World Model（世界模型）

世界模型的发展可分为三个阶段。

• 理论奠基（1990-2015）：Jürgen Schmidhuber 于 1990 年首次将「世界模型」引入机器学习，提出 Agent 可以学习环境动态的内部表示。后续工作包括 David Ha 和 Yoshua Bengio 2018 年的「World Models」论文，使用 VAE + RNN + 控制器的架构在 Atari 游戏中展示世界模型的有效性。
• 规模化（2023-2025）：Meta 发布 V-JEPA（Joint Embedding Predictive Architecture），通过自监督学习构建视觉世界模型；Google DeepMind 发布 Genie，从视频数据学习环境动态。
• 工业化（2026）：NVIDIA Cosmos 3 成为首个全模态世界模型，统一语言、视觉和动作；Waymo World Model 用于自动驾驶仿真；V-JEPA 2 达到视频理解和物理推理 SOTA。世界模型从学术概念成为 Physical AI 基础设施。

世界模型的架构通常包含三个核心组件：(1) 编码器（Encoder）——将环境观测（图像、传感器数据等）压缩为紧凑的内部表示；(2) 动态模型（Dynamics Model）——预测在给定当前状态和动作下，下一个状态的内部表示会如何变化；(3) 解码器（Decoder）——将内部表示解码为可观测的输出（预测图像、奖励等）。

2026 年的世界模型架构呈现多元化趋势。NVIDIA Cosmos 3 采用统一的 Transformer 架构，接受文本、图像、视频、音频、动作序列输入并输出相同模态——首次将语言模型、视频生成器和机器人策略整合到一个模型中。V-JEPA 2（Meta）采用 Joint Embedding Predictive Architecture，在潜空间（而非像素空间）中进行预测，避免像素级生成的计算开销。Waymo World Model 基于 Google DeepMind 的 Genie 3，专注于自动驾驶场景的环境动态预测。

世界模型在 2026 年的应用场景覆盖多个关键领域。

自动驾驶：Waymo 于 2026 年 2 月采用 Genie 3 构建专用世界模型，用于自动驾驶仿真——在虚拟环境中生成数百万种驾驶场景（包括罕见的危险情况），训练自动驾驶策略而无需真实路测。

机器人训练：NVIDIA Cosmos 3 作为世界模型，为机器人提供合成训练数据——机器人在想象空间中练习抓取、搬运等任务，然后迁移到真实机器人，训练周期从数月缩短到数天。110+ 机器人厂商接入 NVIDIA 生态。

视频理解：Meta V-JEPA 2 通过世界模型进行视频理解和物理推理，达到 SOTA——模型不仅理解视频中发生了什么，还能预测接下来会发生什么。

游戏 AI：世界模型在游戏 AI 中的应用持续扩展，Agent 在想象空间中规划策略，大幅减少真实试错次数。