世界模型正在重新定義“游戲”的價值

1943 年，29 歲的蘇格蘭心理學家 Kenneth Craik 出版了一本不到 200 頁的小書《The Nature of Explanation》。彼時二戰尚未結束，數字計算機尚未誕生，但 Craik 在書中提出了一個驚人的假說：人類思維的核心機制，不是“心靈”、不是“自我”、不是“感覺材料”，而是一種符號化的建模過程。大腦在內部構建了外部現實的“小尺度模型”（small-scale model），用它來替代真實世界的試錯。

他在這本書里寫下了這段被后人反復引用的話：

如果一個有機體能在腦中攜帶一個外部現實及其自身可能行動的“小尺度模型”，它就能試驗各種備選方案，從中選出最優解，在未來情境到來之前就做出反應，利用過去事件的知識來應對當下和未來，以一種更充分、更安全、更勝任的方式來回應它所面臨的一切緊急狀況。

Kenneth Craik 和《The Nature of Explanation》來源：WikiPedia

Craik 進一步拆解了這個過程的三個步驟：

1. 將外部過程翻譯為內部表征（感知）

2. 從這些表征中推導出新的符號（推理／預測）

3. 將推導結果重新翻譯為行動（決策／控制）

感知、預測、行動。這三個詞，恰好是 80 年后每一個世界模型系統試圖閉合的環路。

但 Craik 沒有等到自己的思想開花結果。1945 年 5 月 7 日，他在劍橋國王大道騎自行車時被一輛汽車撞倒；次日，也就是歐洲勝利日，在醫院去世，年僅 31 歲。他甚至沒來得及知道，愛因斯坦讀過他的書后評價了一句“偉大的著作”，而沃倫·麥卡洛克（Warren McCulloch）將在此后數十年反復傳述這個評價。

Craik 死后，他的思想卻在控制論、認知科學和人工智能的三條支流中持續擴散。1949 年，英國控制論俱樂部“Ratio Club”成立時，創始人 John Bates 專門為 Craik 的缺席表達遺憾，認為如果他還活著，一定是最核心的成員。

1956 年，在被視為 AI 誕生標志的達特茅斯研討會上，Nathaniel Rochester 在提案文件中引用了《The Nature of Explanation》中關于學習的模型。1983 年，Philip Johnson-Laird 出版《Mental Models》，將 Craik 的框架正式納入認知科學的主流范式。

然后便是漫長的沉寂。1991 年，Rodney Brooks 發表了影響深遠的論文“Intelligence without Representation”，主張智能行為可以不需要內部世界模型，只靠與環境的直接反應式交互就能涌現。這條路線催生了行為主義機器人學，也讓“世界模型”這個概念在 AI 主流中沉寂了將近二十年，直到 2018 年。

從夢境中醒來

2018 年，Google Brain 的 David Ha 和瑞士人工智能實驗室 IDSIA 的 Jürgen Schmidhuber（LSTM 的發明者之一）發表了一篇名字直截了當的論文：《World Models》。

圖丨相關論文（來源：arXiv）

這篇論文的核心思想并不復雜：給 AI 一個“做夢”的能力。

他們設計了一個三組件架構：

• V（視覺模型）：一個變分自編碼器（VAE），把高維的像素畫面壓縮成低維的潛在表征，相當于大腦把視覺信息壓縮成抽象概念
• M（記憶模型）：一個混合密度網絡-循環神經網絡（MDN-RNN），基于歷史觀測和動作預測下一步的潛在狀態，相當于對“接下來會發生什么”的想象
• C（控制器）：一個極其簡單的線性模型，在 V 和 M 構建的壓縮世界表征上做決策

關鍵突破不在架構本身，而在訓練方式：智能體可以完全在自己“幻想出的夢境”中學習策略，然后遷移到真實環境中。Ha 和 Schmidhuber 在賽車游戲 VizDoom 上驗證了這個想法：智能體先在 M 生成的“夢境賽道”中學會開車，然后直接在真實游戲中跑出了不錯的成績。

其實早在 1990 年，Schmidhuber 就提出了預測性神經架構，允許智能體在內部模擬環境動態并在毫秒級別內完成規劃。但 2018 年這篇論文的貢獻在于，它把三十年的工作蒸餾成了一個干凈、可復現的框架，并且給了這個概念一個名字：World Models。

從那以后，這個領域開始加速。

Richard Sutton 早在 1990 年代提出的 Dyna 架構（用學習到的世界模型來預測未來結果并規劃行動）成為了重要的理論橋梁。隨后，Dreamer 系列（2020—2023）、MuZero（2020）、EfficientZero（2021）等基于模型的強化學習（Reinforcement Learning，RL)系統相繼證明，在游戲領域，學習一個世界模型再用它來訓練策略，可以匹配甚至超越直接與環境交互的無模型方法。

到了 2024—2025 年，世界模型從一個 RL 子領域的技術概念，演變成了一場更宏大的范式轉移。2025 年發表在 ACM Computing Surveys 上的綜述論文（清華大學團隊）將世界模型的功能劃分為兩大類：理解型（構建世界運作機制的隱式表征）和預測型（模擬未來狀態以指導決策）。

另一篇 2026 年的綜述（arXiv：2604.22748）則提出了三級能力層級：L1 預測器（局部單步預測）→ L2 模擬器（多步可決策的仿真，需要長程一致性）→ L3 演化器（基于證據的自我修正）。

而在這個技術演進的每一個關鍵節點上，都有一個共同的身影：游戲。

為什么是游戲？

如果你要訓練一個理解世界運作方式的 AI，你會選擇什么樣的訓練環境？

理想的訓練場應該滿足幾個條件：環境復雜但邊界可控；失敗成本為零，可以無限試錯；每一步行動都有即時反饋；數據量近乎無限，這些特點幾乎完美對應著電子游戲。

ACM Computing Surveys 2025 年那篇綜述概括了這一點：游戲環境代表了世界模型研究的理想實驗臺，它提供了受控但復雜的領域，要求對物理、因果關系和交互動力學有精深的理解。

但這不只是學術上的“理想”，游戲作為訓練場的優勢是非常明確的：

第一，數據天然帶標注。每一幀游戲畫面都對應著玩家的操作輸入（向左、跳躍、開火），形成了完美的 observation-action pair。訓練一個自動駕駛的世界模型，你需要昂貴的傳感器陣列、精密的標注團隊和漫長的道路測試。訓練一個游戲世界模型，數據自己就跑出來了。Google DeepMind 訓練 Genie 時用了超過 20 萬小時的公開互聯網游戲視頻，精選后得到 680 萬個 16 秒片段。這些數據不需要任何人工標注，因為游戲本身就是最好的標注器。

第二，物理規則是顯式的。游戲有重力，有碰撞檢測，有流體模擬。一個游戲世界模型學到的“球會下落”“墻會擋住路”“水會流動”，和物理世界中的同類現象共享深層的因果結構。當然，游戲物理是簡化的（否則它跑不到 60 幀），但這種簡化恰好提供了一個課程學習（curriculum learning）的起點：先在簡單物理中學會基本規則，再逐步遷移到更復雜的真實世界。

第三，規模驚人且還在增長。Steam 上有超過 10 萬款游戲。全球每天有數以億計的游戲進行中。游戲錄屏平臺 Medal.tv 每年從 1,000 萬用戶那里收集超過 20 億條游戲片段。這個數據量級是自動駕駛或機器人領域望塵莫及的。

第四，也是最容易被忽視的：游戲已經預定義了一套壓縮良好的動作空間。手柄有十幾個按鍵和兩個搖桿，鍵鼠組合略多但也有限。幾十年來，游戲設計師和玩家共同迭代出了一套將人類意圖壓縮成離散／連續動作信號的通用接口。這個特性的意義，我們留到最后一章再展開。

當然，這種關系是雙向的。

游戲不只是世界模型的訓練場，游戲本身也需要世界模型。傳統游戲引擎靠手工編寫的物理規則和腳本化的 NPC 行為樹運轉，天花板肉眼可見：NPC 永遠在固定路線巡邏，物理引擎永遠按預設參數計算，每一個交互可能性都需要開發者提前想到并編碼。如果世界模型能替代這些硬編碼的規則，讓 NPC“理解”情境而非執行腳本，讓物理“涌現”而非計算，那游戲體驗的上限將被根本性地改寫。

這就是為什么，當世界模型在 2024 年開始從論文走向可運行的原型時，游戲成了第一個也是最密集的試驗場。

神經網絡玩 DOOM：從論文到可玩原型

2024 年是世界模型從概念驗證跨入可交互原型的分水嶺，幾個標志性系統集中出現，每一個都選擇了游戲作為證明自己的舞臺。

其中最具代表性的一個案例是 Google Research 的 GameNGen。這個團隊做了一件極具象征意義的事：用一個神經網絡完全替代了 DOOM（1993）的游戲引擎。GameNGen 能以 20 幀／秒的速度實時生成 DOOM 的畫面，玩家按下方向鍵，模型預測下一幀應該長什么樣。沒有傳統的渲染管線，沒有光線追蹤，沒有碰撞檢測算法。怪物的移動、子彈的軌跡、門的開關，全部編碼在神經網絡的參數中。

DOOM 是 1993 年的游戲，物理規則簡單到可以用幾百行代碼描述，畫面在今天看來非常粗糙。但即便如此，讓一個神經網絡完整地“理解”這個世界的運作方式并實時生成一致的視覺輸出，仍然是一個真正的技術突破。它證明了一個原理：游戲引擎的邏輯可以被學習，而不必被編程。當然，局限也很明顯：它只能運行 30 年前的 DOOM，記憶窗口僅有 3 秒，走出一個房間再回來，房間里的東西可能已經變了。

（來源：arXiv）

同年初發布的 Google DeepMind 的 Genie 系列則代表了另一條路線：不是在已有游戲中訓練智能體，而是從視頻中學習生成全新的可交互世界。后來李飛飛創辦的 World Labs 也沿著相近的問題意識推進：不只是生成一段視頻，而是生成一個具有空間結構、可以被進入和編輯的 3D 世界。

最初發布的 Genie 是一個 110 億參數的模型，它首次實現了從無標簽互聯網視頻中以無監督方式訓練生成式交互環境。它的訓練數據來自超過 20 萬小時的公開游戲視頻，最終精選出 680 萬個 16 秒片段。給它一張圖片，可以是照片、草圖甚至文字描述，它就能生成一個可以用虛擬手柄操控的 2D 世界。

2024 年 12 月發布的 Genie 2 走得更遠，它是一個自回歸潛擴散模型，能從單張圖片生成可操控的 3D 可玩環境。DeepMind 的官方博客列出了一系列在訓練中涌現出的能力：物體交互、復雜角色動畫、物理模擬、光照效果，其中最引人注目的是 NPC 行為建模。

模型不是被編程來生成 NPC 的行為，而是在大量游戲視頻中“觀察”到了 NPC 應該如何行動，然后在生成的世界中重現了類似的行為模式。DeepMind 將 Genie 2 定位為一個能提供“無限課程的新穎世界”的工具，用于 AI 智能體的訓練和評估。但 Genie 2 生成的世界只能持續 10—20 秒，時間再長，一致性就開始崩塌。2025 年 8 月發布的 Genie 3 將這個窗口延長到了約一分鐘，Waymo 甚至已經在用它做自動駕駛仿真。進步明顯，但一分鐘仍然不夠。

入局者：游戲公司與游戲數據公司

盡管 2024 年的那些成果可能離“可用”還差得遠，但有一件事已經被證明：世界模型可以從游戲視頻里學會“世界如何回應動作”。這意味著游戲錄像就不只是娛樂內容，而是一種訓練數據，甚至可能是最好用的訓練數據之一。

同一時期，具身智能開始迅速發展，四足機器人、人形機器人、自動駕駛都在找更好的訓練數據和仿真環境，這兩條線就此在 2025 年交匯了。世界模型需要大規模帶動作標注的視頻數據，具身智能需要世界模型來理解物理世界，而坐在這兩個需求交叉點上的，是游戲公司和游戲數據公司，資本很快做出了反應。

最有代表性的一個樣本是 General Intuition（GI）。2025 年 10 月，游戲錄屏平臺 Medal.tv 的創始人 Pim de Witte 據報拒絕了 OpenAI 高達 5 億美元的收購要約，轉而創立了這家公司，Khosla Ventures 和 General Catalyst 領投 1.34 億美元種子輪。

八個月后 A 輪 3.2 億美元到賬，估值 23 億美元，累計融資 4.54 億美元。GI 的敘事足夠有力也足夠簡潔：游戲數據是訓練世界模型最好的預訓練數據。Medal.tv 每年從 1,000 萬用戶那里收集超過 20 億條游戲片段，每一條都帶有完整的玩家操作記錄：哪一幀按了什么鍵，搖桿偏向了哪個方向。De Witte 說：“我們把這看作預訓練的下一階段。”

圖丨 Pim de Witte（來源：Dutch News）

GI 的演示包括了這樣一個對比：同一個模型骨架，一邊能連續打 100 小時類《堡壘之夜》的射擊游戲，一邊能用 8 分鐘的街道視頻數據驅動一個四足機器人行走。

Khosla 說世界模型的關鍵飛躍在于“直覺”的涌現，模型不是在執行規則，而是在“理解”世界應該如何運轉。但需要注意的是：GI 目前最大的不確定性恰恰在于這個遷移故事。從游戲到機器人的遷移曲線到底有多陡，公司自己也沒有公開的、經過同行評審的技術論文來回答。

KRAFTON（《絕地求生》的開發商）選擇了一條更具象的路徑。這家韓國游戲巨頭在 2025 年宣布轉型為“AI-first 公司”，投入約 1,000 億韓元建設專用 GPU 集群，成立 AI 子公司 Ludo Robotics，隨后在 2026 年 3 月與韓華航空航天簽署合作備忘錄，聯合開發物理 AI 技術并計劃成立合資企業。

KRAFTON 官方新聞稿提到：“KRAFTON 在運營大規模游戲數據和基于物理的虛擬世界方面積累的經驗，是訓練和驗證物理 AI 軟件的核心資產。”這幾乎是一家游戲公司能給出的最明確的戰略聲明：我們的游戲能力就是 AI 能力。

虛擬世界中的物理模擬、大規模玩家行為數據、實時渲染和狀態管理，這些在過去被視為“游戲技術”的東西，現在被重新定義為訓練和驗證物理 AI 的基礎設施。韓華航空航天 CEO 的回應同樣值得注意：“我們與 KRAFTON 的合作將在物理 AI 和未來防務領域提供新的范式標準。”從游戲到國防，中間只差一個世界模型。

除了上述這些公司之外，在這條賽道上，還有兩個無法繞開的玩家：NVIDIA 和騰訊。

NVIDIA 延續著一貫的作風，它所做的不單單只是做一個世界模型，而是搭建了一層平臺。Cosmos 被定位為“物理 AI 世界基礎模型平臺”，不是一個單一的世界模型，而是一套構建、訓練和部署世界模型的基礎設施。

NVIDIA 將世界模型定義為“世界的數字孿生”，核心應用鎖定在機器人訓練上。配合 Isaac Sim（基于游戲引擎技術的機器人仿真平臺），NVIDIA 構建了一條從游戲引擎到世界模型到物理機器人的完整工具鏈。

值得注意的是，Cosmos 的主要采用方大多是具身智能公司，而非游戲公司。游戲引擎和游戲技術正在被重新包裝為物理 AI 的訓練基座，游戲公司積累了幾十年的資產（實時渲染、物理模擬、大規模并發）正在獲得超出娛樂產業的戰略估值。

而騰訊作為全球營收最高的游戲公司，它同時握著三樣稀缺輸入：混元大模型體系（多模態 + 視頻 + 3D 生成）；AI 人才團隊以及算力基礎設施；以及全球游戲公司中最深的股權網絡（100% 控股 Riot、Supercell、持有 Epic 約 40%、KRAFTON 約 13.5%、FromSoftware 約 16%，加上天美、光子等自研工作室和《元夢之心》這樣的 UGC 平臺）。

前面提到的“入局者”中，有好幾個本身就有騰訊的身影。但騰訊的世界模型目前更偏“for human”（給開發者和創作者生成內容），還沒有像 KRAFTON、GI、NVIDIA 那樣把“用世界模型訓機器人”當成明牌戰略。會不會從內容側跨到具身側，是我們需要關注的重點。

這些案例指向同一個判斷：誰掌握了讓 AI 理解物理世界的能力，誰就掌握了下一個計算范式的入口。而在所有可能的訓練路徑中，游戲正在成為共識性的起點。

從虛擬到物理，機器不必像人

最后，讓我們回到一個看似瘋狂但邏輯自洽的設想。

當我們談論“用游戲數據訓練機器人”時，很容易陷入一個思維定式：機器人應該長成人形，像人一樣行動，所以需要用人類的行為數據來訓練。但這個思維定式忽略了一個更深層的事實：

手柄、方向盤、鍵盤鼠標，是人類幾十年迭代出的“把意圖壓縮成通用動作信號”的接口。

一個游戲手柄有兩個搖桿、十幾個按鍵、兩個扳機。用這套接口，玩家可以控制一個人形角色在《艾爾登法環》里翻滾、格擋、攻擊；也可以控制一輛賽車在《GT 賽車》里過彎、加速、漂移；還可以控制一架直升機在《GTA》里起飛、懸停、降落。同一套動作空間，映射到了截然不同的物理系統上。

這意味著什么？意味著“人用手柄做了什么”的數據，本質上是一種與具體形態無關的意圖-動作對。一個世界模型如果能從海量游戲錄像中學會“人類意圖如何映射到環境變化”，那它學到的不是“如何操控一個特定的角色”，而是“如何在一個動態系統中實現目標”。

這是 General Intuition 的核心賭注。也是把“游戲”和“機器人”兩個看似不相干的領域焊死在一起的那一環。機器人不必長成人形，不必用兩條腿走路。它只需要能把意圖轉化為動作，而這種轉化能力，可以從幾十億條“人類通過手柄控制虛擬物理系統”的數據中學到。

從 Kenneth Craik 腦中的“小尺度模型”，到 Ha 和 Schmidhuber 讓智能體在夢境中學習賽車，到 Google 的神經網絡替代 DOOM 引擎，到 General Intuition 用游戲錄像訓練四足機器人，這條線之所以成立，不是因為某一個環節實現了突破，而是因為人類在過去 80 年里做的事，一直是同一件事：基于對世界的觀察和經驗，構建一個內部模型，用它來預測下一步會發生什么，然后行動。

Craik 在 1943 年就理解了這一點。他寫道：“只有這種內部現實模型，這個工作模型，才能讓我們預測物理世界中尚未發生的事件，這個過程節省了時間、成本，甚至生命。”

現在，同樣的過程正在從碳基生命遷移到硅基系統。而這個遷移的練習場，因為數據的密度、交互的豐富性、物理規則的可控性和失敗代價的可逆性，是游戲。

一個享年 31 歲的蘇格蘭心理學家在 1943 年洞察到的東西，在 80 年后正在被寫成代碼、訓練成參數、部署到機器人身上。他沒有來得及看到這一天，但他的那個“小尺度模型”，或許正在變成一個越來越大的世界。

參考資料：

1.https://arxiv.org/abs/1803.10122

2.https://dl.acm.org/doi/10.1145/3720473

3.https://arxiv.org/abs/2405.12399

4.https://techcrunch.com/2026/06/18/general-intuition-raises-320m-series-a/

5.https://naavik.co/deep-dives/hello-world-models

6.https://www.notboring.co/p/world-models

7.https://www.quantamagazine.org/world-models-an-old-idea-in-ai-mount-a-comeback-20250923/

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成