”。
• 认知推演层（世界模型）：负责跨环境的因果推理、状态预判与任务规划，是技术的“大脑”。

随着小鹏汽车、英伟达等头部厂商将双支柱架构付诸实践，行业已从单纯的技术探索转向产品化验证。世界模型短期内将作为数据引擎与训练工具，为机器人提供“想象力”；中期则将解决长程任务下的状态保持与一致性问题。

翻越“数据匮乏”与“物理一致性”两座大山

尽管前景广阔，但世界模型的落地仍面临极高门槛。李飞飞曾明确指出，物理世界AI发展的滞后归因于数据信噪比——真实的物理数据远比文本数据稀缺且昂贵。⁴ 当视频生成模型能轻而易举地让猪飞上天时，它其实并未理解物理规律，只是在拼贴概率分布。

真正的突破口在于构建“物理一致性”：模型需要理解“水杯掉落与否取决于盖子是否盖紧”这一因果链。这就要求下一代AI不仅要摄入互联网的海量视频，更需通过全模态数据（点云、力触反馈、RGB-D）来重构物理状态。这正是智源研究院探索“全模态潜空间建模”的深层意义——通过将多种物理模态压缩进同一语义空间，让AI真正“学会”物理常识。⁵

未来展望：迈向物理AGI的十年征程

王仲远认为，我们正处于深度学习2012年的前夜，概念尚未收敛，但技术信仰已然确立。未来3-5年，世界模型将从学术黑话转变为工业底座。这不仅会重塑具身机器人行业，还将渗透至严肃工业仿真、AI for Science等高价值领域。

对于人类文明而言，这意味着机器智能将从“被动响应”转变为“主动交互”。当我们把AI的决策权交给一个能够理解、想象并推理物理后果的“智能实体”时，人类生产力的边界将不再局限于数字空间，而是延伸至整个物理世界的物理操控与改造之中。这注定是一场长达十年的马拉松，而现在的每一个实验与试错，都是通往物理AGI（Physical AGI）的铺路石。

引用

• 世界模型
• 具身智能
• 下一代人工智能范式
• 物理AGI
• 深度学习进化