基础知识
世界模型
01定义
机器人或自动驾驶汽车若只在现实中反复试错，过程既慢又危险。借助世界模型，智能体可以先在内部“想象”行动结果，再在接触真实硬件前规划或调整行为。
02工作原理
03训练方式
大多数世界模型使用海量视频或传感器数据，通过自监督预测目标训练：根据刚刚发生的状态，预测接下来会发生什么。一类模型像 Genie 3 和 GAIA-1 那样，以自回归方式逐像素生成下一帧视频。以 Meta V-JEPA 2 为代表的新一类模型则完全不生成像素，而是在压缩、抽象的“嵌入”空间里预测下一状态。后者计算成本更低，开发者也认为，这种表示更接近规划真正需要的物理结果。
04代表性案例
Cosmos 平台
在 CES 2025 同一场让“物理 AI”广为人知的主题演讲中发布的世界基础模型平台。它生成符合物理规律的仿真视频，用于训练机器人和自动驾驶汽车，Figure AI、Skild AI 与 Agility Robotics 已在使用。
Genie 3 模型
通用世界基础模型，可根据一条文本提示生成可导航、实时交互的环境；以每秒 24 帧运行，并能在数分钟内保持一致性，相比 Genie 2 有明显提升。
Google DeepMind 的 Genie 3 官方画面展示了模型如何仅凭一条文本提示，实时生成可交互、可导航的环境。这让人直接看到世界模型实际会产出什么，而不只是了解训练流程。
05重要意义
这一点很重要，因为现实世界的试错无法无限扩展：机器人不可能为了学习而让汽车碰撞或让易碎物品掉落成千上万次。世界模型让智能体在内部以压缩且安全的方式完成这些尝试，再把学到的结果用于现实。
世界模型并非只停留在研究阶段。Hugging Face 的开源 LeRobot 项目在 2026 年 7 月发布的 v0.6.0中加入了 VLA-JEPA、LingBot-VA 和 FastWAM 三个自有模型，让机器人策略能在行动前先在内部预测下一步。更多背景见 LeRobot 发展史 。
06常见问题
世界模型与电子游戏中手工编写的物理引擎有何区别？
物理引擎编码的是人明确编写的规则，例如重力、碰撞和摩擦系数。世界模型则从数据中学习，因此能近似捕捉难以逐条编程的复杂现实动态；代价是它只能给出近似预测，而不是精确模拟。
世界模型只用于自动驾驶汽车吗？
不是。Genie 3 和 V-JEPA 2 等通用模型表明，它也广泛用于机器人与人形机器人规划。GAIA-1 是专用于驾驶的例子，但并非唯一应用。
世界模型必须生成视频才有用吗？
不必。Genie 3 和 GAIA-1 的视频生成适合创建训练环境，也方便人直观检查模型预测；但 V-JEPA 2 表明，完全不生成像素、只在抽象嵌入空间预测未来状态，也足以支持规划和控制，而且计算成本更低。