世界模型（World Model）让 AI 建立“世界如何运作”的内部模型，理解空间、物理与因果，预测的是世界的下一个状态，而不是像大型语言模型那样只预测下一个字。它已在自动驾驶、机器人、游戏场景落地，但画面逼真不等于物理正确；与 LLM 相比，哪条路线才是通往 AGI 的正确路径，到今天仍是业界最大的争论之一。 （前情提要：李飞飞谈 LLM 下一步：AI 需拥有“空间智慧”才能理解真实世界，Marble 模型如何实现？） （背景补充：Serenity：世界模型成 AI 圈最大共识，中国资金弃基础模型，转为物理 AI）
Toggle
世界模型（World Model）是目前 AI 圈最常被提起、也最常被误解的名词之一。一句话定义：世界模型是一种让 AI 建立“世界如何运作”内部模型的系统，让它理解空间、物理与因果关系，并据此预测接下来会发生什么。
它跟一般人熟悉的 ChatGPT、Claude 这类大型语言模型（LLM）不是同一条技术路线：LLM 预测的是“下一个 token（词元）/字”，而世界模型预测的是“世界的下一个状态”。
世界模型（World Model），简单来说就是让 AI 学会“脑内模拟”的技术。举个例子：人类过马路前，会在脑中自动预演“如果我现在跨出去，那辆车还要几秒到我面前”；这个预演不需要真的走到车前面再试一次才知道结果。
世界模型想让 AI 也具备这种能力：先在内部模拟各种可能，再决定下一步动作，而不是每次都要在真实世界里试错。
斯坦福大学计算机科学教授、AI 领域指标人物李飞飞把世界模型的功能拆成三块：
她创办的 World Labs，所做的产品 Marble 主打的正是第三块——模拟与交互。它被视为整条技术链里最关键、也最难的一环，因为光是“生成一张漂亮的图”不难；难的是生成一个“可以走进去、可以互动、物理逻辑还要合理”的空间。
这股风潮之所以在 2026 年集中爆发，一部分原因是产业界对 LLM 的天花板出现了明显的焦虑。当“文字接龙”这条路线的天花板越来越清楚，一批研究者开始把赌注押到另一条路：让 AI 直接学会理解“世界”本身，而不是只学会模仿人类如何描述世界。
需要先说清楚一个常见误解：世界模型不是要取代 LLM 去做对话或写作，它解决的是完全不同的问题——空间推理、物理模拟、动作规划。这也是为什么它会先在自动驾驶、机器人、游戏这几个“需要理解物理世界”的领域率先落地，而不是聊天机器人。
大型语言模型（LLM）建立在 Transformer 架构上，运作方式是预测序列中“下一个 token（词元）”。简单来说就是：LLM 看过极大量的文字后，学会“这句话接下来最可能出现哪个字”，整个运算过程都发生在“文字空间”里。
它从来没有真正“看过”或“模拟过”物理世界；内部没有重力、没有碰撞、没有空间坐标，只有文字之间的统计关系。
世界模型走的是另一条路。以 Yann LeCun 提出的 JEPA 为代表，它不去预测原始画面的每一个像素，也不预测文字 token，而是在“潜在空间”里预测未来状态的抽象表征。
白话说就是：它会先把不重要的杂讯细节（例如背景墙上一道反光）主动丢掉，只保留理解这个世界所需要的核心信息——这颗球正在往哪个方向滚、这辆车还要几秒到路口。因为输出建立在一个明确、可检验的内部状态上：一旦模型“内部想的”和“输出的”对不上，这种不一致相对容易被侦测出来；而这正是 LLM 难以做到的。
两者的差异，可以用下表快速对照：
| 比较项目 | | --- | | 大型语言模型（LLM） | | 世界模型（World Model） | | --- | --- | | 预测目标 | 下一個 token（文字） | 世界的下一个状态 | | 运作空间 | 文字 / 语言空间 | 潜在空间（latent space） | | 核心架构 | Transformer | JEPA、扩散模型、自回归 Transformer 等 | | 是否理解物理 | 不模拟物理，无内部世界模型 | 学习物体移动、碰撞、重力等物理规律 | | 典型错误 | 幻觉（多數模型仍在 15% 以上） | 画面逼真但物理不一定正确 | | 代表应用 | 对话、写作、代码生成 | 自动驾驶模拟、机器人训练、可探索 3D 世界 |
要提醒的一点是：“画面看起来逼真”不等于“物理上是对的”。以影片生成为基础的世界模型，因为训练目标更直接对准“看起来真不真”，不一定会保证“物理上合不合理”；在自动驾驶车、机器人这类容错率极低的场景里，这就是关键区别，也是接下来的争议核心之一。
要理解世界模型的运作逻辑，得先搞懂两个词：潜在空间和预测下一刻。
潜在空间，简单来说就是：AI 把眼前看到的画面“压缩”成一组抽象数字，只留下对理解这个世界有用的信息，丢掉多余的视觉杂讯。
举个例子：一段行车记录器画面里，潜在空间可能只保留“前方有一辆车，距离在缩短，速度中等”这样的抽象描述，而不去记录画面里每一片树叶的颜色。这样做的好处是运算量大幅降低，而且模型学到的是“规律”，而不是死记画面。
有了潜在空间，下一步就是“预测下一刻”：给定目前的状态，加上一個动作（例如方向盘往左打），模型要预测下一個状态会长什么样子。
这个过程反复迭代，就变成一个可以“往前推演”的内部模拟器：给 AI 一个当下，它能在脑内先跑过几种可能的未来，再决定要采取哪个动作，而不必真的去现实世界里撞一次才知道结果。
JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）是这套逻辑目前最具代表性的架构，由 Yann LeCun 在 2022 年的论文《A Path Towards Autonomous Machine Intelligence》中提出。
JEPA 的核心主张是：与其逼着模型生成每一个像素的细节（这样做既浪费算力、又容易被无关紧要的杂讯带偏），不如直接在抽象层次上比对“预测的未来”和“实际的未来”是否一致。
这也是为什么 LeCun 会说，世界模型让错误变得“可被侦测”，因为它的输出必须跟一个明确的内部表征对齐：对不上就是信号，而不是像 LLM 那样，错误只会安安静静地混在一整串看似流畅的文字里。
不过潜在空间也不是万灵丹。模型到底该丢掉哪些细节、保留哪些细节，是个没有标准答案的工程判断；丢太多会让模拟失真，丢太少又会拖垮运算效率。这也是目前各家世界模型架构设计上最大的分歧点之一。
2026 年的世界模型赛道，已经聚集了产业里分量最重的几组人马，资金规模也大到足以说明这不是一时的技术噱头。
李飞飞创办的 World Labs 是这波浪潮最早出圈的公司。2024 年 9 月，World Labs 带着 2.3 亿美元募资、10 亿美元估值出关；2026 年 1 月传出正以约 50 亿美元估值洽谈新一轮募资；到了 2026 年 2 月 18 日，World Labs 正式宣布募得 10 亿美元，投资方包含 AMD、Autodesk、Emerson Collective、Fidelity、NVIDIA、Sea，其中 Autodesk 领投 2 亿美元，是 Autodesk 有史以来对新创公司最大的一笔投资。
累计下来，World Labs 至今募资总额约 12.3 亿美元。旗舰产品 Marble 于 2025 年 11 月开放限量 beta 测试，2026 年 2 月正式商用。输入可以是文字、照片、影片、全景图或粗略的 3D 模型；输出是可导航、可持久存储、可编辑的 3D 环境，而且单次生成会同时产出两种网格：高精度几何用的 triangle mesh，以及专门给物理引擎做碰撞侦测用的 collider mesh。
Google DeepMind 的 Genie 3 则是目前唯一做到“即时互动”的世界模型。2025 年 8 月以研究预览形式亮相，2026 年 1 月 29 日正式公开，开放给美国地区的 Google AI Ultra 订阅用户使用，同时推出 Project Genie 线上 demo，让用户可以直接生成世界、进去探索，甚至 remix 修改。
技术规格上，Genie 3 是一个 11B 引数的自回归（autoregressive）Transformer，能即时生成可以自由导航的世界；解析度 720p、每秒 24 帧（24fps），一致性可以维持数分钟不崩坏。
NVIDIA 走的是平台路线。2025 年 1 月推出 Cosmos 世界基础模型平台，2026 年 6 月 1 日再推出 Cosmos 3，号称首个完全开放的 omnimodel。它采用混合专家式 Transformer 架构，把视觉推理、世界生成、动作预测三件事整合进单一系统，涵盖文字、影像、影片、环境音、动作等多种模态。
训练资料规模惊人：约 20 兆 tokens 的多模态资料，包含近 10 亿张图片、4 亿支真实与合成影片。NVIDIA 表示，这套系统把 physical AI（实体 AI）的训练与评估周期，从过去的数个月大幅缩短到数天。Cosmos 3 底下还分出 Super（给机器人、自驾车用的高精度版本）、Nano（追求极速）、Edge 三种变体，NVIDIA 也拉了 Runway、Black Forest Labs、Skild AI 等公司组成 Cosmos Coalition 联盟。
Yann LeCun 的动作最戏剧性。2025 年 11 月，他离开待了 12 年、原本担任 FAIR 主任的 Meta，与 Alexandre LeBrun 共同创立 AMI Labs，总部设在巴黎，另在纽约、蒙特利尔、新加坡设点。
2026 年 3 月 10 日，AMI Labs 宣布种子轮募得 10.3 亿美元（约 8.9 亿欧元），投前估值 35 亿美元。这是欧洲新创史上最大的一笔种子轮募资。投资方名单包括 Bezos Expeditions、NVIDIA、Samsung、Temasek、Toyota Ventures，以及 Mark Cuban、Eric Schmidt 等知名个人投资者。LeCun 长期公开主张“LLM 走不到通用人工智能”，如今他把离开 Meta 后的整段生涯，连同 10.3 亿美元，全押在世界模型这条路线线上。
四家的定位可以简单对照如下：
| 公司 / 团队 | | --- | | 关键人物 | | 代表产品 | | 最新募资 / 规模 | | 技术定位 | | --- | --- | --- | --- | --- | | World Labs | 李飞飞 | Marble | 累计约 12.3 亿美元（2026/2 单轮 10 亿美元） | 可导航、可持久 3D 空间生成 | | Google DeepMind | DeepMind 团队 | Genie 3 | Google 内部资源支持 | 11B 引数、即时互动世界生成 | | NVIDIA | NVIDIA 团队 | Cosmos 3 | NVIDIA 自有资源 + Cosmos Coalition 联盟 | 开放式 omnimodel 平台，主攻 physical AI | | AMI Labs | Yann LeCun | JEPA 系列研究 | 种子轮 10.3 亿美元，估值 35 亿美元 | JEPA 潜在空间预测架构，理论路线最激进 |
四家公司的技术路线不完全相同：World Labs 偏重可用的 3D 空间产品、Genie 3 主攻即时互动、Cosmos 3 走开放平台、AMI Labs 专注底层架构研究。但共同的信念是一致的：
下一波 AI 突破，不会只靠把 LLM 做得更大，而要靠让 AI 真正“理解”它所处的世界。
世界模型最先落地的场景，几乎都跟“需要理解物理世界”高度相关，自动驾驶车是最直接的例子。
新创公司 Decart 在 2026 年 6 月推出 Oasis 3，可以即时生成长达数小时、高度逼真的驾驶环境，主打帮助自动驾驶模拟那些现实中很难遇到、却攸关安全的“罕见场景”，例如暴雨中突然窜出的行人、对向来车失控偏移车道。
Oasis 3 的 API 已经开放使用，价格约每秒 2 美分。其目标是抢下 physical AI 供应链里“模拟层”的位置。Waymo 也在 2026 年 2 月发表自家的生成式模拟架构，建立在 Genie 3 之上；Tesla、NVIDIA、Wayve 等公司则各自在做类似的事。这类技术的核心价值很直接：让自动驾驶车能在“无限多种模拟场景”里反复练习，不需要真的把车开上路去撞一次才学到教训。
机器人领域是另一个重点战场。Cosmos 3、Oasis 3 这类系统可以生成可控制、多视角的模拟环境，机器人可以在这个虚拟空间里学习抓取、行走、操作物件，并反复改进动作策略。用合成数据取代真实世界的数据采集，能大幅降低机器人训练的成本与时间；过去需要实体机器人在真实环境里试错数千次才能学会的动作，现在可以先在模拟环境里跑过一轮。
游戏与内容创作则是相对“讨喜”的应用场景。Genie 3、Marble 都能从一句文字描述生成一个可以走进去探索的世界，这对游戏原型开发、虚拟场景搭建是直接的生产力工具。同时，Luma、Runway 这类原本做影片生成的新创，也开始把自家“懂物理”的影片生成模型往世界模型的方向转型。这说明世界模型并非凭空冒出的新赛道，而是影片生成技术往“可互动、可控制”演化的自然下一步。
这些案例有个共通点：世界模型的价值不在于“画面多漂亮”，而在于“能不能拿来训练、拿来模拟、拿来做决策”。这正是它和单纯的影片生成工具最大的分界线。
世界模型阵营里最引人注目的一个赌注，来自 Yann LeCun。他离开 Meta、创立 AMI Labs、募得 10.3 亿美元种子轮，本质上是把整个职业生涯押在一个判断上：LLM 这条路线永远到不了通用人工智能，出路必须是世界模型。这种立场并非业界共识。
反方阵营里，声量最大的是 Anthropic 执行长 Dario Amodei。他的主张是：只要持续扩大模型规模，并搭配架构上的渐进改进，LLM 本身就足以突破现有限制；甚至乐观预期 2026 年有机会出现他形容为“资料中心里的天才之国”的能力跃升。
换句话说，一方认为现有路线的天花板已经看到顶，必须换路线；另一方认为天花板还没到，继续往前冲就对了。这场路线之争，目前没有任何一方能拿出决定性证据说服对方；某种程度上，两边都是在用真金白银下注一个尚未有答案的问题。
世界模型自身也不是没有破绽。前面提过，潜在空间架构让“内部不一致”的错误变得容易侦测，但这不代表世界模型不会犯错。它解决的是“错误能不能被抓到”，而不是“错误会不会发生”。更关键的问题在于：画面逼真，不等于物理正确。
以影片生成为基础的世界模型，训练目标更直接对准“看起来像不像真的”，不见得会对“物理逻辑合不合理”做出同等的最佳化。比如一颗球滚动的轨迹，看起来自然流畅，但实际的加速度、摩擦力计算未必经得起检验。这一点在自动驾驶车、机器人这类“一次出错就是事故”的应用场景里，是不能被忽视的风险。
算力与延迟成本也是现实的门槛。以扩散模型（diffusion）为基础的世界模型，每生成一帧画面都需要经过多次去噪运算。对于机器人、自动驾驶车这类要求即时反应的场景来说，这种延迟代价相当高；决策慢半拍，在真实世界里可能就是一次擦撞。
另外，根据 Open-Sora 团队的估算，想重现一个商用等级的影片生成模型，大约需要 20 万美元的算力成本；这还只是“重现”既有成果的门槛，不包含从零开发新架构的研发投入。
把这些线索拼在一起，可以看出一个清楚的产业讯号：2026 年，世界模型已经从一个学术概念，变成一场动用数十亿美元、聚集产业最重量级人物的路线之争。李飞飞用 Marble 证明“可导航的 3D 世界”能做成产品；Google DeepMind 用 Genie 3 证明“即时互动”技术上可行；NVIDIA 用 Cosmos 3 把它变成一个开放平台，想吃下整条 physical AI 供应链；LeCun 则用整段职业生涯与欧洲新创史上最大种子轮募资，赌上“LLM 到不了 AGI”这个判断。
这条路能不能真的通往通用人工智能，目前没有人能给出确定答案。但可以确定的是：只要自动驾驶车、机器人这类需要“理解物理世界”的应用持续扩张，世界模型的商业价值就会持续被验证，而不必等到“AGI”这个终极问题被解答。
对读者来说，与其纠结“世界模型会不会取代 LLM”，不如换个角度理解：这两条技术路线很可能会长期并存。LLM 负责语言与知识，世界模型负责空间与物理，各自解决对方解决不了的问题。
总结来说，世界模型（World Model）代表的是 AI 产业一次认真的路线分岔：当 LLM 的幻觉问题迟迟无法根治，一群顶尖研究者选择把赌注押在让 AI 直接理解物理世界本身。从李飞飞的 Marble、Google 的 Genie 3、NVIDIA 的 Cosmos 3，到 Yann LeCun 押上整个职业生涯的 AMI Labs，超过 30 亿美元资金已经投入这场战局。
它会不会是通往 AGI 的另一条路，现在下定论还太早，但可以肯定的是：这场关于“AI 该怎么理解世界”的辩论，才刚刚开始。
5.86万 热度
620.34万 热度
16.9万 热度
125.87万 热度
5944.76万 热度
世界模型 World Model 是什么？如何颠覆世界、运作原理、四大巨头战局与争议
世界模型（World Model）让 AI 建立“世界如何运作”的内部模型，理解空间、物理与因果，预测的是世界的下一个状态，而不是像大型语言模型那样只预测下一个字。它已在自动驾驶、机器人、游戏场景落地，但画面逼真不等于物理正确；与 LLM 相比，哪条路线才是通往 AGI 的正确路径，到今天仍是业界最大的争论之一。
（前情提要：李飞飞谈 LLM 下一步：AI 需拥有“空间智慧”才能理解真实世界，Marble 模型如何实现？）
（背景补充：Serenity：世界模型成 AI 圈最大共识，中国资金弃基础模型，转为物理 AI）
本文目录
Toggle
世界模型（World Model）是目前 AI 圈最常被提起、也最常被误解的名词之一。一句话定义：世界模型是一种让 AI 建立“世界如何运作”内部模型的系统，让它理解空间、物理与因果关系，并据此预测接下来会发生什么。
它跟一般人熟悉的 ChatGPT、Claude 这类大型语言模型（LLM）不是同一条技术路线：LLM 预测的是“下一个 token（词元）/字”，而世界模型预测的是“世界的下一个状态”。
世界模型是什么？
世界模型（World Model），简单来说就是让 AI 学会“脑内模拟”的技术。举个例子：人类过马路前，会在脑中自动预演“如果我现在跨出去，那辆车还要几秒到我面前”；这个预演不需要真的走到车前面再试一次才知道结果。
世界模型想让 AI 也具备这种能力：先在内部模拟各种可能，再决定下一步动作，而不是每次都要在真实世界里试错。
斯坦福大学计算机科学教授、AI 领域指标人物李飞飞把世界模型的功能拆成三块：
她创办的 World Labs，所做的产品 Marble 主打的正是第三块——模拟与交互。它被视为整条技术链里最关键、也最难的一环，因为光是“生成一张漂亮的图”不难；难的是生成一个“可以走进去、可以互动、物理逻辑还要合理”的空间。
这股风潮之所以在 2026 年集中爆发，一部分原因是产业界对 LLM 的天花板出现了明显的焦虑。当“文字接龙”这条路线的天花板越来越清楚，一批研究者开始把赌注押到另一条路：让 AI 直接学会理解“世界”本身，而不是只学会模仿人类如何描述世界。
需要先说清楚一个常见误解：世界模型不是要取代 LLM 去做对话或写作，它解决的是完全不同的问题——空间推理、物理模拟、动作规划。这也是为什么它会先在自动驾驶、机器人、游戏这几个“需要理解物理世界”的领域率先落地，而不是聊天机器人。
世界模型和大型语言模型（LLM）差在哪？
大型语言模型（LLM）建立在 Transformer 架构上，运作方式是预测序列中“下一个 token（词元）”。简单来说就是：LLM 看过极大量的文字后，学会“这句话接下来最可能出现哪个字”，整个运算过程都发生在“文字空间”里。
它从来没有真正“看过”或“模拟过”物理世界；内部没有重力、没有碰撞、没有空间坐标，只有文字之间的统计关系。
世界模型走的是另一条路。以 Yann LeCun 提出的 JEPA 为代表，它不去预测原始画面的每一个像素，也不预测文字 token，而是在“潜在空间”里预测未来状态的抽象表征。
白话说就是：它会先把不重要的杂讯细节（例如背景墙上一道反光）主动丢掉，只保留理解这个世界所需要的核心信息——这颗球正在往哪个方向滚、这辆车还要几秒到路口。因为输出建立在一个明确、可检验的内部状态上：一旦模型“内部想的”和“输出的”对不上，这种不一致相对容易被侦测出来；而这正是 LLM 难以做到的。
两者的差异，可以用下表快速对照：
| 比较项目 | | --- | | 大型语言模型（LLM） | | 世界模型（World Model） | | --- | --- | | 预测目标 | 下一個 token（文字） | 世界的下一个状态 | | 运作空间 | 文字 / 语言空间 | 潜在空间（latent space） | | 核心架构 | Transformer | JEPA、扩散模型、自回归 Transformer 等 | | 是否理解物理 | 不模拟物理，无内部世界模型 | 学习物体移动、碰撞、重力等物理规律 | | 典型错误 | 幻觉（多數模型仍在 15% 以上） | 画面逼真但物理不一定正确 | | 代表应用 | 对话、写作、代码生成 | 自动驾驶模拟、机器人训练、可探索 3D 世界 |
要提醒的一点是：“画面看起来逼真”不等于“物理上是对的”。以影片生成为基础的世界模型，因为训练目标更直接对准“看起来真不真”，不一定会保证“物理上合不合理”；在自动驾驶车、机器人这类容错率极低的场景里，这就是关键区别，也是接下来的争议核心之一。
世界模型怎么运作？潜在空间与“预测下一刻”
要理解世界模型的运作逻辑，得先搞懂两个词：潜在空间和预测下一刻。
潜在空间，简单来说就是：AI 把眼前看到的画面“压缩”成一组抽象数字，只留下对理解这个世界有用的信息，丢掉多余的视觉杂讯。
举个例子：一段行车记录器画面里，潜在空间可能只保留“前方有一辆车，距离在缩短，速度中等”这样的抽象描述，而不去记录画面里每一片树叶的颜色。这样做的好处是运算量大幅降低，而且模型学到的是“规律”，而不是死记画面。
有了潜在空间，下一步就是“预测下一刻”：给定目前的状态，加上一個动作（例如方向盘往左打），模型要预测下一個状态会长什么样子。
这个过程反复迭代，就变成一个可以“往前推演”的内部模拟器：给 AI 一个当下，它能在脑内先跑过几种可能的未来，再决定要采取哪个动作，而不必真的去现实世界里撞一次才知道结果。
JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）是这套逻辑目前最具代表性的架构，由 Yann LeCun 在 2022 年的论文《A Path Towards Autonomous Machine Intelligence》中提出。
JEPA 的核心主张是：与其逼着模型生成每一个像素的细节（这样做既浪费算力、又容易被无关紧要的杂讯带偏），不如直接在抽象层次上比对“预测的未来”和“实际的未来”是否一致。
这也是为什么 LeCun 会说，世界模型让错误变得“可被侦测”，因为它的输出必须跟一个明确的内部表征对齐：对不上就是信号，而不是像 LLM 那样，错误只会安安静静地混在一整串看似流畅的文字里。
不过潜在空间也不是万灵丹。模型到底该丢掉哪些细节、保留哪些细节，是个没有标准答案的工程判断；丢太多会让模拟失真，丢太少又会拖垮运算效率。这也是目前各家世界模型架构设计上最大的分歧点之一。
2026 世界模型战局：四大巨头在押什么？
2026 年的世界模型赛道，已经聚集了产业里分量最重的几组人马，资金规模也大到足以说明这不是一时的技术噱头。
李飞飞创办的 World Labs 是这波浪潮最早出圈的公司。2024 年 9 月，World Labs 带着 2.3 亿美元募资、10 亿美元估值出关；2026 年 1 月传出正以约 50 亿美元估值洽谈新一轮募资；到了 2026 年 2 月 18 日，World Labs 正式宣布募得 10 亿美元，投资方包含 AMD、Autodesk、Emerson Collective、Fidelity、NVIDIA、Sea，其中 Autodesk 领投 2 亿美元，是 Autodesk 有史以来对新创公司最大的一笔投资。
累计下来，World Labs 至今募资总额约 12.3 亿美元。旗舰产品 Marble 于 2025 年 11 月开放限量 beta 测试，2026 年 2 月正式商用。输入可以是文字、照片、影片、全景图或粗略的 3D 模型；输出是可导航、可持久存储、可编辑的 3D 环境，而且单次生成会同时产出两种网格：高精度几何用的 triangle mesh，以及专门给物理引擎做碰撞侦测用的 collider mesh。
Google DeepMind 的 Genie 3 则是目前唯一做到“即时互动”的世界模型。2025 年 8 月以研究预览形式亮相，2026 年 1 月 29 日正式公开，开放给美国地区的 Google AI Ultra 订阅用户使用，同时推出 Project Genie 线上 demo，让用户可以直接生成世界、进去探索，甚至 remix 修改。
技术规格上，Genie 3 是一个 11B 引数的自回归（autoregressive）Transformer，能即时生成可以自由导航的世界；解析度 720p、每秒 24 帧（24fps），一致性可以维持数分钟不崩坏。
NVIDIA 走的是平台路线。2025 年 1 月推出 Cosmos 世界基础模型平台，2026 年 6 月 1 日再推出 Cosmos 3，号称首个完全开放的 omnimodel。它采用混合专家式 Transformer 架构，把视觉推理、世界生成、动作预测三件事整合进单一系统，涵盖文字、影像、影片、环境音、动作等多种模态。
训练资料规模惊人：约 20 兆 tokens 的多模态资料，包含近 10 亿张图片、4 亿支真实与合成影片。NVIDIA 表示，这套系统把 physical AI（实体 AI）的训练与评估周期，从过去的数个月大幅缩短到数天。Cosmos 3 底下还分出 Super（给机器人、自驾车用的高精度版本）、Nano（追求极速）、Edge 三种变体，NVIDIA 也拉了 Runway、Black Forest Labs、Skild AI 等公司组成 Cosmos Coalition 联盟。
Yann LeCun 的动作最戏剧性。2025 年 11 月，他离开待了 12 年、原本担任 FAIR 主任的 Meta，与 Alexandre LeBrun 共同创立 AMI Labs，总部设在巴黎，另在纽约、蒙特利尔、新加坡设点。
2026 年 3 月 10 日，AMI Labs 宣布种子轮募得 10.3 亿美元（约 8.9 亿欧元），投前估值 35 亿美元。这是欧洲新创史上最大的一笔种子轮募资。投资方名单包括 Bezos Expeditions、NVIDIA、Samsung、Temasek、Toyota Ventures，以及 Mark Cuban、Eric Schmidt 等知名个人投资者。LeCun 长期公开主张“LLM 走不到通用人工智能”，如今他把离开 Meta 后的整段生涯，连同 10.3 亿美元，全押在世界模型这条路线线上。
四家的定位可以简单对照如下：
| 公司 / 团队 | | --- | | 关键人物 | | 代表产品 | | 最新募资 / 规模 | | 技术定位 | | --- | --- | --- | --- | --- | | World Labs | 李飞飞 | Marble | 累计约 12.3 亿美元（2026/2 单轮 10 亿美元） | 可导航、可持久 3D 空间生成 | | Google DeepMind | DeepMind 团队 | Genie 3 | Google 内部资源支持 | 11B 引数、即时互动世界生成 | | NVIDIA | NVIDIA 团队 | Cosmos 3 | NVIDIA 自有资源 + Cosmos Coalition 联盟 | 开放式 omnimodel 平台，主攻 physical AI | | AMI Labs | Yann LeCun | JEPA 系列研究 | 种子轮 10.3 亿美元，估值 35 亿美元 | JEPA 潜在空间预测架构，理论路线最激进 |
四家公司的技术路线不完全相同：World Labs 偏重可用的 3D 空间产品、Genie 3 主攻即时互动、Cosmos 3 走开放平台、AMI Labs 专注底层架构研究。但共同的信念是一致的：
世界模型能做什么？自动驾驶、机器人与游戏的真实案例
世界模型最先落地的场景，几乎都跟“需要理解物理世界”高度相关，自动驾驶车是最直接的例子。
新创公司 Decart 在 2026 年 6 月推出 Oasis 3，可以即时生成长达数小时、高度逼真的驾驶环境，主打帮助自动驾驶模拟那些现实中很难遇到、却攸关安全的“罕见场景”，例如暴雨中突然窜出的行人、对向来车失控偏移车道。
Oasis 3 的 API 已经开放使用，价格约每秒 2 美分。其目标是抢下 physical AI 供应链里“模拟层”的位置。Waymo 也在 2026 年 2 月发表自家的生成式模拟架构，建立在 Genie 3 之上；Tesla、NVIDIA、Wayve 等公司则各自在做类似的事。这类技术的核心价值很直接：让自动驾驶车能在“无限多种模拟场景”里反复练习，不需要真的把车开上路去撞一次才学到教训。
机器人领域是另一个重点战场。Cosmos 3、Oasis 3 这类系统可以生成可控制、多视角的模拟环境，机器人可以在这个虚拟空间里学习抓取、行走、操作物件，并反复改进动作策略。用合成数据取代真实世界的数据采集，能大幅降低机器人训练的成本与时间；过去需要实体机器人在真实环境里试错数千次才能学会的动作，现在可以先在模拟环境里跑过一轮。
游戏与内容创作则是相对“讨喜”的应用场景。Genie 3、Marble 都能从一句文字描述生成一个可以走进去探索的世界，这对游戏原型开发、虚拟场景搭建是直接的生产力工具。同时，Luma、Runway 这类原本做影片生成的新创，也开始把自家“懂物理”的影片生成模型往世界模型的方向转型。这说明世界模型并非凭空冒出的新赛道，而是影片生成技术往“可互动、可控制”演化的自然下一步。
这些案例有个共通点：世界模型的价值不在于“画面多漂亮”，而在于“能不能拿来训练、拿来模拟、拿来做决策”。这正是它和单纯的影片生成工具最大的分界线。
世界模型的争议与限制：它真的比 LLM 强吗？
世界模型阵营里最引人注目的一个赌注，来自 Yann LeCun。他离开 Meta、创立 AMI Labs、募得 10.3 亿美元种子轮，本质上是把整个职业生涯押在一个判断上：LLM 这条路线永远到不了通用人工智能，出路必须是世界模型。这种立场并非业界共识。
反方阵营里，声量最大的是 Anthropic 执行长 Dario Amodei。他的主张是：只要持续扩大模型规模，并搭配架构上的渐进改进，LLM 本身就足以突破现有限制；甚至乐观预期 2026 年有机会出现他形容为“资料中心里的天才之国”的能力跃升。
换句话说，一方认为现有路线的天花板已经看到顶，必须换路线；另一方认为天花板还没到，继续往前冲就对了。这场路线之争，目前没有任何一方能拿出决定性证据说服对方；某种程度上，两边都是在用真金白银下注一个尚未有答案的问题。
世界模型自身也不是没有破绽。前面提过，潜在空间架构让“内部不一致”的错误变得容易侦测，但这不代表世界模型不会犯错。它解决的是“错误能不能被抓到”，而不是“错误会不会发生”。更关键的问题在于：画面逼真，不等于物理正确。
以影片生成为基础的世界模型，训练目标更直接对准“看起来像不像真的”，不见得会对“物理逻辑合不合理”做出同等的最佳化。比如一颗球滚动的轨迹，看起来自然流畅，但实际的加速度、摩擦力计算未必经得起检验。这一点在自动驾驶车、机器人这类“一次出错就是事故”的应用场景里，是不能被忽视的风险。
算力与延迟成本也是现实的门槛。以扩散模型（diffusion）为基础的世界模型，每生成一帧画面都需要经过多次去噪运算。对于机器人、自动驾驶车这类要求即时反应的场景来说，这种延迟代价相当高；决策慢半拍，在真实世界里可能就是一次擦撞。
另外，根据 Open-Sora 团队的估算，想重现一个商用等级的影片生成模型，大约需要 20 万美元的算力成本；这还只是“重现”既有成果的门槛，不包含从零开发新架构的研发投入。
世界模型的未来：通往 AGI 的另一条路？
把这些线索拼在一起，可以看出一个清楚的产业讯号：2026 年，世界模型已经从一个学术概念，变成一场动用数十亿美元、聚集产业最重量级人物的路线之争。李飞飞用 Marble 证明“可导航的 3D 世界”能做成产品；Google DeepMind 用 Genie 3 证明“即时互动”技术上可行；NVIDIA 用 Cosmos 3 把它变成一个开放平台，想吃下整条 physical AI 供应链；LeCun 则用整段职业生涯与欧洲新创史上最大种子轮募资，赌上“LLM 到不了 AGI”这个判断。
这条路能不能真的通往通用人工智能，目前没有人能给出确定答案。但可以确定的是：只要自动驾驶车、机器人这类需要“理解物理世界”的应用持续扩张，世界模型的商业价值就会持续被验证，而不必等到“AGI”这个终极问题被解答。
对读者来说，与其纠结“世界模型会不会取代 LLM”，不如换个角度理解：这两条技术路线很可能会长期并存。LLM 负责语言与知识，世界模型负责空间与物理，各自解决对方解决不了的问题。
总结来说，世界模型（World Model）代表的是 AI 产业一次认真的路线分岔：当 LLM 的幻觉问题迟迟无法根治，一群顶尖研究者选择把赌注押在让 AI 直接理解物理世界本身。从李飞飞的 Marble、Google 的 Genie 3、NVIDIA 的 Cosmos 3，到 Yann LeCun 押上整个职业生涯的 AMI Labs，超过 30 亿美元资金已经投入这场战局。
它会不会是通往 AGI 的另一条路，现在下定论还太早，但可以肯定的是：这场关于“AI 该怎么理解世界”的辩论，才刚刚开始。