本文系统梳理了具身智能领域的核心——世界模型。通过构建功能、时间与空间的三维分类框架，不仅厘清了该领域的技术脉络，还整合了关键的数据集、评估指标及性能对比，为研究者提供了一份清晰、可操作的知识地图，助力理解AI如何通过内部模拟器感知并预测未来。
智能速览
世界模型是具身智能的内部模拟器，用于仿真与规划。
提出功能、时间建模和空间表示的三轴分类法进行统一梳理。
系统整合了机器人、自动驾驶等多领域的数据资源与评估指标。
不同模型在像素生成、场景理解和控制任务上各有优势。
未来挑战在于数据统一、计算效率与长时域动态建模。
精华内容
世界模型正成为具身智能实现感知与决策的关键。如何构建一个能精准预测未来、支撑智能体行动的内部模拟器？以下将从其核心功能、建模方式到实际应用进行深入探讨。
核心定义与分类
世界模型作为环境动态的内部模拟器，使智能体能在想象中评估动作。其数学框架常基于部分可观测马尔可夫决策过程（POMDP），通过学习潜在状态来预测观测与演化。为解决领域内术语与分类的混乱，本文提出一个统一的三维分类框架。
功能性上，区分了任务特定的决策耦合模型与任务无关的通用模型。时间建模上，对比了逐步展开的序列仿真与高效但可能牺牲一致性的全局差异预测。空间表示上，则涵盖了从全局潜在向量、Token序列到空间网格，乃至分解渲染表示的四种主流策略。
数据与评估体系
具身智能世界模型的训练与评估依赖多样化的数据资源，包括仿真平台、交互式基准、离线数据集和真实机器人平台。例如，跨形态机器人的Open X-Embodiment数据集包含百万级轨迹，而自动驾驶领域的nuScenes则提供多模态传感器数据。
评估指标体系同样全面，涵盖不同层面。像素生成质量通过Fréchet视频距离（FVD）和Fréchet初始化距离（FID）衡量；状态级理解依赖平均交并比（mIoU）和平均位移误差（ADE）；任务表现则通过成功率（SR）和样本效率（SE）等指标进行最终评判。
关键性能对比
在不同任务基准上，各类世界模型展现出差异化优势。在nuScenes视频生成任务中，DrivePhysica以最低的FID值证明了其卓越的视觉保真度，而MiLA则以最低的FVD值体现了最佳的时间连贯性。
在4D Occupancy预测任务中，COME（GT ego）方法借助真实轨迹信息，在Occ3D-nuScenes基准上取得了34.23%的平均mIoU，显著领先。在控制任务方面，DreamerV3在DeepMind Control基准上表现出强大性能，而VidMan在RLBench操作任务中实现了67%的平均成功率。
挑战与发展趋势
当前世界模型研究面临三大核心挑战。首先是数据与评估，缺乏统一的大规模跨域数据集，且现有指标过度关注像素保真度，忽视了物理一致性与因果关系。其次是计算效率，Transformer和扩散模型的高推理成本与机器人实时控制需求存在冲突。
最后是建模策略，在长时域动态与高效空间表示上存在困难。未来趋势将聚焦于构建统一多模态数据集，通过量化、剪枝等技术优化模型效率，并结合自回归与全局预测的优点，以实现更高效、物理一致且能泛化的世界模型。
世界模型的研究为具身智能的发展提供了坚实的理论基础和实用的技术路径。从统一框架的构建到多维度性能的评估，该领域正逐步走向成熟。未来，如何构建更高效、物理一致且能泛化的世界模型，将是通向更高级别人工智能的关键，值得持续关注。
