五波浪潮背后，世界模型始终在回答同一个问题
——35年发展脉络
世界模型走到今天，行业内部的分歧远比外界看到的更大。
一派坚持生成式可视化：让模型输出高清画面、构建可交互的虚拟世界；
另一派押注纯隐空间推理：放弃像素，只在抽象表征中完成因果推演。
但这种技术路线的根本分歧，早在 1990 年深度学习尚未兴起的行业寒冬期便埋下伏笔。彼时全球算力、数据体量与当下差距悬殊，早期世界模型理论更像是一场超前的人工智能思想实验。
此后三十年，世界模型经历了五次清晰的进化浪潮：
1990-1991：理论萌芽，建立世界模型底层数学原理
世界模型的雏形诞生于深度学习尚未兴起的低算力时代，这一阶段的核心命题极为纯粹：
世界模型的核心逻辑是什么？AI能否在自我模拟的虚拟环境中学习进化？
Making the World Differentiable
1990年，尤尔根·施密特胡伯发表《Making the World Differentiable》，提出世界模型最核心的底层原理：
让物理环境可微分（Differentiable World）。
传统仿真引擎是“硬编码规则”，只能固定执行预设物理公式，无法被训练优化；而可微分世界可以把环境的每一次状态变化转化为梯度信息，支持神经网络反向传播更新参数。
研究设计的循环神经网络（RNN）双任务架构，奠定了后世所有世界模型的基础：
一是环境预测任务，输入当前状态输出未来状态；二是智能体训练任务，在模型生成的虚拟环境中优化动作策略。
▲图| 早期简陋的世界模型©【深蓝具身智能】编译
Dyna架构
次年（1991年），强化学习泰斗理查德·萨顿提出Dyna架构，确立“观测—学习—仿真—行动”四步闭环原理。
传统AI将模型学习、策略规划、环境执行拆分为独立模块，效率极低，Dyna首次将三者统一：
智能体既可以在真实环境采样数据，也可以利用学习到的世界模型自主生成虚拟样本，用“梦境仿真”补充真实数据，解决了早期强化学习采样成本高、数据稀疏的核心痛点。
这两大理论确立了世界模型的本质：远远不是渲染画面那么简单，而是学习环境因果梯度，用仿真替代真实试错。
受限于当时的算力与数据短板，这两项开创性理论无法落地实践，更像是一场人工智能的思想实验。彼时全球算力总量、数字数据体量与当下相差亿万倍，没有任何硬件与工程能力支撑虚拟世界仿真训练。但这波萌芽浪潮奠定了行业终极方向：
真正的智能，源于对世界动态的模拟与动作因果的试错，不是静态符号的堆砌。
2018-2019：可行性验证，现代世界模型标准架构落地
沉寂近三十年是因为那时候算力不足，随着深度学习框架成熟、GPU算力普及、海量视频数据积累，世界模型正式迈入工程化探索阶段。
▲图 | 1999年的英伟达显卡©【深蓝具身智能】编译
这一阶段的核心命题是：世界模型的理论逻辑能否落地？AI在虚拟梦境中学习的模式是否真的有效？
World Models
2018年，大卫·哈与施密特胡伯发表的《World Models》，落地了行业首个标准化、可端到端训练的世界模型三层架构（V+M+C）：
视觉编码器V + 记忆预测模型M + 动作控制器C新智具身智能
其核心技术原理是高维视觉压缩+时序动态预测：
-
视觉模型（VAE变分自编码器）将千万像素的高维画面，压缩为低维稳定隐向量，过滤冗余画面信息；
-
记忆模型（RNN循环网络）基于隐向量与时序信息，预测环境未来状态变化；
-
控制器根据预测结果输出最优动作。
整套架构不依赖任何人工物理规则，纯数据驱动学习环境动态。
该论文首次验证了纯梦境训练、仿真现实迁移（Sim-to-Real）的核心逻辑：
智能体全程在模型生成的虚拟场景中训练，零真实环境交互，依然能适配真实游戏场景，证明世界模型具备泛化能力。
SimPLe
2019年的SimPLe算法进一步优化工程落地能力，针对性解决传统强化学习真实交互步数过多的问题。
其核心技术创新是模型自适应采样机制：优先用世界模型仿真样本训练，仅在模型预测失效时补充真实环境数据。
在Atari 100k极简基准测试中，仅用10万步真实交互（约2小时游戏时长），即可精通26款游戏，样本效率是传统DQN算法的数十倍。
▲图| SimPLe的内部结构©【深蓝具身智能】编译
这一波浪潮确立现代世界模型核心范式：隐空间压缩（就是用小空间表示大空间）、时序预测、虚拟预训练、现实迁移，为后续性能迭代打通工程壁垒。
2020-2022：性能突破，两大核心技术路线定型
解决“能不能做”的问题后，行业探索重心转向“能不能做好”。
这一阶段的核心命题是：世界模型训练的智能体，性能能否比肩甚至超越人类？
这一阶段行业分化出沿用至今、原理完全对立的两大技术路线，定义了世界模型的技术上限。
DreamerV2
第一条是生成式可视化路线（DreamerV2，2020年），核心技术为RSSM循环状态空间模型。
区别于传统RNN，RSSM引入离散随机隐状态建模，不再预测单一固定未来画面，而是建模环境的随机性（环境随机不确定性），可以输出多种合理未来场景。同时通过循环记忆机制，持续累积历史时序信息，适配长序列任务。
凭借该原理，DreamerV2仅用单GPU训练，无需任何真实交互，就在55款Atari游戏达到人类平均水平，解决了早期模型时序记忆缺失、预测单一僵化的短板。
▲图| DreamerV2和其它模型对比，但请注意,这个来自Dreamer V2自己的论文©【深蓝具身智能】编译
MuZero
第二条是纯隐空间推理路线（MuZero，2019年），核心技术创新是无规则隐态建模+蒙特卡洛树搜索（MCTS）融合。
MuZero最大的突破在于完全舍弃了人工编写的游戏规则、物理参数、奖励函数，仅通过观测画面与最终结果，从零学习环境动态规律。
它不生成任何可视化画面，只在自主构建的抽象隐空间中完成状态推演与决策规划，大幅降低算力消耗。
▲图| MuZero玩各种棋类和Atari©【深蓝具身智能】编译
凭借该原理，MuZero全面超越AlphaGo系列，不仅精通棋类博弈，更适配无固定规则的Atari游戏，证明抽象因果推理比像素生成更适配复杂决策任务。
JEPA
2022年两大里程碑技术，进一步完善两大路线的底层逻辑。
杨立昆提出的JEPA（联合嵌入预测架构），是隐式世界模型的集大成者，核心原理为屏蔽预测、因果表征学习。
JEPA刻意放弃像素级细节生成，只预测环境的高阶因果表征，主动舍弃光照、纹理、微小抖动等无意义随机噪声，只保留物体位置、运动趋势、物理约束等核心规律。
这一设计彻底解决生成式模型的“模糊预测、算力冗余”问题，推理速度更快、泛化性更强，成为机器人领域的核心架构。
▲图| 杨立昆的JEAP论文，少见的唯一作者论文©【深蓝具身智能】编译
IRIS
同年诞生的IRIS架构，将大语言模型的缩放能力引入世界模型，核心技术是视觉令牌化+自回归Transformer预测。
它把连续的图像帧离散为固定词汇表的视觉Token，模仿LLM预测下一个文字的逻辑，预测下一个视觉Token与动作结果。该创新让世界模型继承了Transformer的注意力机制、缩放定律、工程生态，首次实现同等数据量下AI性能超越人类，解决了传统循环模型无法大规模扩容的痛点。
这一波浪潮标志着世界模型彻底摆脱“玩具级应用”，在标准化任务中实现对人类能力的超越。
同时确立了生成式可视化仿真、隐式因果推理两大技术路线，为后续场景落地提供了核心技术支撑。
2023-2024：交互革新，动作条件建模与实时仿真技术成熟
随着模型性能达标，行业瓶颈转变为交互能力缺失，这一阶段的核心命题是：
能否打造真正可交互、可干预的实时世界模型，区分于普通视频生成模型？
这一阶段的核心技术分水岭，是确立动作条件概率建模（Action-Conditioned）的核心原理，彻底区分普通视频模型与真正的世界模型。
-
普通视频生成模型的数学逻辑为，仅根据历史画面预测下一帧，无交互、无因果；
-
而世界模型的核心公式为 ，将当前状态+人为/智能体动作作为输入，动作是环境变化的唯一干预变量，实现“动作变、场景变”的实时因果交互。
GAIA-1
2023年GAIA-1落地真实场景规模化世界模型，核心技术为时序序列建模+多条件融合。
模型以真实驾驶视频为训练数据，同时接收方向盘操作、车速、天气、文本指令等多维度条件输入，统一编码到时序特征中，实时推演车辆动态与路况变化。
同时首次验证：
世界模型完全遵循大模型缩放定律，数据量、参数量提升，推理精度与真实度稳定上涨，为行业规模化迭代提供理论支撑。
▲图| GAIA-1的架构。©【深蓝具身智能】编译
DIAMOND
2024年DIAMOND架构带来生成式世界模型画质与交互精度的质变，核心技术是隐空间扩散模型+光流匹配。
区别于传统自回归逐Token预测，扩散模型通过反向降噪迭代生成高清帧，保留纹理、光影、物体细微运动等细节；
搭配光流匹配技术，精准建模物体运动轨迹，解决了早期模型动作响应滞后、画面跳变、细节失真的问题。
仅用87小时游戏视频数据，即可训练出可实时操控、物理逻辑自洽的交互式虚拟场景，实现低成本、高精度仿真。
▲图| DIAMOND生成的反恐精英游戏世界©【深蓝具身智能】编译
Genie
同期谷歌Genie（2024年）模型实现了弱监督通用世界建模，核心创新是自监督动作空间挖掘。
无需人工标注按键、操控等动作标签，模型通过视频帧间的环境变化差异，自主聚类、学习人类操控动作空间，可从任意静态图像生成完整、可交互、符合物理逻辑的虚拟世界。
▲图| Genie模型示意图©【深蓝具身智能】编译
至此，行业彻底明确技术边界：视频模型是时序画面拟合，世界模型是动作驱动的因果环境仿真，具备可干预、可控制、可训练三大核心特性。
2025-至今：产业落地，仿真现实迁移与具身智能技术闭环
当前行业正处于第五波核心浪潮，也是世界模型从技术研发走向商业落地的关键阶段，核心命题升级为：
虚拟训练的世界模型，能否真正赋能真实物理世界的机器人、自动驾驶等实体设备？
本阶段核心技术突破是高保真Sim-to-Real（仿真到现实迁移），解决了长期以来“虚拟仿真完美、现实落地失效”的域偏移问题。
核心原理是：
世界模型训练时不再拟合理想化虚拟物理，而是学习真实世界的随机性、不确定性、微小扰动，让虚拟环境的物理规律、场景分布、故障模式与现实世界无限对齐，实现虚拟训练策略零适配迁移到真实硬件。
自动驾驶领域
GAIA-2搭载时空因子化Transformer+流匹配扩散模型，支持多摄像头环视仿真，可精准模拟极端天气、突发障碍物、人车随机交互等现实稀有场景，补齐真实路测数据不足、高危场景无法采集的行业短板；
Comma.ai则落地端到端世界模型驾驶策略，彻底抛弃传统规则化自动驾驶算法，纯仿真训练模型直接量产上车，验证了世界模型在工业级场景的可用性。
机器人领域
V-JEPA 2优化了隐式世界模型的具身适配能力，核心技术为掩码自监督预训练+少样本微调。
通过百万级无标注视频预训练，学习通用物理因果、物体交互、运动规律，仅需数十小时机器人实操数据，即可完成下游任务适配，实现零样本新环境规划。相比传统机器人模型分钟级的推理耗时，V-JEPA 2依托轻量化隐空间推理，将决策耗时压缩至秒级，大幅提升实操效率。
SIMA 2则开创大模型融合路线，核心技术是语言时序推理+3D空间建模，将LLM的语义理解、多步规划能力与世界模型的空间动态仿真能力结合。
既能理解复杂自然语言指令，又能在三维物理空间中推演动作后果、自主拆分任务、适配未知场景，打通了“语言思考、物理行动”的智能闭环，成为通用具身智能的核心方向。
产业端
李飞飞World Labs、杨立昆AMI Labs、通用直觉等头部企业纷纷斩获十亿级美元融资，全球资本与人才持续涌入。
▲图| AMI实验室介绍©【深蓝具身智能】编译
发展到现在，世界模型彻底走出实验室，成为自动驾驶、通用机器人、工业仿真、智能游戏引擎等领域的核心底层技术。
写在最后
从1990年的理论萌芽，到现在的产业落地，世界模型的五波浪潮构成了一条比较明确的进化之路：
从思想构想验证技术可行性，从性能迭代超越人类水平，从交互突破搭建虚拟世界，从场景落地赋能真实物理空间。
相较于大语言模型的符号化智能（乔姆斯基的理念），世界模型补齐了AI的空间认知、因果推理、动作交互短板。
未来，随着两大技术路线持续融合、仿真迁移精度不断提升，世界模型将彻底重构人工智能的发展格局，也许真的会成为复刻我们所在的这个世界的平行宇宙，甚至会发现我们没有发现的我们的世界的规律，因为被世界模型自己学习到了。
编辑｜咖啡鱼
审编｜具身君
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
