世界模型的三個問題：定義、數據與未完成的商業驗證

2026年4月16日，騰訊和阿里在同一天各自發布了一款「世界模型」產品。前者是開源的混元3D世界模型2.0（HY-World 2.0），后者是主打實時交互的HappyOyster。這種巧合在科技行業并不罕見，競爭對手盯著彼此的發布節奏，誰也不想慢半拍。

過去兩年，圍繞「世界模型」的討論在學術界和產業界一直持續升溫，但大多停留在預言和爭論層面。真正把這個話題推向公眾視野的，是Meta前首席AI科學家楊立昆（Yann LeCun）在2025年底MIT研討會上的一番話。他說，“三到五年內，世界模型將取代LLM成為主流AI架構，沒有理智正常的人還會用我們今天這種大語言模型”。

這話在硅谷得罪了不少人，也讓「世界模型」這個詞真正進入了主流討論。

楊立昆的預言是否會成真，業界看法分歧極大。但有一件事正在發生：資本、人才和頂級實驗室的注意力，都在向這個方向集中。李飛飛的World Labs已完成新一輪10億美元融資，英偉達的Cosmos平臺下載量突破500萬次，楊立昆本人離開Meta創立AMI Labs，完成10.3億美元種子輪融資。

在國內，騰訊、阿里、生數科技、群核科技各自押注不同路線，中國玩家在這場競爭中的參與深度遠超大多數外界觀察者的預期。

在此背景之下，本文試圖回答三個問題：世界模型和大語言模型的本質邊界在哪里？全球的技術格局是如何分化的？以及中國玩家在這條賽道上的真實處境是什么？三個問題互相咬合，分開看都不完整。

大語言模型的盲區，以及世界模型從哪里開始

LLM的核心機制是在語言空間里找規律，給定前面的詞，然后預測下一個詞出現的概率。

這個機制在大規模數據上訓練之后，涌現出了令人驚訝的能力：寫作、推理、編程、翻譯。但這種能力的底層，始終是統計意義上的語言規律，而不是對物理世界的真實理解。LLM知道「玻璃杯掉到地上會碎」，是因為這個句子在訓練數據里出現過無數次，并不是因為它理解了彈性模量、應力傳導和沖擊能量。對它來說，「重力」是一個頻繁與特定語境共現的詞語，卻不是一個可以在新場景里推廣應用的物理規律。

這個區別在聊天、摘要、代碼生成這類任務里無關緊要，LLM已經足夠好用。但當AI需要和物理世界發生真實的交互，局限就變得清晰起來。

讓機器人規劃一條從桌邊繞過障礙物取到杯子的路徑，需要理解三維空間、物體的形狀和質量、動作的力度和方向；讓自動駕駛系統預測前方車輛在下一秒的位置，需要理解速度、加速度和駕駛意圖；讓一個AI角色在游戲世界里做出合理的行為，需要理解場景的因果結構，而不只是像素的視覺一致性。這些任務，語言建模的框架從根本上就不適合處理。

世界模型的出發點，正是填補這個空缺。簡單說，世界模型預測的不是下一個詞，而是下一個狀態。物體在空間中的位置會怎么變化，一個動作會引發什么樣的連鎖反應，光線在不同材質表面的反射在視角移動后如何演變。它試圖構建的是一個對物理現實的內部表征，讓AI能夠在這個表征上進行規劃、預測和推斷，而不只是在語言空間里進行模式匹配。

打一個不那么精確但有助于理解的比方，LLM像一位讀遍了旅游導覽的圖書管理員，他能告訴你北京任何一條街道胡同的名字和歷史，但如果你把他放在那條街上，他未必知道往哪個方向走才能找到最近的地鐵站。而世界模型則試圖訓練出一個真正在城市里行走過、對空間有具身感知的向導。

這無關知識量的大小，而是知識性質的區別。

然而，「世界模型」在當下又不是一個邊界清晰的技術概念。不同團隊在做的事情，差異遠比名字所暗示的要大。有些團隊做的是基于視頻的交互式生成系統，核心是讓模型學會「如果用戶這樣操作，畫面接下來會怎么變」；有些團隊做的是從圖像或描述直接生成可編輯的三維幾何資產，重點在于輸出物的工程可用性；還有些團隊做的是為機器人和自動駕駛提供物理仿真訓練環境，重點在于數據的物理正確性。

這三條路線的交集有限，背后的商業邏輯也截然不同。理解這一點，是看懂當前格局的前提。

三條路線的技術分野與戰略選擇

從技術路線來看，全球世界模型競爭目前大致沿三個方向展開，每條方向都有其內在邏輯，也有其固有的局限。

第一條路線可以叫做「視頻基世界模型」。這條路線的核心假設是視頻是物理世界最豐富的記錄，只要讓模型足夠深入地學習視頻數據，它就能學會世界的運行規律。Google的Genie系列是這條路線的學術代表，Genie 3于2025年8月向部分研究人員開放實驗性預覽版本，用戶輸入文字描述，模型實時生成可交互的三維場景。

李飛飛的World Labs推出的Marble，能夠從文本或圖片生成風格多樣的可漫游虛擬世界。阿里巴巴ATH事業部的HappyOyster走的也是這條路，其差異化在于原生多模態架構與流式生成能力的結合。模型在生成過程中持續接收用戶指令并實時響應，用戶可以在已生成的場景里調整鏡頭、改寫劇情、調度角色，而不是等待一段完整的視頻渲染完成再看結果。

目前HappyOyster支持連續三分鐘以上的實時導演級交互，在體驗層面是國內這條路線目前最成熟的產品。但這條路線有一個內置的局限，那就是基于視頻學習的世界模型，生成的是像素意義上的一致性，而不一定是物理意義上的真實性。畫面看起來連貫，不代表背后有真實的三維結構；光影看起來合理，也不代表模型真正理解了光的傳播規律。

HappyOyster也在技術文檔里承認，漫游模式和導演模式目前尚未完全打通，長時序場景中的一致性仍有待提升。這也是整條路線當前階段共同面臨的工程挑戰。

第二條路線是「3D資產化世界模型」，騰訊混元3D世界模型HY-World 2.0是這條路線目前最有代表性的產品。這條路線的關鍵轉變是直接生成可編輯的三維幾何資產，例如Mesh、3DGS、點云，這些文件格式可以無縫導入Unity和Unreal Engine等主流游戲引擎，進行二次編輯和物理交互。

而騰訊押注這條路線，也有非常清晰的戰略邏輯。騰訊擁有海量的3D游戲數據和成熟的引擎工程積累，游戲3D內容的生產效率是最直接的商業驗證場景。傳統上，一張開放世界地圖的建模周期以月為單位，需要數十名美術人員參與；HY-World 2.0，生成一個可交互的3D游戲原型場景大約需要12分鐘。這個數字即便打個折扣，對游戲行業的影響也是巨大的。

不過，這條路線同樣有其局限。3D資產生成解決的是內容生產效率問題，但它本質上仍然是一個生成模型，而不是一個真正理解物理規律的仿真系統。它能生成視覺上合理的3D場景，卻不一定能保證物理意義上的正確性，比如碰撞檢測、材質屬性、動力學行為，這些在游戲引擎里還需要工程師介入校正。這個差距在游戲原型階段尚可接受，但如果要遷移到機器人訓練或數字孿生這類對物理精度要求極高的場景，距離就會被放大。

因此，第三條路線則更接近基礎設施層，可以叫做「空間數據與仿真平臺」。這條路線不做終端產品，它主要提供高質量的三維訓練數據、物理正確的仿真環境、連接虛擬和真實世界的工具鏈。

國內這條線路最值得關注的案例是群核科技。這家家裝設計軟件公司，入局邏輯與騰訊、阿里完全不同，它是從十余年家裝設計軟件的數據積累里，發現了一條通向空間智能的路徑。

酷家樂平臺上積累的4.8億個三維模型和5億個結構化空間場景，是物理正確的真實世界設計數據。群核科技在2025年英偉達GTC大會上開源的空間語言模型SpatialLM，僅憑一段手機拍攝的視頻就能生成帶有物理約束的三維場景布局，開源后登上HuggingFace趨勢榜第二。其空間智能平臺SpatialVerse已與智元機器人、銀河通用、穹徹智能等具身智能公司建立合作，為機器人提供虛擬訓練環境。

2026年4月17日，群核科技以「全球空間智能第一股」身份登陸港交所，上市首日股價高開171%。

從上文三條路線的橫向對比來看，中美的競爭格局呈現明顯結構性的差異。美國的格局是：大平臺公司（英偉達、Google）做通用基礎設施和前沿研究，學術創業公司（World Labs、AMI Labs）做技術探索，中間的商業化產品層尚未出現成熟玩家——Meta和OpenAI在世界模型領域的實質性投入相對謹慎，前者尚在理論層表態，后者的重心仍在大語言模型的商業化上。

中國的格局是頭部大廠更傾向于從自身最強的垂直場景切入，同時有一批垂直數據公司在上游資產層卡位。兩種格局的競爭邏輯不同，美國更強調技術原理的通用性，中國更強調場景落地的速度和數據資產的稀缺性。這種差異，在下一階段的競爭中會以什么形式顯現，目前還不明朗。

“造勢”已經開始，但“造血”還不清晰

如果把視線從宏觀層面的路徑比較下沉到產業微觀運行時，會發現上述的差異正在中國本土衍生出一系列具體的、短期內難以回避的摩擦。中國玩家憑借場景與數據優勢迅速入場，但也正因為入局太快，一些基礎性的共識與規則尚未建立，導致賽道在熱鬧的表象之下暗藏著獨特的系統性風險。

這些問題業界鮮少正面討論，但它們真實存在，并將影響這條賽道未來兩三年的走向。

第一個問題是定義的模糊性正在制造虛假的繁榮感。目前國內大量「世界模型」產品的發布，使用的是同一個詞，指的卻是差異極大的東西。有的本質是視頻生成模型做了一層交互包裝，有的是3D重建工具加了實時渲染能力，有的在做真正意義上的物理仿真。

這種定義的混亂在資本層面會造成誤判，用戶層面會積累失望，在行業層面則會模糊技術進展和市場炒作之間的邊界。如果要給「真正的世界模型」一個有操作意義的判斷標準，《新立場》認為可以下這樣一個定義：模型能否在沒有顯式標注的情況下，從原始感知數據里自主學習因果關系，并在從未見過的新場景里作出物理上可靠的預測。

如果用這個標準衡量當前的大多數產品，距離還相當遠。當然這不是說這些產品沒有價值，而是把迭代進展等同于范式躍遷，是一種需要警惕的認知偷懶。

第二個問題是數據壁壘的含金量被高估了。中國玩家確實擁有真實的數據優勢，比如騰訊的游戲三維數據、群核的空間設計數據、各家自動駕駛公司的路測數據，這些在體量上是真實的護城河。但世界模型對數據的要求和大語言模型存在根本性的不同。LLM可以從海量但嘈雜的文本里學到有用的規律，數據的廣度比精度更重要；世界模型需要的是物理正確、時序連貫、標注精準的三維數據，質量比數量更關鍵。

現有的數據資產里能真正用于世界模型訓練的比例，遠低于對外宣稱的規模。合成數據的爭議進一步復雜化了這個問題：由于高質量真實三維數據的采集成本極高，很多團隊轉向用模擬器生成合成數據來補充訓練集。

2024年《自然》雜志報道的研究趨勢顯示，持續使用合成數據訓練模型，會導致模型性能隨迭代輪次加速退化，這種現象研究者將其比作「近親繁殖」。這個問題到今天還沒有被普遍接受的解決方案，也意味著中國玩家的數據優勢，比想象中更脆弱一些。

第三個問題是老生常談的，商業化路徑是一道尚未解開的題。大語言模型在ChatGPT出現之后，商業模式逐漸清晰——API計費、企業訂閱、垂直行業部署，鏈路已經跑通。

而世界模型到今天為止，沒有一家公司拿出過可復制的商業閉環。騰訊的HY-World 2.0目前主要作為開發者工具開源，群核科技2025年96.9%的營收來自軟件訂閱服務（主要為酷家樂和Coohom產品），而空間智能相關業務（包括SpatialVerse等）僅占3.1%，其中核心的SpatialVerse平臺僅貢獻0.6%的營收。

游戲公司愿意為AI生成的3D場景付費，前提是生成質量能夠真正替代或大幅縮減人工成本，目前看來差距尚存；影視行業的工作流整合周期比外界估計的要長得多；具身智能公司的采購規模尚未達到商業化所需的體量。世界模型目前更像是一張有巨大想象空間但兌現時間尚不確定的支票。

這既是當前的困境，也是未來的機會。毫無疑問，未來第一個在某個垂直場景里驗證出可復制商業單元的玩家，將會獲得遠遠超出比例的先發優勢。

寫在最后

大語言模型的崛起，證明了當足夠大規模地預測語言，涌現出來的能力會遠遠超出設計者的預期。這種「規模涌現」的邏輯是否能夠遷移到物理世界的建模上，正是「世界模型」最核心的賭注。

這在技術層面的挑戰是真實的，物理世界的復雜度遠高于語言空間。語言的基本單元是離散的詞語，物理世界的狀態是連續的、高維的，依賴于遠比語法規則復雜的因果結構。數據的采集和標注成本比文本高出幾個數量級，訓練范式需要重新設計，評估方法也遠不如NLP領域成熟。這條路比語言模型走過的路更長，更難，充滿了未知的彎路。

但驅動力同樣是真實的，機器人、自動駕駛、數字孿生、沉浸式內容等領域對「真正理解物理世界的AI」有著真實的剛需，而這種需求隨著智能硬件的普及只會越來越強。

而中國在這場競爭里的優勢和劣勢都很具體：場景數據的積累和垂直行業的落地壓力是有力的支撐，基礎研究的深度和商業驗證的路徑是真實的短板。

騰訊和阿里在同一天發布世界模型產品，說明在中國最頭部的科技公司內部，對AI下一個主戰場的判斷已經形成了共識。至于這種共識是否正確，要等時間來驗證。

這可能比我們想象得更近，也比我們期望得更遠。

*題圖及文中配圖來源于網絡。