世界模型 · 预测式学习

人类婴儿不靠标注数据就学会了重力、遮挡、物体恒存这些物理常识，靠的是不断预测下一刻会发生什么。世界模型就是要给 AI 装上这样一台可以在脑内推演的模拟器：给定当前状态和一个动作，预测世界会如何变化。攻破它，机器人不再需要在真实世界里撞几百万次才学会抓杯子，科学仿真可以直接在学出的模型里做实验，具身智能、自动驾驶、游戏生成共享同一块地基。这是 LeCun 等人判断的通向真正智能的必经之路，文明级的杠杆在于它把「与物理世界交互的学习成本」降低几个数量级。

核心卡点是表征选择的两难：在像素级做视频预测，计算量爆炸且模型把算力浪费在预测无关细节（树叶怎么抖）上；在抽象空间做预测（如 JEPA 路线），又缺乏干净的训练信号来定义「什么该被预测」。此外长时程推演中误差同样复利累积，学出的模拟器跑几十步就漂移出物理合理范围。

Google DeepMind（Genie、Veo）、Meta FAIR（JEPA 路线，LeCun 主推）、World Labs（李飞飞）、NVIDIA（Cosmos）

读自监督学习、视频表征与强化学习中的 model-based RL；最好的切入子问题是「世界模型的物理一致性评测」——现在连衡量一个模型懂不懂重力的标准基准都不完善。进上述实验室的世界模型组，或从开源视频预测模型的失败案例分析做起。