当前AI模型普遍存在一个核心短板：过度依赖语言，缺乏对物理世界的直观理解。这限制了它们在机器人等领域的实际应用。一种名为“世界模型”的新范式正兴起，它旨在让AI通过海量视频直接预测物理世界的运行规律，从而获得关键的物理直觉，为下一代通用人工智能的发展开辟了全新道路。
智能速览
主流AI过度依赖语言，缺乏对物理世界的直观理解。
世界模型通过观看海量视频，学习预测下一帧画面的物理规律。
机器人最需要的是“可乐瓶倾倒后会怎样”这类物理知识。
人类和黑猩猩的强大能力源于其视觉与运动直接连接的物理直觉。
未来的视觉数据量将远超文本，为世界模型训练提供基础。
精华内容
从依赖语言到理解物理，AI的进化路径正在发生深刻转变。世界模型的出现，旨在赋予机器一种与生俱来的物理直觉，这究竟是如何实现的，又将带来怎样的变革？
语言的枷锁
当前主流AI模型，如ChatGPT，其核心是预测下一个词。这种设计让它们在语言领域表现出色，但在物理交互面前却显得力不从心。真正的智能是看到杯子就知道倒水会溅出来，而不是先在脑海里说出“倒水”这个词。
现有机器人多采用“语言-视觉-动作”的复杂流程，如同拧螺丝前必须先把它说出来再翻译成动作，效率极低。语言模型的参数大多用于存储知识，而“可乐瓶倾倒后会怎样”这类关键的物理信息，却难以被语言准确描述和记忆。
世界模型的觉醒
世界模型提供了一种全新的解决思路。它的核心逻辑是让AI观看海量的视频数据，通过预测下一秒将发生什么来学习。例如，输入杯子倾倒的画面，模型需要预测出水流、溅射等完整过程。
这本质上是在训练一个物理引擎。AI通过观看数十亿小时的视频，自行“领悟”万有引力、摩擦力和碰撞等物理规律，无需人类预先编写任何公式。它直接从像素中学习，而非依赖于语言的间接描述。
生物的启示
大自然的设计早已揭示了答案。人类大脑约三分之一的算力用于处理视觉信息，语言仅占很小一部分。视觉信息直接连接着眼睛与肌肉，构成了高效的感觉运动回路，这正是机器人所缺乏的。
黑猩猩的例子更具说服力，它们的语言能力可能只相当于GPT-1，但却能驾驶车辆、使用工具，身体协调性远超现有机器人。这一切都归功于它们强大的物理直觉，知道世界如何运作，而无需借助语言。
数据洪流与未来
世界模型的未来潜力巨大，其数据来源将远超想象。YouTube上已有数十亿小时的视频，未来智能眼镜还将捕捉更丰富的日常第一视角动作数据。这些视觉信息的总量将轻易超越所有文本训练数据。
这催生了全新的训练方式，模型将不再局限于RGB图像，而是结合3D空间运动、身体感觉和触觉反馈，学会在视觉空间中直接思考。有预测认为，2026年将成为大规模世界模型发展的分水岭，为真正的通用机器人奠定基础。
世界模型正引领AI从语言世界迈向物理世界，这不仅是技术范式的转变，更是对智能本质的重新思考。它赋予了机器理解物理规律的可能，为通用人形机器人的未来铺平了道路。当AI拥有了与生俱来的物理直觉，它们将如何改变我们的生产与生活？这无疑是接下来最值得期待的篇章。
关键评论
有观点认为世界模型的底层逻辑仍是统计预测，与大模型本质无异。
部分网友关注具体技术实现，提到了开源项目Newton，并对高昂训练成本提出质疑。
还有声音指出，现有模型如何向真正的世界模型进化，仍是待解的问题。
