摘要：人工智能（AI）研究领域再一次被一个“旧瓶装新酒”的概念点燃：世界模型（World Models）。从 Meta 的 Yann LeCun，到 Google DeepMind 的 Demis Hassabis，再到 Mila 的 Yoshua Bengio，这

人工智能（AI）研究领域再一次被一个“旧瓶装新酒”的概念点燃：世界模型（World Models）。从 Meta 的 Yann LeCun，到 Google DeepMind 的 Demis Hassabis，再到 Mila 的 Yoshua Bengio，这些深度学习领域的领军人物，几乎不约而同地指向了同一个方向——如果我们想让 AI 变得更智能、更科学、更安全，就必须让它们学会在“脑中”构建一幅关于世界的简化蓝图。

这个概念看似抽象，但其实可以用一个简单的比喻来理解：一个计算雪花球（computational snow globe）。人类能够在脑中模拟外部世界，推演行为的结果，然后决定下一步行动。比如，看到列车驶来时，我们不会真的走到轨道上去做实验，而是依靠脑中的世界模型预判危险并采取回避措施。科学家们现在希望，AI 也能拥有类似的能力。

当前的大语言模型（LLM），包括大家熟悉的 ChatGPT，展现出了许多“涌现能力”。然而，研究者发现，这些行为并不意味着 LLM 真正学会了“世界模型”，它们更像是一堆堆“启发式规则”（bags of heuristics）：大量零散的、甚至相互矛盾的小技巧，被堆叠进了庞大的参数网络之中。

如果说真正的世界模型是一头“大象”，那么现在的 AI，更像是盲人摸象——摸到鼻子的人说它像蛇，摸到腿的人说它像树，摸到尾巴的人说它像绳子。

世界模型的想法并非 21 世纪的发明，它的历史可以追溯到 1943 年。那一年，年仅 29 岁的苏格兰心理学家 Kenneth Craik 在其著名的著作中提出了一个大胆的猜想：“如果有机体能够在脑中携带一幅外部现实的‘小尺度模型’，那么它就可以尝试各种行为，找出最优方案，从而更安全、更高效地应对环境。”

Craik 的设想，不仅预示了 20 世纪 50 年代的“认知革命”，也第一次将“认知”与“计算”紧密结合起来。他认为，大脑和计算机器的根本特征，都是能够平行地模拟外部世界的运行。

到了 20 世纪 60 年代末，人工智能刚刚起步，世界模型的概念被迅速吸收进来。最著名的例子之一，就是 SHRDLU 系统：一个能够理解和回答桌面“积木世界”问题的 AI，例如“一个三角锥可以支撑一个方块吗？”这种系统虽然在当时令人惊叹，但问题也显而易见——它们完全依赖人工构建的模型，无法扩展到复杂的现实环境。

进入 80 年代，机器人学先锋 Rodney Brooks 则提出了截然不同的观点：世界本身就是最好的模型，显式构建复杂模型只会拖累系统效率。他提出的“行为主义机器人”理论，直接推动了后续机器人学的发展，也让世界模型的概念一度被冷落。

进入 21 世纪初，人工智能的研究路径发生了巨变。随着计算能力的飞跃提升，以及大数据的爆发，深度学习（Deep Learning） 重塑了整个 AI 领域，也为 Craik 当年的设想注入了新的生命。

传统 AI 的“世界模型”是靠人工编程构建的：人类设计好规则，AI 按照规则运行。然而这种方式的缺陷显而易见——复杂环境下的规则组合爆炸，系统根本无法扩展。深度神经网络（Deep Neural Networks, DNNs）的出现改变了一切。通过在大规模数据上的反复训练，神经网络能够自主形成某种对环境的“近似”表示，而无需显式编码。

一个经典案例是 强化学习（Reinforcement Learning, RL） 的应用。在虚拟环境中训练 AI 进行赛车、操控机械臂、甚至打电子游戏时，神经网络逐渐学会如何构建内在的近似模型来预测环境反应，这让 Craik 提出的“小尺度世界模型”第一次展现出了可行性。

然而，真正让“世界模型”概念重新回到学界和产业中心的，是大语言模型（Large Language Models, LLMs）的崛起。以 GPT 系列为代表的 LLM，在自然语言处理、编程、推理、创意生成等领域展现出令人震撼的能力。

有趣的是，这些模型在训练中并没有被“明确教授”如何完成某些任务，却表现出了某种超出预期的推理能力。例如：

这种现象被研究者称为 “涌现能力（Emergent Abilities）”，而“世界模型”成了一个非常便利的解释框架：也许，这些庞大的神经网络在内部形成了对外部世界的简化表示，就像人类大脑一样，拥有了一种“内化的现实地图”。

然而，冷静的研究却揭示出另一个事实：这些看似智能的行为，更多是“海量启发式规则”的堆叠，而不是连贯、统一的世界模型。

麻省理工学院与哈佛大学的研究团队进行了一项实验：他们训练了一个 LLM 来生成纽约曼哈顿的任意两点间路径，结果发现，这个模型在正常情况下表现极佳，几乎可以媲美真正的地图导航。但当研究人员随机封闭了 1% 的街道后，模型的性能迅速崩溃。

原因很简单：它并没有形成一幅一致的城市地图，而是储存了一个庞大而混乱的“碎片集合”，在缺乏全局一致性的情况下，哪怕是轻微的扰动都足以让它迷失方向。

这意味着，目前的 LLM 更像是“盲人摸象”：在庞大参数空间里同时存在“蛇”“树”“绳子”的碎片化信息，但缺乏整合成完整“大象”的结构。

当下，全球领先的 AI 实验室都在加紧探索如何让人工智能构建更完整、更一致的“世界模型”，以突破启发式规则的局限。整体来看，这些探索大致分为三条路径。

以 Google DeepMind 和 OpenAI 为代表的阵营，押注于 多模态（multimodal）训练。他们认为，光靠文本训练无法让 AI 获得真正的世界模型，必须整合图像、视频、3D 模拟环境、语音甚至传感器数据，赋予模型更全面的感知能力。

这一思路背后的逻辑很直观：人类的大脑并非只依赖语言去构建世界认知，我们通过视觉、听觉、触觉等多通道感知世界，最终形成统一的现实蓝图。通过类似的多模态数据融合，AI 有望“自动涌现”出更稳定、可推广的世界模型。

但这条路径面临的挑战也不容忽视——数据的规模与质量要求极高，模型训练的成本和能耗几何式增长，且尚无确定证据表明这种方法必然会得到一个连贯的世界模型。

另一位深度学习巨匠 Yann LeCun（Meta 首席科学家）则持不同意见。他认为，现有的大语言模型架构天然缺陷明显，缺乏长期记忆和推理机制，无法支撑完整的世界建模。因此，他提出了一个全新的研究方向——非生成式（non-generative）架构，试图构建一个更加贴近人脑工作机制的系统。

LeCun 强调，真正有用的世界模型应该具备以下三点特征：

这条路线虽然前景广阔，但目前仍停留在理论探索阶段，缺乏实用性验证。

第三条路径聚焦于 可解释性（interpretability）与鲁棒性（robustness）。研究者希望通过可验证的世界模型来解决当前 AI 系统中普遍存在的幻觉问题，提升推理一致性。

例如，在自动驾驶场景中，如果 AI 拥有一个稳定的物理世界模型，它不仅能预测行人的运动轨迹，还能更好地应对突发状况，从而大幅提高安全性。

同时，科学界也看到了更深层的意义：真正的世界模型或许能让人类窥见 AI 决策的“思维过程”，这对于实现可控、安全的人工智能至关重要。

一个真正成熟的世界模型，像一座完美的“计算雪花球”，内部封装着对外部世界的简化映射，能够稳定、准确地预测未来。但从零散的“蛇、树、绳子”，到完整的大象，这条道路依然漫长。

来源：老胡科学一点号