世界模型 · 预测式学习
本条为初评草案（AI 辅助编目 · 评于 2026-07）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
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。
谁在攻这颗暗星 · 攻关者名录8 人
这不是终点站——今天在这颗暗星上攻坚的人，就是明天点亮它、登上星光榜的候选。名录含科研、创业与第三方三类关键角色，初评待核实，欢迎补充与纠正。
去哪家 · 机构与公司名录4 家 · 其中初创/成长期 3
给求职者和投资人的信息增量——不只是听过的大机构，更多是正在攻这颗暗星的初创与新公司（联网实搜、初创优先排序，初评待核实）。