先说个刚发生的。8月24日，伯克利计算机视觉元老 Jitendra Malik 发了段火药味十足的表态：机器人圈现在把 VLM、VLA、世界模型这些词混着用，无助于清晰交流。杨立昆秒回"完全正确"，然后补了更狠的一句：照这个标准，世界模型也不等于视频预测、视频生成——为了控制一个系统而理解它的动力学，与生成漂亮的视频不是一回事。小红书
这位"AI教父"为什么这么大火气？因为这一年来，"世界模型"四个字已经被用滥了：做视频生成的说自己是世界模型，做机器人 VLA 的说自己是世界模型，连游戏引擎都开始往这个词上靠。早在2024年初 Sora 爆火时，杨立昆就公开泼过冷水：Sora 不是世界模型，生成式路线注定失败。钛媒体两年多过去，他干脆亲自下场"正名"了。
那世界模型到底是什么？Malik 给出的谱系很清楚：这东西根子在1960年代的控制理论（Bellman、Kalman那一套），本质是动力学模型——给定当前状态，采取什么动作，能到达什么状态；现在则靠视频、机器人轨迹这类时序数据训练出来。而 VLM 只是大语言模型的多模态延伸，理解的是单张图像的静态语义，不包含动力学。一个管"接下来会怎样"，一个管"这是什么"，根本不是一回事。
围绕这个分歧，如今的路线已经打成了三派，我帮大家理了一遍：
第一派是"先画出来"的生成派。李飞飞的 World Labs 走显式 3D 路线，Marble 系统直接生成可交互的三维世界，精度高但算力消耗大。微博据行业观察披露，腾讯混元 2.0 也开源了显式 3D 模型，能直接导出 Unity/UE 资产，当天就能进游戏美术流程。这一派离内容产业最近，商业闭环最快。
第二派是杨立昆押注的隐空间派。不生成人看得见的画面，而是在抽象表征空间里预测"接下来会发生什么"。逻辑很务实：控制任务根本不需要照片级重建——婴儿学重力不是靠渲染引擎，是靠观察。Meta 时期的 V-JEPA 2 就是这条思路的工程实现，如今整套班底搬进了他的新公司。
第三派是国内车企的实用派。据行业观察梳理：小鹏把图像压缩成结构化词元，理想在隐空间里回避像素生成，小米让生成器表征直连规划模块——共识就一句话，控制任务无需照片级重建。微博
再看钱往哪投，信号就更明确了。杨立昆离开 Meta 后创立的 AMI（Advanced Machine Intelligence），3月完成 10.3 亿美元融资，投前估值 35 亿美元。36氪总部在巴黎，还要设纽约、蒙特利尔、新加坡办公室——他的野心是把欧洲做成中美之外的 AI"第三极"。六位核心创始人四位来自 Meta FAIR，DiT 共同作者谢赛宁出任首席科学官（有意思的是，DiT 正是 Sora 那类视频生成模型的架构基石），V-JEPA 负责人 Michael Rabbat 也跟了过来。投资方名单相当豪华：凯辉创新、贝索斯远征等领投，英伟达、丰田创投、淡马锡、软银、马克·库班是战略投资人，跟投方里还有前谷歌 CEO 埃里克·施密特、三星，以及万维网发明者蒂姆·博纳斯·李。他本人甚至放过话：“Meta 可能会成为我们的第一个客户。”
还有个容易被忽略的动向：8月初，杨立昆以投资人身份加入了 1 亿美元新基金 224 Ventures，和 Gemini 共同技术负责人 Oriol Vinyals 搭档看项目——图灵奖得主亲自下场给下一代技术路线"投票"。知乎他带纽约大学团队和 Meta FAIR 发的新论文 PatchPolicy 也很说明问题：只用 OpenVLA-OFT 约 0.7% 的参数量，机器人操控成功率提升 18%，推理只要 11 毫秒——典型的"让机器人学得更便宜"的研究。哔哩哔哩
对我们普通关注者意味着什么？说三个判断。
其一，如果你在等家用机器人真正"能用"，瓶颈不在硬件。宇树们已经把身体造得足够好了，缺的正是这场"脑力革命"——世界模型就是那个大脑。
其二，接下来"世界模型"这个词会更频繁地出现在融资新闻和新车发布会里。判断一家公司是不是在蹭概念，就用 Malik 和杨立昆这把尺子量：它建模动力学吗？能支撑规划和控制吗？还是只负责渲染好看？
其三，三个值得盯的后续信号：一是 AMI 的首个产品长什么样，融资纪要写明钱会花在"世界模型方向上的可靠产品"。36氪二是隐空间的产物如何"被人看懂"——行业普遍认为隐空间路线商业化天然慢 1-2 年，谁先解决可视化谁先拿到订单。三是李飞飞的 Marble 能不能真正打进游戏和机器人工作流。
最后补一句：这位老先生反的是 LLM 路线，不是开源。小扎前脚发 30B 开源智能体模型，他后脚点赞。36氪通义 Qwen3.8 宣传片、百度的 Unlimited OCR，他都亲自转发力挺。微博他还公开点赞中国开源模型火遍硅谷。知乎8月这轮"正名"之后，世界模型的路线之争才算真正摆上台面——别急着站队，先把概念分清楚。
