世界模型被吹了两年，真正难的不是生成视频

过去两年，每隔一段时间就会有一个世界模型 demo 刷屏：镜头推进、物体遮挡、光影变化，看起来几乎以假乱真。评论区最常见的两句话是“AGI 快来了”和“游戏行业要完了”。

我一开始也觉得很震撼，直到我试着问了一个很扫兴的问题：如果我在这个画面里往前走一步，会发生什么？

视频模型在猜下一帧，世界模型要记住状态

视频生成模型做的事情，本质上是根据前面的帧，猜下一帧长什么样。它很擅长让画面看起来连贯，但它不需要真正理解画面里有什么。

世界模型的要求不一样。它得知道：桌子上的杯子还在，只是被挡住了；门推开之后，门后的空间应该是什么样；我把球扔出去，它会沿着什么轨迹落下。

这些要求听起来像常识，做起来却很难。因为视频模型可以每一帧重新生成，而世界模型必须维护一个持续变化的状态。前者骗过眼睛就行，后者要经得起交互。

一交互，问题就藏不住了

演示视频通常只展示一条精心挑选的轨迹。镜头往前推，画面很美；镜头绕着物体转一圈，也没有穿帮。

但用户不会这么乖。用户会突然转身，会把杯子拿起来，会打开一扇本来关着的门，会问“如果我把它推到桌子边缘会怎样”。

这时候，模型需要根据动作更新整个世界，而不是重新生成一段看起来合理的视频。很多 demo 在这里就露馅了：物体消失、物理规律不对、换个视角房间布局全变了。

这不是模型不够大，而是任务定义不同。视频生成的目标是“像”，世界模型的目标是“对”。

数据瓶颈不是“视频不够多”

互联网上的视频很多，但大部分是被动观察：人拿着相机拍，镜头怎么动、物体怎么被操作，模型并不知道。

要学习“动作导致什么结果”，需要的是动作和结果配对的数据。这类数据主要来自机器人、游戏引擎和仿真环境，采集成本高，覆盖的场景也窄。

合成数据可以补一部分，但仿真器本身就有偏差。你在仿真里训练出来的世界，到了真实世界可能完全不成立。更麻烦的是，合成数据的错误很难被发现，因为生成器和评测者可能共享同一个偏差。

所以缺的不是像素，是“我做了什么、世界怎么变”的配对经验。

评测没有共识

现在很多世界模型论文的评测，考的还是画面质量：清晰度、连贯性、像不像真实视频。

这些指标有用，但它们回答不了最关键的问题：这个世界能不能被操作？状态能不能保持？因果关系对不对？

要评这些，需要交互式 benchmark：给模型一个初始状态，让测试者执行一系列动作，然后检查世界是否按照合理的规律演化。这种评测成本高、难以复现，也不像 FVD 那样能画出一条漂亮的曲线。

结果就是，大家继续比 demo，继续挑最好看的三十秒。观众看到的和模型真实的能力之间，隔着一层剪辑。

先落地的场景，可能很无聊

我不觉得世界模型会先以“通用虚拟世界”的形态落地。更现实的路径是工具：

游戏和影视的前期预览，导演可以在一个粗略的世界里试镜头；自动驾驶和机器人用仿真环境做长尾场景；相机和传感器厂商用生成数据补极端工况；创作者用可控的 3D 场景做短视频。

这些场景的共同点是，有人类在中间做判断，模型不需要对整个世界负责。它只要在某个环节足够好用，就能卖出去。

先卖铲子，再谈世界。这个顺序大概率不会变。

我的判断

世界模型会继续进步，视频生成也会越来越真。但“世界”这个词正在被用得太宽。一个能生成逼真视频的模型，不一定理解物体、动作和因果；一个能在固定视角下保持连贯的模型，换个视角可能就散了。

下次再看到刷屏的 demo，我会先问三个问题：能交互吗？状态能保持多久？换个视角还成立吗？

如果这三个问题都答不上来，那它可能只是一个更好的视频生成器，还不是世界模型。