世界模型的三副面孔：能生成、能规划、能控制，是三件事

但这句话背后，可能是三件完全不同的事。

第一家公司，做的是写死的规则仿真器：把物理规律、碰撞、摩擦写成代码，让机器人在里面练。第二家公司，做的是从数据里学出来的动力学模型：给一堆交互数据，让模型自己学"做了这个动作，世界会变成什么样"。第三家公司，做的是生成视频的模型：给它一段视频，它能接着往下生成，看起来跟真的一样。

三家公司都叫"世界模型"，但它们的成本、误差、客户、估值逻辑，差了一个数量级。

这篇文章要做的，就是把这三副面孔分开。因为在 2026 年，分不清这三件事，就没法判断一家具身智能公司到底在卖什么。

一、一个词的三种用法

规则、学习、生成——误差结构完全不同

"世界模型"这个概念，最早来自强化学习：智能体需要一个内部的"世界怎么运转"的模型，才能在行动之前先"想一想"后果。

但在过去三年，这个词被三拨人分别征用了：

• 做游戏 AI 的人说：AlphaZero 就是世界模型，它知道棋盘规则；
• 做机器人的人说：MuZero 才是世界模型，它不只知道规则，还能自己学；
• 做视频生成的人说：Genie 才是世界模型，它能生成一个你可以走进去的世界。

三句话都不算错，但它们说的是三个东西。

我用一个更直白的比喻：

• 第一副面孔是"地图册"：地图是人画的，但它是准的；
• 第二副面孔是"自己画地图"：你一边走一边画，画得越久越准，但也会越画越偏；
• 第三副面孔是"拍电影"：画面很真，但电影里的物理，不一定成立。

下面逐个拆。

二、面孔一：规则即模型——AlphaZero 的"世界模型"是免费的

规则就是模型，MCTS 把稀疏胜负变成稠密策略标签

先从最有名的说起。

2017 年，DeepMind 的 AlphaGo Zero 只用了 4 个 TPU、3 天、490 万局自我对弈，就超过了击败李世石的版本。2018 年的 AlphaZero 更进一步：5000 个一代 TPU 负责生成对局，64 个二代 TPU 负责训练，每个游戏训练 70 万步、batch 4096，4 小时超过国际象棋引擎 Stockfish，2 小时超过将棋引擎 Elmo，8 小时超过 AlphaGo Zero。

很多人把这件事解释为"AlphaZero 建立了一个世界模型"。

严格说，不是。

AlphaZero 的"世界模型"，是人写好的规则。它随时可以调用 step(action)，精确地知道"走这一步之后，棋盘会变成什么样"。这个模型没有误差，因为它不是学出来的，是定义的。

它真正学的是两件事：

• 策略先验：当前局面下，哪些落子值得搜索；
• 价值估计：当前局面的赢面有多大。

具体怎么训？七步。

第一步，定义规则。 输入棋盘状态，输出下一状态和终局胜负。这一步没有学习。

第二步，一个双头网络。 输入棋盘特征，经过 19 个残差块（256 通道），分成策略头和价值头：策略头输出每个落子的概率，价值头输出胜率。

第三步，用蒙特卡洛树搜索（MCTS）把网络"想深一点"。 每次落子做 1600 次模拟（AlphaGo Zero），选择节点时用 PUCT：既看这个动作的平均价值，也看网络给它的先验概率，还看它被访问过多少次。叶节点不再用随机 rollout，而是直接用价值网络估值。

第四步，自对弈生成数据。 这里有一个极容易被忽略的细节：记录的不是"最终选了哪一手"，而是 MCTS 的访问次数分布。比如某个局面下搜索了 1600 次，有 900 次落在 A 落子、400 次落在 B、300 次落在 C——这个分布（记作 π）比"最后赢了还是输了"（记作 z）信息量大得多。

第五步，训练网络。 损失函数三项：价值要和最终胜负接近，策略要和 MCTS 分布接近，再加上正则项。

第六步，评估替换。 新网络和当前最优网络对打 400 局，胜率超过 55% 就替换。

第七步，规模化。 更多 TPU、更多对局、更大 batch，直到超过人类。

这套东西真正的魔法，是第四步。

棋类原本是一个"奖励极度稀疏"的任务：一盘棋几百手，最后只有一个输赢。但 MCTS 的访问分布，把"最后的输赢"变成了"每一步的 1600 次搜索投票"——稀疏的胜负信号，被转换成了稠密的策略标签。

这就是 AlphaZero 样本效率的核心。也是今天做强化学习的人最该学的一课：当你只有稀疏奖励时，想办法在中间过程造出一个稠密的监督信号。

但它的代价也很清楚：你必须有一个完美的模拟器。 棋类有，因为规则是人写的；物理世界没有，因为物理不是人写的。

三、面孔二：学一个可规划的模型——MuZero 的野心与代价

AlphaZero 有一个致命的前提：规则必须已知。

但现实世界里，大部分任务没有规则。机械臂抓一个杯子，物理规律不是"规则"，是接触、摩擦、形变；自动驾驶遇到一个加塞的车，交通法规不是"规则"，是博弈。

MuZero 就是为这个场景设计的。

它不给规则，自己学三样东西：

• 表示（representation）：把当前观测编码成一个隐状态；
• 动力学（dynamics）：给定隐状态和动作，预测下一个隐状态和即时奖励；
• 预测（prediction）：给定隐状态，输出策略和价值。

然后在学出来的隐空间里做 MCTS——不是"真实世界会怎么变"，而是"我认为世界会怎么变"。

2020 年，MuZero 在《Nature》发表，在围棋、国际象棋、将棋和 Atari 上匹配了 AlphaZero 的水平，但没有被告知任何规则。

这是巨大的进步。但它也引入了一个新的、无法回避的问题：模型误差会累积。

AlphaZero 的模型误差是零，所以它可以放心地往前搜 50 步。MuZero 的模型是自己学的，每一步都有误差；搜 50 步，误差就复合 50 次。搜索越深，越容易进入"模型想象出来、但现实不存在"的状态。

这里补一个容易误解的细节：MuZero 论文里的「50 次」，指的是每次落子做 50 次 MCTS 模拟，不是开环往前推 50 步。树可以很深，但每走一步真实动作，搜索树会重新扎根到真实观测上。所以误差累积主要发生在两个地方：一是树内部越走越深的想象分支；二是训练时在隐空间里展开的 K 步（MuZero 常用 K=5）。

用一个粗略的算法：如果单步模型的相对误差是 ε，展开 d 步后的误差大约是 (1+ε)^d - 1。ε=1%、d=50，就是 64%；ε=2%、d=10，就是 22%。真实误差不是独立同分布，模型在没见过的状态上会系统性偏乐观，规划器会专门挑那些「模型觉得好、现实不成立」的分支——这就是 model exploitation。

MuZero 有四道补丁：训练时只展开很短的 K 步；每一步用真实观测重新编码；模型只要求「价值等价」，不要求重建画面；MCTS 用多次模拟的平均，而不是单条轨迹。它能工作，不是因为没有误差，而是因为误差被限制在短程、可校正的范围内。

Dreamer 系列走的是同一条路，但更彻底：它直接在潜空间里"想象"整条轨迹，用想象出来的回报训练策略。2025 年发表在《Nature》的 DreamerV3，用一套超参数在 150 多个任务上工作，还第一次在没有任何人类示范的情况下，从零学会了在《我的世界》里挖钻石。

这套方法的优点是样本效率极高——因为在"梦里"试错，比在现实里试错便宜得多。缺点是梦会骗人：如果模型在某个区域不准，策略就会学会一个"在梦里有效、在现实里不成立"的动作。

所以面孔二的适用域很清楚：规则写不出来、但有大量交互数据、且任务不需要超长程规划的场景。

机器人操作、游戏、部分自动驾驶，都在这个区间。

四、面孔三：生成一个看起来真的世界——Genie 的 22 毫秒与 1 分钟记忆

第三副面孔，是过去两年最火的。

Genie 3 可以根据一句文字，生成一个可以实时探索的环境：720p、24 帧/秒，端到端生成一帧大约 22 毫秒；你往前走，画面会跟着变。

它最反直觉的地方是：它的"物理"是涌现出来的。 网络里没有写重力，但看过足够多"球往下掉"的视频之后，它学到的分布就是"球通常会往下掉"。

这听起来很像世界模型。但它有三个硬约束：

• 一致性有限。 Genie 3 自己承认，空间记忆大约只能往回追溯 1 分钟，环境的一致性一般维持几分钟。再往后，画面就开始"漂"。
• 误差逐帧累积。 每一帧都基于上一帧生成，小误差会滚雪球。
• 它是"看起来对"，不是"算出来对"。 生成得逼真，和真的懂物理，是两件事。

专门测试物理预测的基准 WorldBench 发现：被测评的世界模型，随着预测时域变长，准确率明显下降；"物体被遮挡后是否依然存在"这类物体永久性问题，也相当难。

另一条路线是"潜空间预测"，代表是 Meta 的 V-JEPA 2。它不生成像素，而是预测"下一时刻的抽象表征"——用 LeCun 的话说，视频里大部分比特是噪声，逼模型重建它们是浪费容量。

V-JEPA 2 的数字很能说明问题：100 万小时以上的互联网视频预训练，再补 62 小时无标注机器人视频做动作条件化，就能在新环境里做零样本抓取和放置，成功率 65% 到 80%。 但它的规划速度，大约 16 秒才给出一个动作——比实时控制慢约一百倍。

这就是面孔三的真实位置：它能做预训练、能做数据增强、能做评估，但离"实时控制"还有距离。

NVIDIA 的 Cosmos 走的是另一条商业化路径：用约 2000 万小时的视频训练，生成物理上合理的合成视频，卖给机器人公司做训练数据。Figure、Skild、Agility 都在用。

而 Waymo 在 2026 年 2 月发布的仿真器，是建立在 Genie 3 之上的——用来生成"龙卷风、路上有大象"这种真实车队几乎采集不到的罕见事件。这是一个正面案例：生成式世界模型不做控制器，做"罕见场景生成器"，价值很实在。

案例注：Sony Ace 是哪一副面孔？

Ace 常被拿来当「世界模型」的证据，但它其实三者都不是。它的控制策略是 model-free RL：没有学一个动力学模型来做规划；它在超过 3000 小时的物理仿真里训练，仿真器就是它的「世界模型」——这是面孔一，不是面孔二。感知端用 9 台高速相机 + 3 套事件相机，200Hz 追踪、10.2ms 延迟、450 rad/s 旋转；策略输出再经过一个带硬约束的凸优化，才变成关节动作。它证明了：在规则清楚、仿真可信的窄域里，面孔一 + model-free RL + 好传感器，可以打到职业水平；它没有证明生成式世界模型能控制，也没有证明视频能替代仿真。

五、2026 年的新变量：三副面孔正在融合

Fast-WAM、V-JEPA 2.1、Dreamer 4 各自借了对方的零件

一年前，三副面孔还分得很开。2026 年，它们开始互相借对方的零件。这让我们对"世界模型"的判断，要再往前走一步。

第一条融合：生成式 → 表征式。

星海图 2026 年 3 月发布 Fast-WAM：训练时保留视频协同训练，让视觉模块学物理动力学；推理时直接砍掉视频生成分支，只做一次前向传播。单步延迟从约 800 毫秒降到 190 毫秒，提速 4 倍。在双臂操作基准 RoboTwin 2.0、长程任务基准 LIBERO 和真实毛巾折叠任务上，即使完全不生成未来视频，成功率仍与最强世界模型持平。

这说明什么？生成不是目的，表征才是。 视频生成可以是训练手段，但推理时不需要"把未来画出来"。这条路，已经从面孔三走到了面孔二。

第二条融合：表征式 → 控制。

Meta 2026 年 3 月的 V-JEPA 2.1，把视觉表征做得更密、更稳：Ego4D 短时物体交互预测 7.71 mAP，EPIC-KITCHENS 高层动作预测 40.8 Recall@5，真实机器人抓取成功率比 V-JEPA 2-AC 提升 20 个百分点。

但请注意：它仍然是一个"冻结的编码器 + 规划器"，不是实时控制器。抓取可以"想 16 秒再动"，打球不行。

第三条融合：学习动力学 → 大规模离线。

Dreamer 4（2025 年 9 月）把 RSSM 换成 transformer 世界模型，用 shortcut forcing 训练；在 2,541 小时 Minecraft 视频（其中约 100 小时带动作标签）上，首次在纯离线数据上挖到钻石（成功率 0.7%），单卡 H100 推理约 20 FPS，数据量比 OpenAI VPT 少约 100 倍。

这是"在想象里训练"的极限演示。但它的前提是：Minecraft 有干净的状态、离散的动作、明确的奖励，规则稳定，可以离线反复采样。物理世界没有这些。

资本和产品也在加速。

World Labs 2026 年 2 月完成 10 亿美元融资、估值约 50 亿美元；Marble 把文本、图片变成可编辑的 3D 世界，订阅价 0–95 美元/月，并开始向机器人与科学发现倾斜。AMI Labs 2026 年 3 月拿到 10.3 亿美元种子轮、投前估值 35 亿美元，押注 JEPA 与 AdaJEPA。Genie 3 被包装成 Project Genie：60 秒会话、接入约 2800 亿张 Street View 图像、覆盖 110 个国家；Waymo 用它生成龙卷风、路上有大象这类罕见路况。

中国这边，"VLA + 世界模型"双线并行成了默认：银河通用 AstraBrain WAM 0.5、智元 GO-2 + GE 2.0、宇树 WVLA 2.0、星海图 G0.5 + Fast-WAM；华为乾崑干脆拒绝 VLA，走 WA（World Action）路线；吉利发布 WAM，试图统一智驾、座舱和底盘。

但融合不等于误差消失。

Fast-WAM 砍掉生成，误差从"视觉不对"变成"表征不对"；V-JEPA 2.1 提升抓取，仍然解决不了毫秒级闭环；Dreamer 4 在 Minecraft 里成功，不等于在车间里成功。三副面孔可以互相借零件，但每一种误差结构仍在。

所以判断一家公司，不要问"你有没有世界模型"，要问：你融合了哪两条路线、代价是什么、误差落在哪？

六、三种误差：零误差、累积误差、无因果误差

失败模式不同，工程解法也不同

把三副面孔放在一起，最本质的区别不是"谁更先进"，而是误差结构不同。

这张表最重要的一行，是"失败模式"。

• 面孔一失败，是因为规则没写全（spec gap）；
• 面孔二失败，是因为误差滚雪球（compounding）；
• 面孔三失败，是因为看起来对但不对（plausibility ≠ correctness）。

三种失败，对应三种完全不同的工程解法：面孔一靠"补规则"，面孔二靠"缩短 rollout + 真机校正"，面孔三靠"加动作条件 + 闭环验证"。

把三种失败混为一谈，就会得出错误的结论——比如"世界模型不够好，所以再训大一点就行"。实际上，面孔三的问题不是"不够大"，是"没有因果"。

七、判断表：什么场景该用哪副面孔

大部分公司站在右下角，讲右上角的故事

我画一个二维矩阵：横轴是"规则能不能写"，纵轴是"有没有交互数据"。

四象限的解释：

• 左上（规则可写 + 数据多）：棋类、电网调度、化工流程。用面孔一最便宜，因为规则就是模型。
• 右上（规则写不出 + 数据多）：机器人操作、游戏、自动驾驶。用面孔二，因为可以从交互里学动力学。
• 左下（规则可写 + 数据少）：工程仿真、飞行器设计。还是面孔一，先用规则跑起来。
• 右下（规则写不出 + 只有视频）：大部分"世界模型创业公司"。只能用面孔三做预训练，然后想办法补交互数据。

大部分具身智能公司，都站在右下角，然后告诉你他在做右上角的事。 这就是估值错配的来源。

工业是这张表里最容易被误判的格子：规则可写、数据很多，看起来应该最先被 AI 吃掉。但真正卡住放量的不是模型，是执行权——高温高压、易燃易爆的场景不允许 AI 幻觉，任何闭环动作都要过安全认证、DCS/SIS 联锁和人工签字。中控技术的 TPT 是个好例子：13 个行业、2026 年 Q1 工业 AI 收入 1.84 亿元、订阅制 MaaS/RaaS，但落地节奏仍然是「先在小型装置验证，再进大型高危装置」。它卖的是优化建议、软测量、预警，不是「把工厂交给模型」。所以工业的放量慢，不是信号不够，是信号被安全边界锁住了。

Transformer 和 RL 不是二选一。 Transformer 是架构，RL 是学习信号；工业里大多数落地是 Transformer 做预测/软测量，RL 只在仿真或许可的闭环里用。真正的分界线不是算法名字，是「谁来验证、谁拥有执行权」。

八、投资映射：铲子、地图、电影

铲子和地图能收租，电影只能卖票

三副面孔，对应三种商业模式和三种估值逻辑。

面孔一，是"卖铲子"。客户是工程师，产品是仿真工具、规划器、求解器。收入是软件授权，估值看 PS 和客户数。天花板不高，因为开源（MuJoCo、Isaac）会不断侵蚀；但现金流稳， switching cost 高。

面孔二，是"卖地图"。客户是机器人公司、车厂。产品是"能在想象里训练策略"的模型 + 数据闭环。收入可能是模型授权、联合开发、数据服务。估值看"数据闭环的规模"——多少小时、多少场景、多少真机回合。天花板最高，因为一旦闭环跑通，数据会复利。

面孔三，是"卖电影"。客户是内容公司、机器人公司（买合成数据）。产品是生成视频、生成场景、生成罕见事件。收入按项目/按数据量。估值应该看收入倍数，而不是"模型参数"。

现在最大的定价错配，是把面孔三当面孔二估值。

一家公司说"我们有世界模型"，如果它的模型只能生成视频、不能接动作、不能闭环，那它是内容/数据供应商，不该拿基础设施的估值。

反过来，一家真正做面孔二的公司，你问它三个问题就能验真：

• 你的模型输出，是"下一帧画面"还是"下一状态 + 奖励"？
• 你的策略，是在真实环境里闭环训练，还是在视频上做行为克隆？
• 你的模型误差，怎么随 rollout 长度变化？有没有曲线？

答不上来，大概率是面孔三穿了面孔二的衣服。

商业案例，把三种模式落到交易上：

Palantir 卖的不是世界模型。 它卖的是企业的 Ontology（把数据、流程、权限、可执行动作定义成一张语义网）+ 前置工程师（FDE）。客户买的不是「预测未来」，是「把散落在几十个系统里的数据变成可执行的动作」。它更像「企业地图 + 实施服务」，不是面孔二，也不是面孔三。2026 年 Q1 营收 16.33 亿美元、美国商业收入同比 +133%，典型首单 50 万–200 万美元/年——这个价格买的是「组织操作系统的地图」，不是模型参数。

九、四个必须表态的争议

争议一：像素预测和表征预测，谁是对的？

LeCun 派认为，像素里大部分是噪声，预测像素是浪费容量；Genie 派认为，生成式模型能同时做数据增强和评估。

我的判断：表征派更适合控制，生成派更适合数据。 它们不是替代关系，是分工关系。V-JEPA 2 的 16 秒/动作说明它能"想"不能"控"；Genie 3 的 1 分钟一致性说明它能"看"不能"算"。

争议二：世界模型能不能替代物理仿真器？

短期不能。仿真器的价值是"可复现、可标定、可并行"；世界模型的价值是"补长尾、补真实感"。

正确用法是"仿真器打底 + 世界模型补长尾"，不是二选一。Waymo 用 Genie 3 生成罕见事件，前提是它已经有一个庞大的真实路测和仿真底座。

争议三："能生成"离"能控制"有多远？

差一个"动作条件"（action-conditioned）。

Genie 3 的世界会响应你的"移动"，但不会响应"以 3 牛米的力拧这个瓶盖"。没有动作条件的视频模型，不是控制器。 这也是为什么很多"世界模型"demo 看起来震撼，放到机器人上就不好使。

争议四：世界模型公司的估值该怎么给？

按三副面孔分开给：面孔一是软件工具（PS），面孔二是基础设施（数据 + 模型），面孔三是内容/数据供应商（收入倍数）。

一句话：铲子和地图能收租，电影只能卖票。

十、结语：世界模型不是护城河，闭环数据才是

回到开头那个路演场景。

三家公司都说自己做世界模型。第一家卖的是规则，第二家卖的是数据闭环，第三家卖的是画面。

如果你只能问一个问题，问这个："你的模型，下一步输出的是什么？"

• 输出"下一帧画面"的，是面孔三；
• 输出"下一状态 + 奖励"的，是面孔二；
• 输出"规则允许的下一状态"的，是面孔一。

三种答案，三种公司，三种估值。

2026 年，Gartner 在《Hype Cycle for Physical AI》里的判断是：当前物理 AI 的炒作与风险，大于商业成果。 AMI Labs 的 CEO 说得更直接："六个月内，每家公司都会自称世界模型来融资。"

这句话不是嘲讽，是提醒。

真正稀缺的从来不是"世界模型"这四个字，而是"能闭环、可复现、带动作"的数据。 模型会开源，算力会降价，只有数据闭环不会。

所以，下次再听到"我们做世界模型"，别急着鼓掌。先问一句：

"你的世界，能被动作改变吗？"

数据与来源

• AlphaGo Zero：Silver et al., *Nature* 2017（4 TPU、3 天、490 万局、1600 次 MCTS 模拟）
• AlphaZero：Silver et al., *Science* 2018；预印本 arXiv:1712.01815（5000 个一代 TPU + 64 个二代 TPU、70 万训练步、batch 4096、8 小时超过 AlphaGo Zero）
• MuZero：Schrittwieser et al., *Nature* 2020（无规则、学表示/动力学/预测）
• DreamerV3：*Nature* 2025；项目页 danijar.com/project/dreamerv3（一套超参、150+ 任务、Minecraft 钻石）
• Genie 3：Google DeepMind，2025-08（720p、24fps、约 22ms/帧、约 1 分钟空间记忆、分钟级一致性、闭源研究预览）
• V-JEPA 2：Meta，2025-06（1.2B 参数、100 万+ 小时视频、62 小时机器人视频、零样本抓取 65–80%、规划约 16 秒/动作）
• Cosmos：NVIDIA（约 2000 万小时视频训练；Figure、Skild、Agility 用于合成数据）
• Waymo 世界模型：2026-02 发布，基于 Genie 3，用于生成罕见事件（公开报道）
• WorldBench：世界模型长时域预测准确率下降、物体永久性难题（公开评测）
• Gartner《Hype Cycle for Physical AI, 2026》：炒作与风险大于商业成果
• 星海图 Fast-WAM：2026-03 发布，单步延迟 800ms → 190ms，RoboTwin 2.0 / LIBERO / 毛巾折叠（公司口径）
• V-JEPA 2.1：Meta，arXiv:2603.14482（2026-03），Ego4D 7.71 mAP、EPIC-KITCHENS 40.8 Recall@5、真实抓取 +20 个百分点
• Dreamer 4：Hafner et al., arXiv:2509.24527（2025-09），2,541 小时 Minecraft 视频、约 100 小时动作标签、离线钻石 0.7%、H100 约 20 FPS
• World Labs：2026-02 完成 10 亿美元融资、估值约 50 亿美元；Marble 订阅 0–95 美元/月（公开报道）
• AMI Labs：2026-03 完成 10.3 亿美元种子轮、投前估值 35 亿美元（公开报道）
• Project Genie：2026-01 开放，60 秒会话；2026-05 接入约 2800 亿张 Street View 图像、110 个国家；DeepMind 称其「video game quality」、不尊重物理（公开报道）
• 中国 WAM 路线：银河通用 AstraBrain WAM 0.5、智元 GO-2 + GE 2.0、宇树 WVLA 2.0、华为 WA、吉利 WAM（2026 公开报道）
• AMI Labs CEO Alexandre LeBrun："六个月内，每家公司都会自称世界模型来融资。"（2026-03，TechCrunch 报道）

*注：本文涉及公司口径的数据已标注；Waymo、Gartner 等第三方信息以公开报道为准。*