一、一个谁都想挂的招牌#
2025 到 2026 年，「世界模型」大概是 AI 圈里最热、也最松的一块招牌。
做视频的说，能生成连贯画面就是世界模型；做三维的说，能重建空间才算；做机器人的说，能在脑子里预演动作后果才算； 李飞飞写长文，说语言不够用了；LeCun 反对纯自回归路线，押注他的 JEPA，也把预测性的内部表征放进了这个框子。
这两天还有一篇 有趣的吐槽文章，索性把玄学也拉了进来： 既然只呈现物理世界的一个切片就能叫世界模型，那么算命、看相、五行、奇门遁甲，谁还不是个世界模型？那句反问很扎心——「大师，您算得准吗？」
四拨人用同一个词，指着四样不同的东西。 一个词能同时指视频生成器、三维场景、物理引擎和机器人规划器，说明它不是没有含义，而是把内核、接口和能力搅成了一锅。
这种时候，与其急着给某条路线发一张正统证书，不如先做一件更笨的事：把这个词拆开。
什么是「世界」？什么是「模型」？两个字合在一起，到底承诺了什么？
孔子说「必也正名乎」。名不正，则言不顺。 有意思的是，当你真的把这两个词拆到词根，会发现古人早已把一部分答案，一笔一画地刻在了字里。
二、「世界」：时间、边界，和身在其中的那个人#
「世界」作为一个重要的佛教术语，与梵语 loka-dhātu 的汉译传统密切相关。 要追它的本义，只能把「世」和「界」两个字分开来看。
拆开来看，线索就清楚了。
「世」——《说文》：「三十年为一世。」
这里的关键是：「世」是个时间单位，不是空间。 三十年为一世，父子相继为一世，「世代」「世袭」都从这里来。 佛家讲得更透，用「迁流」二字解它：有过去、现在、未来，有状态的流变，才有「世」。
「界」——《说文》：「境也。从田，介聲。」
「界」从「田」，本义是田地的疆界、边缘。 它回答的不是「宇宙到底有多大」，而是一个实际得多的问题：你究竟在划出哪一块地？
两个字合在一起，「世界」便有了两层明确的含义。 世，是时间——世界不是一张静止的截面，而是一个会往前走的过程。 界，是边界——世界不必包罗万象，但必须说清自己的边界画在哪儿。
这比把「世界」直接等同于「宇宙」有用得多。棋盘是围棋程序的世界，道路是自动驾驶的世界，手术台是手术机器人的世界。 对围棋程序来说，窗外下不下雨无所谓；对自动驾驶来说，路面、车流、行人、红灯，乃至旁边司机脑子里的那点小算盘，全都落在「界」内。 世界不是越大越真——边界画窄了，会漏掉决定成败的变量；画宽了，又会把有限的算力浪费在无关的细节上。
到这里，中文已经给了世界一副骨架：时间的经，空间的纬。但还缺一样东西，而英文恰好补上了这一笔。
英文 world 来自古英语 weorold，可以再往下拆成两个更老的词根：wer + eld。
eld 好懂，是「年岁、时代」，和 old 同源。关键在 wer——它的意思是**「人」**。 这个词根你在别处见过：werewolf，就是 wer（人）+ wolf（狼），意为狼人。
所以，world 的字面本义是 the age of man，也就是「人的时代」「人世」。 古英语里，它甚至不太指地球，而是指人的一生、人的处境、人间此世（与来世、天堂相对）。 这就是为什么英文里有 this world and the next，也有 worldly——world 天生带着人间烟火气。 我们说「儿童的世界」「商业世界」「游戏世界」，说的从来不是宇宙，而是某个人身在其中、看得见、动得了、要承担后果的那一小片现实。
于是中文和英文，各交出了一半答案：
中文的「世界」，是客观的时空 —— 世为经，界为纬，里头有没有人无所谓。 英文的 world，是主观的人间 —— wer 就在词根里，没有那个人，也就没有 world。
两个文明给同一个概念命名，一个抓住了骨架，一个抓住了骨架里的那口气。
如果再把视线转向拉丁语，会发现古人对「世界」还藏着第三层理解，也是最深的一层。
拉丁语管世界叫 mundus （法语 monde、西班牙语 mundo 都从它来）。 但 mundus 最早并不是名词，而是形容词，意为 「干净的、整洁的、有秩序的」 （它也是英文 mundane 的祖先，反义词 immundus 意为「肮脏」）。 它怎么就成了「世界」？
因为它是希腊语 kosmos 的直译，而 kosmos 的本义正是 「秩序、和谐、美」。 英文 cosmetics（化妆品）和 cosmos（宇宙）都与它同源。希腊人为什么管宇宙叫 kosmos？ 因为他们抬头看见星辰运转，秩序井然，美得像一件被精心安排过的作品。 罗马人翻译这个概念时，就挑了拉丁语里同样兼有「秩序」与「洁净」双关的那个词：mundus。
于是，「世界」的第三层含义浮出水面，而这一层，中文和英文都没有说破：
世界不是一堆东西的随机堆积，而是一个有序、有规律、因而可被理解的整体。
这句话平常，却是整件事的地基。一个纯粹混沌、毫无规律的东西 —— 白噪声 —— 根本不配叫世界，因为你对它无话可说，也无从下手。 世界之所以是世界，前提是它有序；也正因为有序，它才可能被一样东西捕捉、压缩、复现——那样东西，叫模型。
三、「模型」：一个负空间，一把尺子#
拆完「世界」，再拆「模型」。拆开才发现，它和「世界」恰好严丝合缝。
「型」——《说文》：「铸器之法也。从土，刑聲。」
「型」是铸造用的模子、范，就是往里浇铜水的那个空腔。 它是一块负空间：正因为型腔排除了别的形状，浇进去的铜才会长成你要的样子。
所以，「型」的第一层意思是约束。 一个什么结果都允许、什么现象都能事后圆回来的系统，并不是一个强大的模型，而是一个没有信息量的模型。 模型的尊严，首先在于它敢说：什么可能发生，什么绝不可能。
「模」——《说文》：「法也。从木，莫聲。」
「模」不只是某一个具体的模具，还引申为标准、样板和可依循的法则（模范、模式、楷模都从这里来）。 模具存在的意义，不是记住某一块已经铸好的铜器，而是反复浇出同一类形状。
所以，「模」的意思是可复用的规律。 模型不能只背下「这一次发生了什么」，还得抽出「这一类事情通常怎么发生」，把个别经验压成能够迁移、重放，并外推到未见情况的法则。
英文 model 又补上了第三层含义。 它经由拉丁语 modulus（小尺度、小度量），追溯到 modus（方式、尺度、分寸）。 这个词根提醒我们一件中文容易忽略的事：模型从来不是原物本身。
地图不是领土，沙盘不是山河，天气模型也不是那片天。 模型必然有损，必然会舍弃绝大多数细节，只留下与眼下这件事有关的那些差异。 真正要问的从来不是「它丢没丢信息」，而是「它丢掉的信息，会不会影响我关心的那个后果」。
三层词义，三条规矩：型是约束，模是规律，modus 是尺度。 把它们和「世界」焊在一起，「世界模型」就不再是「把整个宇宙塞进一块芯片」这种幼稚的野心，而变成了一句冷静得多的话：
世界模型，是对一个有边界、会演化的过程所做的可执行有损压缩。
拆开来说，它做三件事。 第一，它把纷乱的观测压缩成一个内部状态 —— 这个状态可以是像素、三维点云、物理变量，也可以是一串人类根本看不懂的隐向量，形式并不重要。 第二，它知道这个状态如何往前走 —— 给定此刻的状态和一个动作，它能推出下一刻。 第三，它能把内部状态投影成你要的输出 —— 一帧画面、一个坐标，或一次碰撞的结果。
所以，世界模型不是一张世界的缩略图，也不是一个装满事实的数据库。 它更像一台 可以往前拨的状态机：拨一格，世界继续发生；换一个动作，它就走向另一条岔路。
而正是「换一个动作会怎样」这个问题，把它和一张漂亮的图、一段逼真的视频彻底分开了。 这道分界线，Judea Pearl 用一辈子量清楚。
四、Pearl 的因果阶梯：模型究竟能回答什么#
Pearl 把因果推理分成三层，这套区分也适合用来判断世界模型能回答哪些问题。
第一层，关联，「看见」。 P(Y|X)
看到 X，Y 出现的概率怎么变？
路面湿了，打滑的概率是不是更高；刹车灯亮了，车通常会不会减速。
关联能很好地总结数据，却不必知道到底是谁导致了谁。
第二层，干预，「动手」。 P(Y|do(X=x))
我主动把 X 拨成某个值，Y 会怎样？
看见刹车灯亮、车随之减速，是关联；我自己一脚踩下刹车、车怎么减速，才是干预。
第三层，反事实，「想象」。 这一次的事已经发生了，如果当时换一个做法，同一个场景、同一件事本来会怎样？ 这是追悔，是「早知道」，也是「本可以」。
这三层不是三种互不相干的模型，而是在区分模型能回答到哪一步。 根据历史预测下一步，已经是一种有用的能力。 能比较不同动作的后果，才能直接支持规划。 能针对已经发生的事情回答「如果当时……」，要求就更高。 一个模型不必达到第三层才算世界模型，但它处在哪一层，决定了它能被拿来做什么。
实际讨论中，下面两件事最容易被混为一谈。
第一，输入里有动作，不等于模型理解了干预。 把「向左」「向右」两个 token 放进输入，只能说明模型接受动作条件。 如果训练数据里「向左」总和某类场景、某种驾驶策略一起出现，模型可能只记住了这种搭配，并没有学会「向左」本身会怎样改变后续状态。 要证明模型真的理解了动作的作用，就要改变场景、操作者或动作分布，再看它能否正确预测同一动作的后果。 否则，它学到的只是数据里的相关性，而不是能够复用的状态转移规律。
第二，能生成另一段视频，也不等于完成了反事实推演。 反事实问的是：同一件已经发生的事，如果只换掉其中一个动作，结果会怎样。 因此，模型需要尽量固定当时的场景、人物和其他背景条件，只替换要考察的动作，再推演新的结果。 如果只是从一个相似状态重新生成一段看起来合理的视频，那只是另一个可能的样本，不是对这件事的反事实回答。
这两个区别最终落到同一个标准：模型必须给出可以事先检验、也可能失败的答案。 这也是「大师，您算得准吗」真正对应的技术问题。 算命的毛病不在于它没有一套说辞，而在于任何结果都能被事后解释，几乎没有明确的失败条件。 技术模型恰恰相反：预测错了就是错了，不能靠补充解释把所有结果都包进去。 一个永远不会错的系统，不是技术模型，而是一套信念。
五、五条路线，解决的是不同问题#
像素、几何、隐空间、物理机制、因果干预经常被放在同一张表里比较，仿佛它们是五种互相竞争的方案。 其实，它们对应的是三类不同的问题：
- 状态是什么：用像素、三维几何，还是机器自己学习到的隐空间？
- 状态如何变化：模型是否掌握了稳定的动力学或其他机制？
- 模型能回答什么问题：它只能预测，还是能够比较动作、回答干预与反事实？
这三类问题可以同时出现在一个系统里，并不是五选一。
像素：直接预测看到的画面。 像素模型在图像或视频上工作，根据已有画面预测下一帧。 它的优势很直接：数据多，输出也容易检查。 但画面逼真，不代表过程正确。 模型可能学会了视频通常怎样拍、物体通常怎样出现在画面里，却没有学会背后的物理规律。 它可以把玻璃杯摔碎的画面生成得很像，却未必知道材质、应力和碰撞角度为什么会产生这样的裂纹。 因此，像素模型很适合视觉生成和短期预测，却不能仅凭画面效果证明自己理解了物理世界。
几何：明确表示物体的位置和形状。 几何模型描述三维坐标、深度、形状和遮挡，因此比单纯的像素更不容易受视角变化影响。 但几何主要回答「什么东西在哪里」，却不会自动回答「推它一下会怎样」。 一个精确的三维场景，如果没有动力学和动作输入，仍然只是静态场景，而不是一个能够推演后果的系统。
隐空间：只保留对任务有用的信息。 隐空间不要求内部状态能被人直接读懂，只要求它保留预测未来所需的信息。 JEPA 走的就是这条路：不逐个还原像素，而是在抽象表征上预测后续状态。 它的好处是可以忽略纹理、背景等无关细节，减少计算负担。 风险也很明确：如果模型把摩擦力，或某个不起眼却影响安全的变量一并丢掉，后续规划就会出错。 因此，隐空间是否有效，最终要看它能不能完成外部任务，而不是只看表征本身是否稳定。 V-JEPA 2 的做法正说明了这一点：只靠视频预训练得到的模型本身不接收动作，还需要加入机器人的交互数据，才能用于规划和控制。 「预测表征」和「预测自己的动作会造成什么后果」，是两种不同的能力。
物理机制：描述状态变化的规则。 机制模型关心的不只是前后两帧是否连贯，还要捕捉让状态发生变化的规则。 在物理场景中，这些规则可能涉及质量、摩擦、刚度和流体运动；它们可以写成方程，也可以由模型从数据中学习。 机制的价值主要在迁移能力：物体的颜色、背景和观察角度变了，同一条力学规律通常仍然成立。
但因果机制不只有物理机制。 在医疗、经济、社会和多智能体环境中，决定结果的还可能是生物过程、制度、激励、信念和其他人的行为。 因此，「物理世界模型」是一个边界明确的子类：它重点描述物理状态和动力学，但不会自动包含人的意图或社会规则。
因果干预与反事实：说明模型支持哪一类推演。 它们不是新的表示方法，而是对模型能力的要求。 同一个像素模型、几何模型或隐空间模型，可能只会根据历史预测未来，也可能进一步比较不同动作的后果。 关键不在内部状态长什么样，而在动作是否真正参与了状态变化，模型又是否经过相应的训练和检验。
这里还要分清世界模型、目标函数和规划器。 世界模型回答「做这个动作，会发生什么」；目标函数判断「哪种结果更好」；规划器据此选择「现在该做什么」。 三者经常组合在同一个系统里，但并不是一回事。 即使世界模型预测得很准，目标设错了，或者规划过程不充分，系统仍然可能选错动作。 世界模型提供行动的后果，不提供行动的目的。
所以，评价一个系统时，与其争论它属于哪一派，不如把三个问题问清楚：它怎样表示当前状态，怎样预测状态变化，动作又以什么方式进入模型。 答案写清楚了，这个系统到底做到了什么，自然也就清楚了。
六、造世界的人：游戏引擎的四个启发#
前面讨论的世界模型，大多是在从数据中推测一个既有世界的状态和规律。 游戏引擎做的事情相反：开发者直接规定什么东西存在、时间怎样推进、动作如何生效，以及什么条件算成功或失败。
对游戏里的角色来说，引擎是它所处的环境，不是它脑中的世界模型。 但游戏引擎把一个人造世界的规则明确地写在代码里，因此能为世界模型提供一些很具体的工程经验。
第一，精度应该用在会影响结果的地方。 游戏引擎不会对所有对象投入同样的计算量。 镜头看不见的物体可以不渲染，被遮挡的物体可以剔除，远处的模型可以降低精度，长期静止的物体也可以暂时停止物理计算。 这些做法不是因为细节一概不重要，而是要根据当前任务分配计算资源。
世界模型同样如此。 与决策无关的纹理可以省略，可能影响碰撞和安全的变量则必须保留。 丢掉无关细节叫压缩；丢掉会改变结果的信息，就是模型误差。
第二，动作必须参与状态变化。 经典即时战略游戏常用确定性锁步来同步多台机器。 网络中传输的主要是玩家指令，而不是每个单位在每一刻的完整状态。 只要各台机器从相同的初始状态出发，按相同顺序执行相同指令，再运行同一套规则，就能得到一致的结果。 《帝国时代》当年就是用这种方式，在拨号网络上同步上千个单位。
这说明，在一个可交互的环境中，下一刻不仅取决于当前状态和自然规则，也取决于行动者做了什么。 动作不能只是输入里附带的标签，更不能在画面生成后再补上；它必须直接参与状态转移。
第三，内部推演的价值，是减少现实试错。 格斗游戏常用回滚来降低网络延迟带来的影响。 客户端先预测对手的输入，让本地画面立即响应；收到真实输入后，如果发现预测错了，就回到之前保存的状态，用正确输入重新运行。
回滚网络代码当然不等于世界模型，但两者利用了同一个基本办法：保存状态，尝试一组输入，向前运行，再根据真实结果修正。 现实中的试错越慢、越贵、风险越高，内部推演就越有价值。
第四，模型是否准确，要结合用途判断。 游戏物理通常不追求完整复刻地球。 平台游戏会允许玩家在空中转向，给边缘判定留出余量；赛车游戏也会调整抓地力、碰撞效果和镜头反馈，以获得更好的操控感。 这些规则只要在游戏内部稳定、一致，就不能算「错误」。
但如果把同一套引擎当成现实的替身，用来训练机器人或预测车辆，偏差就会变成问题。 sim-to-real 的困难，正是模拟器与真实环境在接触、摩擦、传感器、噪声和任务分布等方面存在差异。 更准确地建模、用真实数据校准，或在训练中主动覆盖更多变化，都可以缩小这种差异。
因此，有限模型不可能在所有维度上都同样准确。 游戏引擎优先保证体验，机器人模拟器优先保证控制策略能够迁移，视频模型优先保证视觉可信，天气模型则关注特定时间和空间尺度上的预测。 用途决定哪些误差可以接受，哪些误差会让模型失去价值。
游戏引擎没有给出世界模型的标准答案，但把四个问题说得很清楚：计算资源怎么分配，动作怎样改变状态，为什么要做内部推演，以及误差应该按什么任务来衡量。 世界未必有目的，模型一定有用途。 模型为谁服务、要解决什么问题，会直接决定它保留什么、忽略什么，又如何接受检验。
七、正名之后#
绕了一圈，现在可以给出一个不那么炫目，但经得起追问的定义：
世界模型，是一个面向特定行动者和任务的内部环境模型。 它把观测历史压缩成与任务有关的状态，并预测状态如何变化；能力更强的模型，还能比较不同动作的后果，回答干预与反事实问题。
它不必装下整个宇宙，不必使用人能直接看懂的变量，也不必精确预测唯一的未来。 真实环境本来就可能带有随机性，也往往只能被部分观测，其中还可能存在其他有自己目标的行动者。 关键不是模型包含多少内容，而是它能否说清自己的边界、用途和可靠程度。
沿着我们拆过的这一路——中文的时空、英文的人、拉丁语的秩序、模型的约束与尺度、Pearl 的三层能力，以及游戏引擎的工程经验——这份承诺可以归结为六个问题。
世：它能处理多长时间范围内的变化？
界：它覆盖现实的哪一块？边界之外的影响，怎么进来？
人：它为哪个行动者服务？哪些动作能够真正改变内部状态？
模：它抽出了哪些可复用的规律？
型：它排除了哪些不可能的状态与变化？
度：它在哪个尺度上有效？误差怎样衡量，什么结果算失败？
把这六个问题问清楚，「世界模型」才会从一个宽泛的标签，变成一组可以检验的技术声明。
这也解释了为什么两个看似相反的判断可以同时成立。 说「世界模型毫无定义，只是泡沫」，并不准确：它有一个清楚的内核，就是建立关于环境状态及其变化的内部模型，让预测服务于行动。 说「世界模型的定义早已完全确定，没什么可争」，也不准确：它可以采用不同的表示、学习不同的机制，支持的推演能力也有很大差别。 它有清楚的内核，也有宽泛的边界。
「物理世界模型」因此也是一个合理的名称。 它把边界明确地画在物理过程上，主要描述物理状态和动力学。 真正需要追问的是：它是否包含行动者能够改变的变量，是否覆盖任务所需的非物理因素，又在哪个尺度上接受检验。 消除歧义的办法，不是争论谁有资格使用这个词，而是把系统的表示、规律、动作、时间范围和误差边界写清楚。
所以，那句「大师，您算得准吗」没有错，只是还不够具体。 更完整的问法是：
大师，您算的是谁的世界？边界画在哪里？面对什么动作？能看多远？ 您回答的是关联、干预，还是反事实？用什么标准衡量，又准了多少？
《说文》训「型」为「铸器之法」。铸一件器，先得有范。 给「世界模型」正名，做的也是一件确定边界和规则的工作。 土与木提醒我们约束和规律，田提醒我们边界，人提醒我们视角与行动；「世」则让这一切进入时间，开始变化。 那些已经运行了几十年的游戏世界，又用剔除、同步、回滚和手感，把同样的问题落实到了工程实践中。
好的世界模型，不会试图把整个世界塞进一块芯片。 它要做的，是让行动者在现实中付出代价之前，先在一个受约束、可检验的内部世界里，把这一步走一遍。
必也正名乎。 名正，而后才谈得上：谁真的算得准。
