很多創(chuàng)業(yè)者把這波世界模型熱潮，比作當(dāng)初ChatGPT剛剛誕生的時(shí)刻。2023年的AI創(chuàng)業(yè)關(guān)鍵詞是“大模型”，各大投資機(jī)構(gòu)與科技大廠言必稱千億參數(shù)與Scaling Law，到了2026年，關(guān)鍵詞正在切換成一個(gè)更模糊、更宏大，甚至帶著些許哲學(xué)野心的詞，那就是世界模型（World Model）。

但問題是，沒有人能完整解釋它。

在不同公司的敘事藍(lán)圖里，它可以是視頻生成，是機(jī)器人控制，是自動(dòng)駕駛的環(huán)境理解，也可以是多模態(tài)Agent的長(zhǎng)期記憶系統(tǒng)。它不像一個(gè)明確的技術(shù)路線，更像一個(gè)不斷擴(kuò)張邊界的概念。就在剛剛，英偉達(dá)官網(wǎng)突然公布業(yè)界首個(gè)面向機(jī)器人、自動(dòng)駕駛和物理AI的全棧式綜合安全系統(tǒng)Halos，專為運(yùn)行在IGX Thor人形機(jī)器人硬件上而設(shè)計(jì)。

有趣的是，國(guó)內(nèi)一批站在風(fēng)口浪尖的AI創(chuàng)業(yè)公司，正不約而同的向這個(gè)詞靠攏。

初代AI視頻生成頂流生數(shù)科技，重新把視頻生成模型稱為“時(shí)間維度的世界模擬”。面壁智能在端側(cè)模型中討論如何構(gòu)建更長(zhǎng)程的結(jié)構(gòu)化推理空間。在自動(dòng)駕駛領(lǐng)域闖蕩多年的Momenta，繼續(xù)強(qiáng)化自動(dòng)駕駛系統(tǒng)對(duì)閉環(huán)世界的理解。市值剛破萬億的智譜則在Agent能力之外，也宣布要逐步擴(kuò)展“環(huán)境交互”能力的邊界。

這些押注世界模型的公司分布在不同賽道，但大多有一個(gè)共同點(diǎn)——來自同一條學(xué)術(shù)與產(chǎn)業(yè)網(wǎng)絡(luò)，清華系。這種集中在其他行業(yè)并不常見。它不像消費(fèi)互聯(lián)網(wǎng)那樣依賴地理上的咖啡館和孵化器集群，也不像半導(dǎo)體行業(yè)依賴供應(yīng)鏈的物理半徑，而是以清華園、五道口、知春路為圓心持續(xù)外溢。

世界模型之所以成為當(dāng)下AI行業(yè)追逐的新熱點(diǎn)，技術(shù)正在成熟只是一方面，“語(yǔ)言”這一建模對(duì)象正在逼近瓶頸才是根本原因。

從語(yǔ)音大模型出走半生的創(chuàng)業(yè)者們，意識(shí)到語(yǔ)言模型能模擬世界的描述，但并不真正理解世界的運(yùn)行規(guī)則。同時(shí)視頻生成模型開始出現(xiàn)“時(shí)間一致性”的問題，機(jī)器人模型開始面對(duì)“物理失敗”的不可回避性，自動(dòng)駕駛系統(tǒng)必須處理現(xiàn)實(shí)世界中持續(xù)變化的反饋。世界模型的意義，正在于試圖將這些分散問題統(tǒng)一起來。

上一輪，清華系幾乎定義了大模型。而這一輪，清華系又開始搶跑世界模型——這個(gè)被認(rèn)為是通往通用智能的重要路徑。

01

為什么是清華系？

清華系三個(gè)字在AI投資圈的號(hào)召力，有時(shí)蒙上一絲玄學(xué)色彩。在清華系創(chuàng)業(yè)者領(lǐng)頭人唐杰創(chuàng)辦的智譜市值直沖萬億的當(dāng)下，圈內(nèi)人會(huì)開玩笑說，看項(xiàng)目時(shí)只要聽說核心團(tuán)隊(duì)是清華EE（電子工程系）或CS（計(jì)算機(jī)系）出來的，哪怕還沒看BP，心里已經(jīng)默默把“技術(shù)天花板”那一欄調(diào)高了兩格。

事實(shí)上這并不是某種玄學(xué)。如果翻看這群創(chuàng)業(yè)者過去十年在各自領(lǐng)域的軌跡，會(huì)發(fā)現(xiàn)他們都有點(diǎn)相似，總是不滿足于只做一個(gè)插件，而是試圖重寫操作系統(tǒng)的底層邏輯，探向最前沿。

要理解今天的世界模型熱潮，必須回到上一輪起點(diǎn)，大模型。

清華系創(chuàng)業(yè)者在上一輪中就是備受關(guān)注的焦點(diǎn)。智譜、面壁、月之暗面、生數(shù)科技等公司，都在不同階段承擔(dān)過追趕OpenAI的任務(wù)。如今，智譜憑借GLM系列模型的表現(xiàn)，更是成了國(guó)內(nèi)承擔(dān)“Anthropic追趕者”角色的新標(biāo)桿。

從Aminer開始，唐杰團(tuán)隊(duì)本質(zhì)上做的是一個(gè)“知識(shí)系統(tǒng)”。它不是模型，而是對(duì)人類學(xué)術(shù)世界的結(jié)構(gòu)化表達(dá)。隨后進(jìn)入GLM階段，這一系統(tǒng)被轉(zhuǎn)化為語(yǔ)言模型，并在GPT-3發(fā)布之后迅速進(jìn)入規(guī)模化競(jìng)爭(zhēng)。

在智譜的決策邏輯中，有一個(gè)反復(fù)出現(xiàn)的關(guān)鍵詞，就是“登頂”。在2021年的關(guān)鍵決策會(huì)上，團(tuán)隊(duì)討論是否投入千萬元級(jí)別資源追趕大模型時(shí)，內(nèi)部的爭(zhēng)議在于一個(gè)問題，就是這個(gè)方向是否值得“證明中國(guó)也可以做到世界級(jí)”。唐杰的表態(tài)很直接，如果成功，它至少能證明一件事，中國(guó)的大模型技術(shù)可以站在世界第一梯隊(duì)。

在那個(gè)時(shí)間點(diǎn)，GPT-3已經(jīng)發(fā)布一年多，誰也不知道國(guó)產(chǎn)模型的追趕能不能成功。唐杰在押注的同時(shí)也承受著“可能五年沒有回報(bào)”的壓力。而最終，這種追高的勁頭也讓國(guó)產(chǎn)模型有了自己的一席之地。

2024年智譜Open Day上，唐杰就明確表示要構(gòu)建“認(rèn)知驅(qū)動(dòng)的世界模型”。智譜試圖讓模型不僅能聊天，還能自主操作手機(jī) App、預(yù)訂酒店、規(guī)劃行程，模型需要對(duì)“手機(jī)界面”這個(gè)微觀世界有深刻的理解，知道點(diǎn)開某個(gè)圖標(biāo)后會(huì)跳轉(zhuǎn)到什么頁(yè)面，支付失敗后流程應(yīng)該退回到哪一步。

而這種“環(huán)境交互”下的邏輯，是唐杰們探索世界模型的出發(fā)點(diǎn)。

如果說唐杰們代表了一種技術(shù)派的探索欲和好勝心，生數(shù)科技的CEO唐家渝與首席科學(xué)家朱軍，更像是借著AI創(chuàng)業(yè)驗(yàn)證自己的理論研究。

朱軍和唐家渝是生成模型領(lǐng)域的一對(duì)“清華師徒檔”。朱軍是在貝葉斯方法和生成模型學(xué)派的代表，在創(chuàng)建生數(shù)科技后，他們并未遠(yuǎn)離五道口，公司離清華園不過2公里。他們基于研究多年的擴(kuò)散模型，得出結(jié)論，模型不應(yīng)該只是輸出一個(gè)結(jié)果，而應(yīng)該輸出一個(gè)關(guān)于結(jié)果的概率分布。

正是這種技術(shù)底色的推動(dòng)，2024年生數(shù)科技自研了U-ViT架構(gòu)，試圖在統(tǒng)一的框架下處理視覺生成中的空間細(xì)節(jié)與時(shí)間連續(xù)性，讓模型學(xué)習(xí)物理世界的時(shí)空規(guī)律。

Momenta創(chuàng)始人曹旭東更接近工程現(xiàn)實(shí)主義者。2016年那一波AI浪潮里，曹旭東沒有選擇去做離錢更近的感知模塊供應(yīng)商，而是要做自動(dòng)駕駛大腦，處理遠(yuǎn)比“識(shí)別人臉”復(fù)雜得多的系統(tǒng)工程。這種和車企深度綁定的選擇，也讓Momenta在端到端自動(dòng)駕駛積攢了快十年的真實(shí)場(chǎng)景數(shù)據(jù)。

而做自動(dòng)駕駛，需要理解物理級(jí)交互，比如輪胎與地面的摩擦，也需要時(shí)空推演，能夠預(yù)判行人和車輛和移動(dòng)。更關(guān)鍵的是還要認(rèn)知推理，理解交警手勢(shì)和紅綠燈。世界模型是他順理成章的下一步。

這幾個(gè)人的路徑放在一起看，會(huì)發(fā)現(xiàn)他們都選擇過“從頭造輪子”。

唐杰自研了GLM系列，朱軍沒有用Stable Diffusion的現(xiàn)成框架，自研了U-ViT。Momenta的曹旭東在2016年就選擇做全棧自動(dòng)駕駛，而不是賣感知模塊給車企，那意味著要把感知、決策、控制全部自己吃下來。他們?cè)趯W(xué)術(shù)訓(xùn)練中習(xí)慣了面對(duì)沒有現(xiàn)成輪子的問題，更能夠接受以年為單位的長(zhǎng)周期投入。

AI浪潮推到今天，傳統(tǒng)商業(yè)邏輯里的短期優(yōu)化不再適用，一個(gè)方向的正確性，可能需要多年才能驗(yàn)證。

對(duì)于這些創(chuàng)業(yè)者而言，當(dāng)一個(gè)系統(tǒng)的關(guān)鍵環(huán)節(jié)被卡住時(shí)，最自然的選擇不是繞過去，而是親手把它做出來。博士階段長(zhǎng)期訓(xùn)練形成的習(xí)慣，讓他們更傾向于追問底層問題、補(bǔ)齊核心能力。這幾乎已經(jīng)成為他們的肌肉記憶。

02

世界模型的三條路線

圍繞世界模型，出身清華園的這批明星創(chuàng)業(yè)者，均選擇從各自最擅長(zhǎng)的系統(tǒng)出發(fā)去觸碰不同的切面。

以智譜和面壁智能為代表，他們所追逐的世界模型，是一種長(zhǎng)程、結(jié)構(gòu)化的推理空間。

智譜在GLM體系之外，逐步將能力擴(kuò)展到Agent以及交互的場(chǎng)域。面壁智能則更強(qiáng)調(diào)長(zhǎng)上下文與推理能力，希望通過更長(zhǎng)的“記憶窗口”，讓模型具備持續(xù)建模能力。但這一路徑都無法回避的問題，就是語(yǔ)言是否足夠表達(dá)世界結(jié)構(gòu)？

唐杰就不止一次表示，僅依靠大規(guī)模數(shù)據(jù)訓(xùn)練，模型能夠?qū)W習(xí)海量數(shù)據(jù)統(tǒng)計(jì)相關(guān)性，卻未必真正掌握知識(shí)背后的結(jié)構(gòu)和因果關(guān)系。如果視頻是時(shí)間切片，機(jī)器人是空間交互，那么語(yǔ)言模型更像是一種世界的壓縮表達(dá)。在這一框架中，世界模型并不是簡(jiǎn)單地生成一個(gè)世界，而是讓機(jī)器能夠建立起對(duì)世界狀態(tài)、因果關(guān)系以及演化規(guī)律的內(nèi)部表征。

某種程度上，這也是越來越多清華系創(chuàng)業(yè)者轉(zhuǎn)向世界模型的原因。

2024年7月WAIC上，唐杰就提出：“世界模型需要具備對(duì)物理規(guī)律和社會(huì)常識(shí)的理解，這種理解不是靠更多數(shù)據(jù)就能解決的，需要知識(shí)工程和深度學(xué)習(xí)的結(jié)合。”智譜從2025年開始頻繁提及AutoGLM和Agent 戰(zhàn)略，試圖摸索出一條可行的技術(shù)路線。

而以生數(shù)科技為代表，他們眼里的世界模型，更像一個(gè)沿著時(shí)間軸鋪開的超級(jí)視頻生成引擎。

唐家渝和朱軍團(tuán)隊(duì)在2024年推出國(guó)內(nèi)首個(gè)對(duì)標(biāo)Sora的長(zhǎng)時(shí)長(zhǎng)視頻生成模型時(shí)，就將其定位為“時(shí)間維度的世界模擬”，他們用海量的視覺數(shù)據(jù)喂養(yǎng)出模型對(duì)常識(shí)物理的直覺。比如，當(dāng)你拋出一個(gè)球，模型能預(yù)判它會(huì)因?yàn)橹亓Χ聣嫞呐庐嬅嬷袥]有出現(xiàn)地面，它也能腦補(bǔ)出拋物線。

生數(shù)科技的U-ViT 架構(gòu)綜合了Transformer和擴(kuò)散模型，這條路線認(rèn)定，一旦視頻模型能夠完美預(yù)測(cè)下一幀畫面，它就可以變成一個(gè)高仿真的虛擬世界引擎，再反哺到具身智能和自動(dòng)駕駛的研發(fā)。

Momenta更強(qiáng)調(diào)世界模型可以通過物理規(guī)律的重建，與實(shí)時(shí)交互來實(shí)現(xiàn)。

Momenta試圖在數(shù)字空間中持續(xù)映射和理解真實(shí)世界，并通過數(shù)據(jù)閉環(huán)讓系統(tǒng)不斷學(xué)習(xí)和迭代，走出了一條感知、決策與自我進(jìn)化相融合的路徑。

曹旭東早在2016年就說過，自動(dòng)駕駛的終極難題不是看見，而是理解和預(yù)判。作為早就在自動(dòng)駕駛場(chǎng)景積攢出足量數(shù)據(jù)的玩家來說，車輛動(dòng)力學(xué)、傳感器仿真、路面摩擦系數(shù)、天氣對(duì)能見度的影響等，這些必須有高精度的物理建模，這些模型驗(yàn)證通過后就可以直接“上車”進(jìn)入真實(shí)世界，然后再收集真實(shí)路況數(shù)據(jù)用于模型訓(xùn)練。

6月23日，Momenta通過港交所聆訊，正式進(jìn)入IPO沖刺階段，有望成為物理AI第一股。

這意味著，Momenta為市場(chǎng)提供了一個(gè)更現(xiàn)實(shí)的答案，物理AI不是先有完美模型，再等待落地場(chǎng)景。更好的方式應(yīng)該是，在量產(chǎn)場(chǎng)景中持續(xù)采集、訓(xùn)練、驗(yàn)證、上車，再回到真實(shí)世界繼續(xù)進(jìn)化。至少在自動(dòng)駕駛領(lǐng)域，這個(gè)飛輪已經(jīng)開始跑起來了。

03

清華系創(chuàng)業(yè)者和世界模型，都還在路上

需要注意的是，世界模型還在搖搖晃晃的學(xué)步階段，離那個(gè)能裝下整個(gè)物理與邏輯世界的宏大構(gòu)想，還有遙遠(yuǎn)的距離。

今年，英偉達(dá)發(fā)布的NVIDIA Cosmos 3，標(biāo)志著一個(gè)較大的、統(tǒng)一的世界模型的問世。不過相對(duì)最前沿的語(yǔ)言模型來說規(guī)模還小很多，展示了向通用任務(wù)（general task）擴(kuò)展的能力。但在DeepMind發(fā)布Genie 2時(shí)，官方博客的措辭卻非常謹(jǐn)慎，他們表示：“Genie 2是一個(gè)研究預(yù)覽，并未公開發(fā)布。它展示的是未來可能實(shí)現(xiàn)的方向”。

世界模型的構(gòu)想很好，但大多數(shù)人還感受不到。

這是因?yàn)椋F(xiàn)階段想讓模型真正的去感知、理解世界，落地障礙幾乎是全方位的。

首先就是物理真實(shí)性幻覺，包括生數(shù)科技Vidu、Runway、Sora在內(nèi)的視頻生成工具，當(dāng)用戶試圖讓AI生成一段視頻，容易出現(xiàn)“物體穿模”。比如，讓一個(gè)人喝水，杯子卻穿過了手掌，或椅子突然像液體一樣流動(dòng)。這種模型對(duì)物理定律的違背，恰恰說明目前的視頻生成模型還達(dá)不到嚴(yán)格的物理仿真。

除此之外，在語(yǔ)言模型的數(shù)據(jù)飛輪已經(jīng)跑起來的當(dāng)下，世界模型仍然太缺數(shù)據(jù)了。王興興在宇樹量產(chǎn)機(jī)器人時(shí)發(fā)現(xiàn)，即便他們?cè)诜抡姝h(huán)境里把機(jī)器人練成了體操冠軍，可一到真實(shí)世界，一塊稍微反光的地磚、一個(gè)松散的鞋帶，都能讓機(jī)器人毫無征兆的倒地。

這種現(xiàn)象叫做 Sim-to-Real Gap（仿真與現(xiàn)實(shí)差距）。

世界模型需要無窮無盡的數(shù)據(jù)來覆蓋現(xiàn)實(shí)世界的長(zhǎng)尾問題，但很多物理細(xì)節(jié)，比如材質(zhì)的摩擦系數(shù)、軟體物體的形變、光線的散射，幾乎不可能被窮舉建模。人覺得理所當(dāng)然的“杯子掉在地上會(huì)碎”的常識(shí)，對(duì)模型來說卻需要理解材料脆性、重力加速度、地面硬度等多重屬性，缺一條鏈條，推理就會(huì)崩潰。這是卡住所有模型廠商的難題。

“從宏觀來看，現(xiàn)在大家所說的世界模型在技術(shù)棧上沒有完全統(tǒng)一，還在各說各話。未來一段時(shí)間內(nèi)的重要課題是，如何把所有下游任務(wù)（downstream task）的數(shù)據(jù)匯集到同一個(gè)模型架構(gòu)中，并實(shí)現(xiàn)真正的 scale up。”Mind Lab首席科學(xué)家馬驍騰博士告訴我們。

無論是產(chǎn)業(yè)方還是開發(fā)者，對(duì)于他們來說，世界模型目前大多還關(guān)在實(shí)驗(yàn)室和論文里。已經(jīng)發(fā)布的模型，規(guī)模小的理解能力捉襟見肘，稍微復(fù)雜一點(diǎn)的物理交互就會(huì)崩潰。規(guī)模大的模型，在token成為新貨幣的現(xiàn)在，推理成本又過于高昂。世界模型距離“可堪大用”，還有實(shí)打?qū)嵉木嚯x。

有意思的是，唐杰很早就提出，僅靠語(yǔ)言統(tǒng)計(jì)相關(guān)性，很容易讓模型淪為一個(gè)高水平的“鸚鵡”，能夠流暢地生成答案，卻未必真正理解世界。

過去十多年里，唐杰始終試圖把認(rèn)知圖譜與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，希望讓機(jī)器建立類似人類的知識(shí)結(jié)構(gòu)。某種程度上，這種執(zhí)念甚至可以看作世界模型思路的一種早期版本。

因?yàn)楝F(xiàn)實(shí)很快證明，語(yǔ)言并不等于世界。即便到了AutoGLM 時(shí)代，當(dāng)一個(gè) App 更新了界面，按鈕位置發(fā)生變化，Agent就會(huì)手足無措，模型也要重新學(xué)習(xí)。因?yàn)槟Ｐ涂梢杂涀№?yè)面，但無法理解背后的運(yùn)行規(guī)則。

當(dāng)下，智譜正將世界模型視為攻克這塊硬骨頭的關(guān)鍵突破口。

這些或許正是清華系創(chuàng)業(yè)者的特點(diǎn)所在。世界模型仍在路上，這條路注定漫長(zhǎng)。但回頭看，從大模型到具身智能，再到世界模型，每一次技術(shù)躍遷的背后，似乎總能看到這群人的身影。他們未必總是最先抵達(dá)終點(diǎn)，卻總愿意率先走進(jìn)無人區(qū)。

撰寫｜馬舒葉

編輯｜吳尋