扶稳坐好，世界模型，元年已到

一天一天贴近咱的心，它走心，咱放心。

文 | 佘宗明

AI大佬杨立昆该偷着乐了——他断言的「LLM（大语言模型）只是过渡品，JEPA（联合嵌入预测架构）+世界模型才是通往AGI正途」，似乎正得到应验。

2026年被钉上「世界模型元年」的铭牌，即为印证。这不是我的「自定义」，而是很多实锤在现实墙面上砸出的标记。

2026年1月，谷歌DeepMind开放Genie 3公测，世界模型首次以可交互形态对普通用户开放；几乎同一时间，蚂蚁集团旗下灵波科技连续发布世界模型产品；4月，腾讯开源混元3D世界模型2.0；6月，蔚来向超70万用户推送世界模型驱动的端到端驾驶系统；7月，蚂蚁灵波在几天内连发六款模型，昆仑万维在WAIC上宣布2026年为「世界模型元年」……

虽然时下「元年」二字已被滥用，可拐点是它最好的证明。众多迹象显示：算力成本、模型连贯性、产业资本，三条此前各自爬坡的曲线，在2026年正同时跨过商用临界点。

说到这，有些人可能被动开启了「懵逼树上懵逼果，懵逼树下你和我」模式：什么大语言模型、世界模型、我秀我型？

让我用比豆包还直白还简单还不拐弯抹角的方式回答你：大语言模型「管」信息世界，最擅长跟咱们侃大山；世界模型「管」物理世界，能预判物体碰撞、行人动向、空间变化。

你让ChatGPT写出行车方案，它三两下搞掂，你让它预判出路边小孩突然横穿马路，它只能来上一句「臣妾做不到啊」。毕竟它能理解符号与文字，却不懂重力、碰撞、空间、时序。

而世界模型的核心能力，就是在数字空间复刻那套完整的物理规则。说人话就是：AI终于可以开始看懂我们身处的真实世界，明白原来牛顿的万有引力掌管着我们的日常。

被杨立昆、李飞飞们偏爱的世界模型，不算新概念，但2026年的特殊之处在于，世界模型不再是仅供演示的概念，而是三类普通人高频接触的产品标配：玩游戏时动态生成的无限开放世界、家用机器人提前预演的家务动作、自动驾驶车辆预判的千万种路况风险。

谷歌让普通人「创造世界」，蚂蚁让机器人「预演世界」，蔚来让汽车「预判世界」，这三件事接连发生，本就意味着：风，已经来了。

那，世界模型将如何改变我们的生活？

谷歌、蚂蚁、蔚来「让事情发生」的游戏、机器人、自动驾驶三个领域的变化，就可供我们窥斑见豹。

01/

游戏，终于可以从「预制」变「现炒」了

如果你是个游戏老玩家，大概率都经历过「就这？」时刻：很多的所谓开放世界游戏，肝了200小时后，再无新鲜劲可言。二周目？不过是把同样的路再走一遍、跟同样的NPC说同样的话。

没办法，当下游戏多是预制——包装得再精美，地图都是开发者提前设计的，NPC台词都是照剧本来的，咱们能走的路、能进的门、能看到的风景，都在设计文档里画好了边界。

我不是针对某款游戏，我是说绝大多数都是。

听到这，你是不以为凡游戏「预则无味，不预则废」？

谷歌拍了拍我们，说「来感受疾风吧」，顺带着就抛出了Genie 3。

年初的Genie 3开放公测，就第一次让普通用户用「一句话生成一个能交互的3D世界」，摸到了「生成式世界」的门槛。

生成一个世界不难，难的是生成的世界有基本的物理常识——角色不能穿墙，重力依旧存在。你离开某个场景再回来，它能像DM（地下城主）那样，还记得之前有什么。

这绝对是游戏玩家的福音：它意味着，世界模型驱动的游戏，我们玩三遍，三遍是三个不同的宇宙，它可以没有固定剧情，没有预设结局，整个世界根据我们的行为动态生长。在这个世界里放了一把火，下次回来，那片废墟还在冒烟。

担心无「国服」版本的玩家也不用担心。昆仑万维推出的开源世界模型Matrix-Game，算是平替：它也能模拟复杂建筑的玻璃反光，还能跑GTA风格的大地图自由探索。

腾讯开源混元3D世界模型2.0，则让游戏开发者也有了趁手工具：因为它能把文字、图片、视频直接变成3D世界资产，跟现有游戏工作流对接。这么一来，游戏开发者以后可能就不用再从零开始建模，没准对着AI说「我要一座哥特式城堡」，再拿着AI生成的草稿精修，就行了。

你要说现在的世界模型游戏有多能打，倒也未必。毕竟还是「幼詹形态」，场景连贯性只能维持几分钟，实时交互延迟还太高，画面精细度离3A大作往往差着十个《荒野大镖客》。

但它指向的方向很清晰，那就是从「开发者给你一个限定世界」变成「AI给你生成一个无限世界」。方向已定，接下来就等技术成熟了。

等技术成熟后，被颠覆的恐怕不只是游戏行业，任何需要「构建虚拟空间」的场景，比如建筑设计师在AI生成的空间里穿行，导演在AI生成的场景里提前预览镜头，都能让世界模型帮忙。

单就游戏来说，我觉得，在游戏将来「主打现炒」后，玩法也会更多样，以后再「读档」可能就不是再回到某个存档点了，而是让AI重新生成一个类似但不同的世界，让咱再试一次。想象一下，玩《黑暗之魂》，每次死亡后BOSS战的场景布局都不一样，咱是不就能喜提无限重玩的乐趣了？

02/

机器人，从仿真到逼真再到……「如真」

生活不止眼前的游戏，还有远方的诗和田野+手头的琐事。游戏世界模型能让咱们「无限流体验」一时爽，机器人世界模型则能让咱们拥有建国后成精的Robot。

现在的机器人，虽然扭起秧歌来比「四肢残废」的我好太多，但要论懂其中的力矩、角动量、摩擦力、惯性、简谐运动等基础物理知识，它可能得喊我一声「大哥」。

事实就摆在那：机器人在仿真环境里可以是王虹是邓煜，到了真实世界里就是数学「学废了」的世另我。

数据可以佐证这点：机器人在仿真环境中操控成功率能达到89.4%，但落到真实家庭场景，暴跌至12.4%。业界将其从仿真到现实的鸿沟称作Sim2Real Gap，我则称其为「另一个马里亚纳海沟」。

原因无他：仿真环境堪比无干扰温室，光线均匀得像摄影棚，物体摆放得整整齐齐，桌面平整得像乒乓球台。真实世界呢，往往糙很多：阳光可能在桌面上切出光斑，桌面上可能还有水渍，旺财可能突然从桌子下窜出来。

这就导致，仿真环境里训练好的机器人，就像只在恒温泳池里练过游泳的选手，第一次下海就被浪拍懵了——乘风破浪不了一点。

机器人训练师不是没想过解法，但方式也很原始：让它在真实环境里反复试错。学开门就摔一千次门，学抓杯子就碰碎几百个杯子。

但咱就是说，为了训练一个端茶机器人，让它在客厅里搞一万次破坏，这成本……是不是太高了？

世界模型提供了另一种解法：让机器人在虚拟世界里「脑补」无数次真实场景，学会应对各种意外，再回到现实。那些试错不需要在真实世界里发生，世界模型帮它在脑子里跑完。预演完后，带着经验回到现实。

清华大学FIB-Lab的研究就认为，用合成数据训练的机器人策略，真实世界表现有显著提升。划重点：「显著提升」，以后要考。机器人表现从「真的难用」到「勉强能用」再到「十分好用」，产业才能实现实现指数级爆发。

国内在这条路上跑得最猛的，是蚂蚁集团旗下的灵波科技。虽然才成立才1年半，但它已经拿出了覆盖机器人从看到动的十余款模型。

上个月更是猛：灵波几天内连发六款模型，覆盖视觉、空间感知、VLA（视觉语言动作）、世界模型和世界动作模型。其中最值得关注的，是LingBot-World和LingBot-VA这对组合。

LingBot-World负责生成可交互的虚拟环境，第一代单次能生成接近10分钟的连贯视频。2.0版本更进一步，支持无限时长的实时交互，还引入了Agent机制，让生成的世界从可观看的背景变成了能互动的环境。LingBot-VA则是具身原生世界动作模型，从一开始就是为机器人学动作设计的，不是拿现成视频生成模型改改就用的二手方案。

LingBot-World是「世界」，LingBot-VA是「动作」，扣在一起，就是机器人在虚拟世界里「脑补」无数次试错的关键组件。这套大脑还不挑身体——LingBot-VLA 2.0已经适配了17个机器人品牌的20多种构型，同个大脑能装到不同品牌机器人身上。以前换个机器人就得重新训练，现在「一脑多机」也能变为现实了。

灵波CEO朱兴今年6月说了句话，点出了这件事的深层意义：「随着‘大脑’更加聪明，AI将反向定义硬件。」翻译下就是：不是机器人长什么样，决定了它能干什么，而是大脑需要什么能力，反过来定义机器人该长什么样、该装什么传感器。

这有点像智能手机时代：不是手机决定了APP长什么样，而是iOS和安卓定义了手机该有什么功能。

普通人能感知到的变化已经出现了。2026年5月，中国首个面向具身智能的应用中试基地落地杭州滨江，华为和阿里达摩院都参与了，基地聚焦新消费、新物流、新制造。

嗯，我期待的就是，让机器人从「仅供表演用」变为能替我搬砖。

虽说机器人面对多变量家庭环境依旧笨拙，世界模型也无法一步实现完美操作，但就现在这进化速度……反正我是不想被现状限制住想象力。

03/

自动驾驶，会被老司机附体

FSD、城市NOA、高速NGP……这些也会是世界模型的跑马场。

现在看，自动驾驶是成了三个领域中世界模型离普通人最近的一个——因为它已经上路了。

今年6月，蔚来就向超过70万用户推送了世界模型驱动的端到端驾驶系统。2026年4月，Momenta的R7模型已经量产上车。

这消息，至少让我对智驾的安全性多了些信任——因为世界模型可以智驾系统被老司机附体，从反应快进化到想得远。

传统自动驾驶的逻辑，大抵可以理解为「看到什么躲什么」：摄像头拍到前方有个行人→识别为障碍物→赶紧刹车。

其要害是反应快，需要「先看到，再行动」。就像作为新手司机的我，开车时眼睛盯着前方，手里攥着方向盘，遇到情况才踩刹车。

世界模型则会教它不光要「看到」，还要「预判」：那个站路边低头看手机的人，会不会突然冲过来？前面那辆车，会不会不打灯就变道？路面上那片积水，会不会让旁边的车打滑？

习惯是「养」成的。传统自动驾驶是从人类司机的驾驶行为里学习，问题是，人类司机大部分时间都在正常开车，急刹、变道是少数情况，这些数据太稀疏了，所以自动驾驶在应对突发情形时可能应对不足。

世界模型则可以生成无数种「如果发生××情况会怎样」的场景，让自动驾驶系统在虚拟世界里经历无数次「差点出事」，再回到真实路面上。

据Momenta称，R7在搭载世界模型后，预判前方车辆掉落物品、小动物突然横穿等突发状况的能力有显著提升。

又是「显著提升」，鉴于这说法来自厂商，姑且存疑，但单说这方向——从「快反应」到「能预判」，应该是靠谱的。

犹记得，英伟达CEO黄仁勋在2026年CES上断言：「物理AI的ChatGPT时刻即将到来」，现在看，自动驾驶就是其第一个大规模主流落地场景。

这对提升智驾安全性绝对大有裨益。凯文·凯利说过：「在自动驾驶方面，我们不能满足于99%的安全性，必须追求99.99%的精准。安全性达到98%不是一件困难的事情，但是越往后越困难……最后的部分难度最大、耗时最久。」

世界模型要解决的，正是那最后1%的长尾问题——那也许是咱们一万次正常驾驶才能碰到一次的偶发情况。

毋庸讳言，自动驾驶的世界模型尚处在早期，用「它还是个孩子」来为其不足开脱不合理，但理就是那么个理儿。

但假以时日，世界模型大概率会是通往全场景无人出行的底层技术底座。

联想到2026年已有70万辆车在跑，「假以时日」里的时日不会是太久，因为那些车辆每跑一公里，世界模型都在变聪明一点……一天一天贴近咱的心，它走心，咱放心。

04/

我们的物理世界，离被重塑还会远吗？

说到这，我想起这几年常被技术圈提到的一个词——「AI下半场」。

自从ChatGPT问世以来，它带来了石破天惊的链式反应。这两年，「上半场拼参数，下半场拼落地」之类的说法蔚为风行。

但大家默认的前提是，这里的AI指的是大语言模型。AI落地路径也被理解为：让大语言模型根据垂直场景定向优化，深耕行业，解决问题。

可真要落地，未必只有LLM一条路。按杨立昆的说法，世界模型是更好的那条路——它天然靠近我们赖以生活的物理世界。

大模型的确可以让信息变得无限廉价，写文章、做翻译、写代码，边际成本趋近于零。可很多事，它干不了。

世界模型要做的是让「物理经验的复制」变得廉价——让机器人不需要在真实世界里摔一万次就能学会端茶，让自动驾驶不需要真的撞一次才能学会避让，让游戏世界不需要几百人花几年建模就能无限生成……

而这些，兴许只是我们的物理世界被普遍重塑的缩影与前兆。

想想假若我们生活的物理空间变成了可以被生成、被预演、被重写的东西，该有多刺激？

别说它生成的世界还不够精细，预演的场景还不够全面，预判的意外还不够准确，这些问题确实存在，但别忘了，互联网刚诞生时也只能发几KB的邮件，智能手机刚诞生时连多任务都跑不动。

世界模型元年已到，还是上车扶稳坐好吧。

✎作者 | 佘宗明

✎运营 | 李玩

转载须经许可

广告合作请联系微信号：rabgogo88

或手机号：18810070968

敬请关注