如果把过去十几年的人工智能发展浓缩成一条主线，你会发现一个特别有意思的变化：

AI最初是在“识别世界”，后来开始“生成内容”，再后来开始“理解和推理”，而现在，它正在尝试真正进入世界。

过去几年，ChatGPT、Claude、Gemini等大语言模型（LLM）让我们第一次强烈感受到机器处理知识和语言的能力。它们可以写文章、编代码、回答问题、总结文档，甚至进行复杂推理。

但问题也越来越明显——

语言并不是世界本身。

我们生活在一个三维的、动态的、遵循物理规律的世界里。一个机器人要拿起桌上的杯子，并不只是需要知道“杯子”这个词是什么意思；它还需要知道杯子在哪里、它有多大、从什么角度可以抓住、手伸过去会发生什么，以及抓住以后如何移动它。

这正是近年来“世界模型（World Model）”受到越来越多关注的原因。

而在这个方向上，斯坦福大学教授、ImageNet的主要推动者之一李飞飞（Fei-Fei Li）给出了非常系统的一套思考：AI下一阶段的重要问题，不只是让机器更懂语言，而是让机器获得“空间智能（Spatial Intelligence）”。而世界模型，是实现空间智能的重要基础。

今天的AI到底有哪些“模型”？

在聊世界模型之前，我们有必要先把今天主流的AI模型放到一张地图里。

现在大家经常把“模型”“大模型”“生成模型”“多模态模型”“推理模型”“Agent”混在一起说，它们其实处在不同的层次。

判别式模型：AI首先学会“看懂”

早期深度学习最重要的突破之一，是让机器从数据中学习识别规律。比如：这张图片里有没有猫？这段语音说的是什么？这封邮件是不是垃圾邮件？

这类模型的核心任务可以简单理解成：输入一个东西，判断它是什么。

计算机视觉中的图像分类、目标检测、语音识别等，都属于这一大类。

李飞飞推动ImageNet的意义就在这里。ImageNet并不是简单地“给AI看图片”，而是建立了大规模、标准化的视觉数据和分类体系，让神经网络能够系统学习“像素背后的对象”。

换句话说，第一阶段的AI，主要是在学习给世界贴标签。

生成模型：AI从“看懂”变成“创造”

接下来发生了一次重要变化。

AI不再满足于判断“这是什么”，而开始尝试回答：“如果让我创造一个，它会是什么样？”

于是出现了生成模型。这一阶段又分成了几个重要方向。

自回归模型：一个Token接一个Token地生成

GPT代表的Transformer语言模型，本质上是一类非常强大的自回归生成模型。它学习的是语言中的统计规律：给定前面的内容，下一个Token最可能是什么？

当模型规模、数据规模和计算量不断扩大之后，这个简单的训练目标产生了令人惊讶的能力。于是我们得到了今天的大语言模型：LLM = Large Language Model。

它们擅长的是语言、知识、代码以及越来越复杂的抽象推理。

扩散模型：从噪声中生成图像和视频

另一条重要路线是扩散模型。它在图像、视频等生成领域取得了巨大成功。简单来说，模型学习如何从随机噪声逐步恢复出符合条件的数据。

文字→图片、文字→视频、图片→图片、视频→视频，都成为可能。

这意味着AI开始具备一种新的能力：不仅能够描述世界，还能够生成世界的视觉表象。

但这里埋着一个非常重要的问题：“看起来像世界”，等于“理解世界”吗？

未必。

多模态模型：AI开始把不同形式的信息放在一起

语言模型继续发展，又出现了多模态大模型（MLLM）。它们不再只处理文字，而可以同时处理：文字 + 图片 + 音频 + 视频 + 代码。

例如，你可以给模型一张照片，让它回答：“桌子上有几个杯子？”或者给它一张复杂的工程图，让它解释其中的结构。

这比纯粹的LLM前进了一步。因为现实世界本来就是多模态的。人类不会只通过语言认识世界，我们同时使用视觉、听觉、触觉、运动反馈以及长期记忆。

因此，多模态模型实际上是在把AI从“语言世界”进一步拉回现实世界。

但它仍然存在一个根本问题：把视觉信息转换成Token，再进行语言式处理，并不意味着模型真正拥有了一个稳定的、可交互的世界表示。

推理模型：AI开始尝试“想一想再回答”

最近几年又出现了另一条非常重要的发展路线：Reasoning Models，推理模型。

它们试图让模型在最终给出答案之前进行更长、更复杂的推理。数学题、代码、逻辑问题、科学问题，都可以因此得到明显提升。

这一步解决的是：“AI能不能想得更复杂？”

但它主要解决的仍然是抽象推理。而世界中的问题往往不是纯粹的语言和符号问题。比如：“如果我把这个杯子推到桌边，它会发生什么？”

这句话当然可以用语言回答。但真正的智能不仅仅是“说出答案”，而是能够在内部构建一个关于杯子、桌子、位置、运动和结果的模型，然后预测：如果我真的这么做，世界接下来会变成什么样？

这就开始触碰世界模型的问题了。

AI懂“世界”吗？

这是理解世界模型最关键的一步。

一个LLM可以告诉你：杯子掉到地上以后可能会摔碎。但它为什么知道？很大程度上，是因为训练数据中存在大量关于“杯子”“重力”“掉落”“破碎”的语言描述。

这和一个人真正站在桌边，看着杯子，伸手把它推下去，然后观察结果，是两种不同的经验。

前者主要是：从语言中学习世界。

后者则是：通过感知、行动和反馈直接建立世界模型。

这也是李飞飞思考“空间智能”的出发点之一。她曾把空间智能描述为机器在三维空间和时间中进行感知、推理和行动的能力：理解物体和事件在空间与时间中的位置，以及世界中的交互如何改变它们。

这里有一个非常重要的关键词：Action——行动。

世界模型不是单纯让AI“看见一个世界”，而是让AI能够在这个世界里：理解 → 预测 → 行动 → 再理解。

李飞飞为什么把“空间智能”看成AI的下一站？

李飞飞的一个核心判断非常简单：世界是三维的。

这听起来甚至有点过于简单。但它其实非常重要。

我们今天的大模型，无论处理文字、图片还是视频，最终往往都会把数据转换成某种形式的Token或者序列，再交给模型处理。而现实世界并不是一个一维序列。

现实世界拥有：三维空间、时间、物体、物体之间的关系、遮挡、深度、运动、物理规律、因果关系、持续存在的状态。

一个房间不是“一张图片”。即使摄像机离开了房间，房间仍然存在。杯子不会因为暂时没有被摄像机看到，就从世界中消失。这就是所谓的persistent world state（持续存在的世界状态）所要解决的问题。

李飞飞在讨论空间智能时反复强调，真正的目标并不是简单生成漂亮的3D画面，而是让机器能够理解、生成、推理并与3D世界交互。

李飞飞所说的“世界模型”到底是什么？

在2025年的《From Words to Worlds》中，李飞飞明确提出：要实现真正的空间智能，需要一种比今天LLM更加雄心勃勃的新型生成模型——世界模型。

她对世界模型提出了三个核心能力要求：Generative、Multimodal、Interactive。 也就是：生成、多模态、交互。

这三个词非常值得逐一理解。

第一层：世界模型必须“生成世界”

这里的“生成”与我们熟悉的“AI画一张图”有很大不同。

普通图像生成模型的目标可以是：给我一张“巴黎街头”的图片。它只需要生成一张看起来合理的二维图像。

而世界模型的要求更高：给我一个巴黎街头的世界。这个世界应该具有：几何一致性、空间一致性、物理一致性、动力学一致性、时间连续性。

换句话说：不是生成一张“像世界的图片”，而是生成一个“可以成为世界的东西”。

你从一个街角看到一栋建筑，然后转身走过去，建筑仍然应该在那里。你走到建筑另一侧，看到的应该是与之前观察一致的另一面。你推倒一个物体，它应该按照合理的物理规律运动。这就是李飞飞所说的世界模型与普通视觉生成模型之间的重要区别。

第二层：世界模型必须是“多模态”的

现实世界从来不是只通过一种信号存在的。人类可以看一个房间，听到声音，阅读文字，理解别人指向某个物体的手势，然后采取行动。

因此，一个真正的世界模型也应该能够接受各种不同形式的信息。李飞飞提出的输入包括：图片、视频、深度信息、文字指令、手势、动作等。模型需要根据这些不完整的信息，推断并生成尽可能完整的世界状态。

例如：给它一张客厅照片。它不仅应该告诉你“这里有一张沙发”，还应该逐渐建立起这样的内部表示：沙发在房间中央偏左；茶几位于沙发前方；地面是平的；墙壁与地面形成边界；如果从另一个角度观察，应该还能看到沙发的另一侧。这时候，AI处理的已经不只是“图像内容”，而是一个空间结构。

第三层，也是最关键的一层：世界模型必须能够“交互”

这可能是世界模型与普通生成模型最重要的区别。

如果你告诉模型：“把桌上的杯子推下去。”一个真正的世界模型应该能够预测：下一时刻会发生什么？

杯子的位置改变。杯子开始运动。离开桌面。受到重力影响。最终落到地面。如果环境和物体状态发生变化，后面的状态也应该跟着变化。

李飞飞在2025年的文章中明确提出：如果把行动或者目标作为输入，世界模型的输出应该包含世界的下一状态，并且这个状态需要与之前的状态、目标、语义以及物理规律保持一致。这实际上意味着：世界模型开始从“生成器”变成“模拟器”。

2026年，李飞飞又进一步把世界模型拆开了

2026年6月，李飞飞发表《A Functional Taxonomy of World Models》，开始进一步回答一个问题：现在大家都叫“World Model”，但到底什么东西才算World Model？

她把世界模型的功能拆成三个核心组件：

1. Renderer：渲染器

负责产生我们看到的东西。例如一个视频模型生成一段无人机飞过城市的画面。它可能非常逼真。但是：看起来像世界，不代表它真的理解这个世界。如果你让它按照真实空间结构去穿过这座城市，模型可能就崩溃了。李飞飞把这类能力称为Renderer——它关注的是视觉呈现。

2. Simulator：模拟器

模拟器就更进一步。它不只是告诉你“看起来是什么样”，而是要提供一个：几何、物理和动态上可信的世界状态。也就是说：物体的位置应该对，空间关系应该对，运动规律应该合理，不同动作产生的结果应该具有一致性。这时候，AI内部才开始真正拥有一个可以“计算”的世界。

3. Planner：规划器

有了世界，还不够。真正的智能还需要回答：我下一步应该做什么？

假设机器人需要把桌上的杯子放进柜子。它需要在内部尝试不同方案：伸手 → 抓取 → 移动 → 打开柜门 → 放入。而在真正执行之前，它甚至可以先在“脑海里的世界”里模拟这些动作。这就是Planner。

因此，李飞飞最新的框架实际上把世界模型描绘成一个完整闭环：感知世界 → 构建世界 → 模拟未来 → 规划行动 → 改变世界 → 再次感知。

这时候再回头看LLM，就很容易理解了

LLM最擅长的是：语言世界。 它学习的是文字、代码、知识和概念之间的统计结构。

世界模型则试图学习：空间和时间世界。 李飞飞在最新文章中有一个非常清晰的区分：语言模型学习文本的统计结构，而世界模型学习空间和时间的统计结构。

这不是说LLM没用。恰恰相反，未来的AI很可能不是“LLM vs World Model”，而是：LLM + World Model + Vision + Action + Agent。

语言负责表达目标和知识。视觉负责感知。世界模型负责模拟世界。推理模型负责复杂思考。Agent负责制定和执行任务。机器人或者其他执行系统负责真正采取行动。最终形成一个新的闭环：语言 → 感知 → 世界模型 → 推理 → 行动 → 世界反馈。

“世界模型”并不是简单的“3D版ChatGPT”

这是理解这个概念时最容易犯的错误。如果把世界模型理解成“AI生成一个可以转来转去的3D场景”，那其实低估了它。

一个真正意义上的世界模型至少应该回答四个问题：这个世界现在是什么状态？为什么会是这个状态？如果我采取一个行动，会发生什么？如果我希望达到某个目标，应该采取什么行动？

因此，世界模型真正追求的不是：生成得像。 而是：世界内部的关系能够持续成立。

视频生成可能只是世界模型的早期形态

今天的视频生成模型已经非常惊艳。它们可以生成人物走路、汽车行驶、镜头运动、物体变化。但从世界模型的角度来看，问题在于：这些变化究竟是模型真正模拟出来的，还是仅仅因为训练数据告诉它“通常应该这样变化”？

两者看起来可能非常接近。但到了机器人时代，差别会变得巨大。

视频里一辆汽车“看起来”可以正常行驶。但是机器人需要知道：如果方向盘转10度，车会怎么转？如果前面突然出现障碍物，应该怎么刹车？如果地面湿滑，制动距离会发生什么变化？

这已经不是单纯的视频生成问题。它要求模型对：空间、时间、物体、动作、因果和物理规律，建立某种可计算的内部表示。

李飞飞真正关注的，其实不是“3D生成”

这也是理解她整个世界模型思想的关键。

如果只看World Labs的产品演示，很容易把它理解成“一个能够生成3D世界的AI公司”。但李飞飞真正想做的事情远不止于此。

她在多次公开演讲中把Spatial Intelligence定义为机器理解、推理、生成并与三维世界互动的能力。她甚至用一个非常日常的例子来说明：把一个三明治装进袋子，本身就是空间智能。

因为你必须知道面包在哪里，生菜在哪里，刀应该从哪里切入，如何把它们组合起来，再把三明治放进袋子。这整个过程不是语言推理，而是：看见 → 理解空间 → 预测 → 操作 → 获得反馈。

这其实揭示了一个非常深的观点：人类智能并不只有“语言智能”。 语言只是人类智能的一种表达方式。

AI的发展路线可能正在发生变化

过去十几年，我们可以粗略地把AI的发展理解成：识别 → 生成 → 理解 → 推理。

而下一阶段可能变成：感知 → 建模 → 模拟 → 规划 → 行动。

于是AI的能力边界也发生了变化：

• 判别模型：“这是什么？”

• 生成模型：“生成一个这样的东西。”

• LLM：“用语言理解和表达知识。”

• 多模态模型：“把文字、图像、视频等信息联系起来。”

• 推理模型：“把问题想得更深入。”

• Agent：“为了目标，自己决定做什么。”

• 世界模型：“这个世界是什么样？如果我这么做，会发生什么？”

需要特别说明的是，这不是一个严格的技术分类，也不是说前面的模型会被后面的模型淘汰。现实更可能是融合。

真正的“AI下一阶段”，可能不是更大的语言模型

这也是李飞飞观点最值得讨论的地方。

过去几年，AI产业最重要的问题之一是：Scaling——继续扩大模型、数据和计算量。 这条路线确实带来了巨大的能力提升。

但当AI开始走出数据中心，进入机器人、自动驾驶、AR/VR、游戏、建筑设计、工业制造、科学模拟、物理世界，问题开始变化。这些系统不能只知道“答案是什么”，它们还必须知道“世界是什么”，以及“如果我做这件事，世界会发生什么变化”。

因此，未来的基础模型可能不再只有一个“语言底座”。我们可能会看到一个更加复杂的模型生态：

• Language Model：理解语言与抽象知识

• Vision Model：理解视觉信息

• Reasoning Model：复杂推理

• World Model：理解空间、时间与世界状态

• Agent：连接目标、推理与行动

• Robotics / Embodied AI：进入真实世界

这几种能力最终可能汇聚成一个更完整的智能系统。

但这里还有一个巨大的技术难题

世界模型听起来很美，但它远没有成为成熟技术。原因很简单：现实世界比互联网复杂得多。

互联网里的文本可以被复制，图片可以被保存，视频可以被大量采集。但现实世界的数据同时受到空间、时间、物理、因果、遮挡、视角、行动、反馈等因素约束。而且现实世界的错误是有代价的。

语言模型回答错一道题，通常只是答案错了。机器人理解错一个空间关系，却可能导致真实的行动失败。

因此，世界模型真正面对的不是简单的“模型规模够不够大”，而是：如何让模型学习一个具有空间结构、时间连续性和物理约束的世界。

这也解释了为什么李飞飞认为，世界模型需要新的数据、新的训练目标以及可能不同于当前LLM和视频模型的架构。她在《From Words to Worlds》中尤其强调了3D/4D表示、空间记忆以及几何和物理一致性的重要性。

从“Token”到“World State”，可能是一次范式变化

如果说过去的大模型革命最核心的对象是：Token，那么世界模型革命可能要面对的是：World State——世界状态。

一个Token描述的是语言中的一个局部符号。而世界状态描述的是：这个世界此刻是什么样。

例如：房间里有一张桌子。桌子上有一个杯子。杯子距离桌边20厘米。一个机器人正在向杯子移动。它的手距离杯子还有10厘米。如果机器人继续移动，下一时刻手会接触杯子。如果抓住杯子，杯子的位置就会改变。

这是一种完全不同的数据结构和推理方式。它不是简单地预测下一个Token是什么，而是预测：下一状态是什么。

这可能正是世界模型最深层的意义。

LLM之后真正值得关注的是什么？

如果一定要给今天的AI画一张技术路线图，可以这样理解：

第一阶段：AI学习“看见” —— 计算机视觉解决识别问题。

第二阶段：AI学习“说话” —— LLM让机器获得了强大的语言和知识能力。

第三阶段：AI学习“思考” —— 推理模型开始让AI处理越来越复杂的问题。

第四阶段：AI学习“看见世界并模拟世界” —— 世界模型开始建立空间、时间、物体和动态关系。

第五阶段：AI学习“在世界中行动” —— Agent、机器人和具身智能把模型连接到真实环境。

最终形成：Perception → World Model → Reasoning → Planning → Action → Feedback，也就是：感知 → 世界建模 → 推理 → 规划 → 行动 → 反馈。

这可能才是“LLM之后”的真正含义。

结语：从“知道很多”到“生活在世界里”

过去几年，我们惊叹于大语言模型“知道很多”。它读过大量书籍，见过海量网页，能够回答各种复杂问题。

但人类智能还有另一面。我们不仅知道“杯子是什么”。我们还知道：杯子在哪里。它有多远。我能不能拿到它。从哪个方向拿最合适。如果我把它推倒会发生什么。如果我想把它放进柜子，我应该怎么做。

这些能力不一定能够被语言完整表达。它们深深地植根于我们与三维世界的长期互动之中。这也是李飞飞所谓“Spatial Intelligence”的核心。

如果说过去十年的AI革命，是让机器越来越擅长处理words——文字；那么接下来的一个重要方向，很可能就是让机器真正开始理解worlds——世界。

而世界模型真正要解决的，也许并不是：“AI能不能生成一个看起来很真实的世界？”而是一个更大的问题：AI能不能拥有一个可以理解、预测、模拟，并最终行动于其中的世界？

如果答案是肯定的，那么我们看到的就不再只是一个更强的ChatGPT。而可能是：从“会说话的AI”，走向“生活在世界里的AI”。