当AI开始预测"下一个世界状态"：世界模型加速物理觉醒，人形交互的"最后一公里"在哪里？
2026年7月，AI领域最值得关注的变化或许不是某款模型参数又多了几千亿，也不是某家厂商又发布了一个新的视频生成工具。真正值得观察的，是一条研究范式的迁移轨迹：人工智能正在从"预测下一个词"（Next Token Prediction），走向"预测下一个世界状态"（Next World State Prediction）。
这条轨迹的标志性事件，是世界模型（World Model）从学术概念加速进入工程落地。一批研究团队不再满足于让AI生成更逼真的画面、更流畅的文本，而是试图让AI真正理解物理世界的运行规律：一个杯子放在桌边会掉落，掉落后会碎；一扇门被推开，门后的人会有怎样的反应；一个手势、一个眼神、一段沉默背后，又藏着怎样的意图。这些对人类而言稀松平常的常识，恰恰是当前大模型和视频生成模型最大的短板。
一、从"下一个词"到"下一个世界状态"：范式迁移正在发生
过去几年，AI行业经历了三轮明显的技术跃迁。第一轮是大语言模型的爆发，核心逻辑是预测下一个token。代表性语言模型通过海量文本训练，学会了语言的结构、知识的关联和推理的链条，从而能够写作、编程、翻译、问答。第二轮是多模态大模型的崛起，模型开始同时理解图像、音频和视频，视觉语言模型（VLM）让AI能够"看图说话"。第三轮是视频生成模型的爆发，一批视频生成工具学会了预测"下一帧画面"，让AI从理解内容走向生成内容。
但这三轮跃迁本质上仍停留在"虚拟世界"。语言模型不懂物理，多模态模型不理解因果，视频生成模型虽然能产出逼真的画面，却并不一定知道画面中的物体为什么会那样运动。换句话说，AI能生成一只会飞的猪，却不知道这在现实世界中不可能发生。
世界模型试图改变这一点。它的核心目标不是生成某个单一模态的输出，而是构建一个统一的"世界潜在表征空间"：当输入视频、图片、文字指令或事件描述后，模型将视觉、语言、任务意图等多模态信号整合在一起，自主学习物体运动规律、场景演变逻辑、动作因果关联和事件时序关系。基于这个表征，AI既能推演当前场景如何走向未来，也能模拟在不同条件下世界会如何演化。
这种范式的变化是底层的。大语言模型回答"杯子为什么会碎"，依赖的是文本语料中的统计关联；世界模型则尝试在内部建立一个对物理世界的模拟，从而真正理解"重力、材质、冲击力"之间的因果关系。前者是"记住答案"，后者是"理解问题"。
二、世界模型为什么难：物理一致性、因果推理与长程一致性
世界模型之所以被认为是通往通用人工智能（AGI）的关键路径之一，正是因为它要解决的是当前AI最棘手的三个问题：物理一致性、因果可溯性和长程一致性。
物理一致性，指的是模型生成的结果必须遵守真实世界的物理规律。当前的视频生成模型虽然画面精美，但常常出现物体穿模、重力失效、碰撞不合理等问题。这些问题在娱乐内容中无伤大雅，但在机器人操作、自动驾驶、工业仿真等场景中却是致命的。世界模型需要在训练阶段就让AI"看够"真实世界的物理过程，从物体掉落、液体流动到形变断裂，建立起对物理规律的直觉。
因果可溯性，指的是模型不仅要预测"会发生什么"，还要理解"为什么会发生"。如果机器人拿起一个杯子，它要知道杯子的材质、重量、重心分布，以及不同握法会导致什么结果。当前的大模型可以描述这些知识，但无法在动作执行层面进行因果推理。世界模型通过"有意识学习"和"无意识学习"两条路径互补训练：前者通过标注数据学习明确的状态转换逻辑，后者通过海量无标注真实视频学习世界运行的常识。
长程一致性，指的是模型在较长时间跨度内保持逻辑连贯。当前的视频生成模型在几十秒后往往会出现人物变形、场景漂移、物体"失忆"等问题。世界模型需要像人类一样，记住一个场景的状态，并在后续推演中持续更新这个状态。这对模型的记忆机制、时序建模能力和计算效率都提出了更高要求。
为了攻克这些难题，研究人员正在探索多种技术路线。有的团队强调数据规模，使用数十万小时的真实视频和数亿条事件标注进行预训练；有的团队强调模型架构，试图构建统一的多模态表征空间；还有的团队关注仿真到现实的迁移（Sim-to-Real），让模型先在虚拟环境中学习，再部署到真实机器人上。这些路线各有优劣，但共同指向一个目标：让AI从"数字世界的鹦鹉"变成"物理世界的学徒"。
三、从虚拟生成到物理交互：行业竞逐的新战场
世界模型的崛起，正在重塑AI产业的竞争格局。过去两年，行业热点集中在模型参数、上下文长度、视频生成时长等指标上；现在，越来越多的注意力开始转向"AI能否进入物理世界"。
这一转向的驱动力来自应用场景的真实需求。在制造业，机器人需要理解流水线上零件的位置、姿态和装配关系，而不是仅仅按照预设程序重复动作；在物流仓储，自动搬运设备需要预判行人、叉车和其他障碍物的动态意图；在医疗康复，外骨骼和假肢需要根据使用者的肌肉信号和环境反馈做出实时调整；在家庭服务，养老陪护机器人需要理解老人的手势、表情和日常习惯，而不是等待明确的语音指令。
这些场景的共同特点，是AI不能只是"会说话"，还要"会看懂、会预判、会行动"。世界模型提供的，正是连接感知、推理与行动的统一框架。它让机器人不再是执行固定动作的工具，而是能够根据环境变化进行自主决策的"具身智能体"。
这也解释了为什么世界模型被视为继大语言模型、视频生成模型之后的下一个"万亿级赛道"。据多家研究机构预测，到2030年，搭载世界模型的机器人市场规模可能达到数万亿元，而到2035年，世界模型所赋能的产业规模可能突破十万亿美元。虽然这些预测存在不确定性，但其背后的逻辑是清晰的：物理世界的数字化和智能化，远比虚拟内容的生成拥有更广阔的应用空间。
四、人形交互的缺口：从"懂世界"到"会表演"
在世界模型的讨论中，有一个细分方向尚未得到足够关注，那就是"人形交互"的智能化。即使AI能够准确预测物理世界的变化，能够指挥机器人完成搬运、巡检、装配等任务，但在面对人类时，它仍然面临一个更微妙的问题：如何让交互本身显得自然、可信、有"人味"。
人类的社交互动高度依赖多通道信号的同步。我们说话时，面部表情、口型、眼神、姿态和语气是同时变化的。一个微笑如果没有配合眼角的细微动作，就会显得虚假；一段安慰的话语如果用错了语调，反而会造成误解。当前的大多数AI助手只能输出文本或语音，少数视频生成工具可以生成人物画面，但声音、口型和表情往往是分别生成后再拼接，难以做到真正的"声形合一"。
这正是"表演级生成"成为关键瓶颈的原因。所谓表演级生成，不是让AI生成一段看起来还行的视频，而是让AI同时生成声音、口型和表情，并且三者在语义、节奏和情感上完全同步。这背后涉及的不仅是多模态生成技术，还包括对人类微表情、语音韵律、社交语境的深层建模。
近期，行业内已经有少数团队沿着这个方向进行探索。一些国产数字人表演工具试图用一张图片和一段指令，直接生成具备同步声音、口型和表情的人物表演视频。这种"音画同出"的思路，与世界模型"从单一输出到全局状态推演"的范式有内在一致性：它不再把声音、画面、动作当作独立的生成任务，而是把它们视为同一个人类状态的多个模态表达。
五、趋势展望：世界模型不是终点，而是新起点
世界模型的发展，标志着AI正在从"内容工具"向"世界理解者"演进。但这一步并不意味着技术路径的终结，反而揭示了更多尚未解决的问题。
首先是数据问题。语言模型可以依靠互联网上的文本数据，视频生成模型可以依靠海量的视频素材，但世界模型需要的数据更加复杂：它既要包含物理过程的观察，也要包含因果关系的标注，还要覆盖足够多的场景和物体。如何高效地获取、标注和利用这类数据，将是未来几年的关键挑战。
其次是计算效率问题。世界模型需要在实时环境中进行状态推演，这对端侧计算能力提出了极高要求。当前的大模型往往运行在云端，而机器人、自动驾驶、可穿戴设备等场景需要低延迟、低功耗的本地推理。世界模型能否像语言模型一样被压缩、蒸馏、部署到边缘设备，将决定其实际落地的范围。
最后是安全与可控问题。一个能够预测世界状态的AI，也意味着它可能影响世界状态。在工业、医疗、交通等高风险场景中，世界模型的错误推演可能导致严重后果。因此，可解释性、可干预性和安全对齐机制，必须与世界模型的能力提升同步发展。
可以预见，未来三到五年，世界模型将从实验室走向更多真实场景。它可能首先出现在工业机器人、自动驾驶仿真和科学研究中，然后逐步渗透到家庭服务、医疗康复和教育陪伴等领域。而在这个过程中，"人形交互"的智能化将成为一个不可忽视的支线：当AI能够理解世界、预测世界，它还需要一张会表达的脸、一双会说话的眼睛，以及一种让人愿意信任的声音。
这或许是AI从"物理觉醒"走向"社会融入"的真正标志。技术可以学会理解世界，但只有理解人类，才能真正走进人类的生活。
