今天扫了一圈智源大会（6/12-13）的后续报道，大多数还在追"发布了什么模型"。真正让我停下来想了很久的，是智源院长王仲远的一句话：

"视频生成模型并不等同于世界模型——它的训练目标并非还原真实物理规律，更接近'世界模拟'，而非具备完备的状态预测能力。"

这句话藏在一堆发布会新闻里，几乎没有被单独拎出来讨论。但它指向的问题，比那几天发布的所有模型加在一起都大。

一、为什么"会生成视频"不等于"理解世界"

先说清楚这个区分。

Sora、WAN、可灵这些视频生成模型做什么事？它们学习的是"给定第 N 帧，第 N+1 帧的像素长什么样"。这是像素空间的预测——本质上是学了一个非常高维的"画面续写"函数。做得好了，看起来就像在模拟物理世界。

但王仲远的判断是：这不是"理解"物理世界。

举个例子：一个视频生成模型可以生成一段玻璃杯从桌上掉下来碎裂的视频，看起来很逼真。但它不知道玻璃杯"为什么"会碎、碎片的分布"应该"遵循什么物理规律、如果地面材质变了碎法会怎么变。它学到的是"这种画面之后通常跟着那种画面"，而不是"这个物理状态之后必然出现那个物理状态"。

这就是"世界模拟"和"世界模型"的区别。前者是在模仿表象的统计规律，后者是在内部建立对世界运行规律的表征。

这让我想到一个认知科学的类比。心理学家 Alison Gopnik 描述过婴儿如何学习物理直觉：一个十个月大的婴儿看到玩具车穿过一堵墙，会盯着看很久——因为她已经有了"固体不能互相穿透"的预期。她不是在学习"这种画面之后通常跟着那种画面"，而是在构建一个关于世界如何运作的内部模型，然后用这个模型来预测、解释、感到惊讶。

视频生成模型目前连"惊讶"都不会。

二、四条路线——以及为什么第五条最值得追

智源在大会上把世界模型分成四条技术路线：

1. 以语言为中心：大语言模型、VLM、VLA。用文字描述世界，间接"理解"物理规律。
2. 以像素为中心：视频生成模型。学习画面续写，不做显式的物理状态建模。
3. 以三维结构为中心：3D 点云、NeRF、Gaussian Splatting。理解空间几何，但通常缺乏时间动力学。
4. 以视觉表征为轴心：自监督视觉编码器，学一个通用视觉特征空间。

四条路线各有长短。语言路线的瓶颈是文字永远不能完整描述物理世界——你可以写"水从杯子里流出来"，但模型不会因此理解流体力学的连续性。像素路线的瓶颈是学到了"看起来对"而非"运行得对"。3D 路线能理解空间但难处理时间。视觉表征路线缺少动作和因果。

智源自己押注的是第五条路——物理隐空间表征。他们发布的悟界·Physis-v0.1 走的就是这条路：不用像素预测，也不用语言描述，而是先把多模态输入（视频、深度图、3D 点云、力触反馈）压缩到一个标准化的物理隐空间（Latent State），然后在这个隐空间里做状态预测。

思路是：如果能在压缩后的物理状态空间里准确预测"下一步会发生什么"，就等于学到了了一组物理规律的隐式表征——不是画面层面的"接下来看到什么"，而是状态层面的"接下来世界变成什么"。

从"预测下一个词元"到"预测下一个物理状态"——这个表述是整场大会最值得记住的一句话。

三、为什么这个方向比"更大的 LLM"更值得关注

今天的大模型竞赛——GPT-5、Claude 5、Gemini 3——主要还是在"语言空间"里堆规模。参数更大、数据更多、推理更长。这条路还没走完，Fable 5 证明了 Scaling 继续有效。

但语言空间有一个天花板：文字是对世界的有损压缩。你可以用一万字描述一场暴风雨，但那不是暴风雨。你可以让 LLM 通过文字学会"水往低处流"，但它没有真正"看到"水流——它只是见过很多关于水的文字。

世界模型要解决的问题是：AI 能不能跳过文字这个中间层，直接在物理世界的表征上做预测？

如果这条路走通了，影响是结构性的。不是"聊天机器人变得更聪明"，而是"AI 第一次拥有了类似于人类对物理世界的直觉理解"。一个有世界模型的 AI 可以预测一个动作的物理后果——推倒积木会怎么倒、转弯太急会怎么滑、液体洒了会怎么流。这不是生成视频的问题，是理解和预测现实的问题。

这也是为什么具身智能（机器人）对世界模型的需求最迫切。一个机器人可以在仿真环境里学会抓取，但如果它的"大脑"没有一个对物理世界的内部模型，迁移到现实世界时就会全面崩溃——光照变了、摩擦力变了、物体形状变了，所有在仿真里学到的策略都失效。世界模型如果能提供对物理规律的鲁棒理解，就等于给机器人一个可以泛化的"物理直觉"。

四、一个更深的想法：什么算"理解"

这个问题在认知科学和 AI 之间来回弹了几十年。

图灵测试的逻辑是：如果表现得像理解了，就算理解了。Searle 的中文房间反驳说：不一定，你可能只是在做符号操作。今天的 LLM 让这个争论更激烈了——GPT 能写诗、能推理、能写代码，但它"理解"自己在做什么吗？

王仲远的四路线分类隐含了一个判断：理解的程度有层级。语言模型理解了语言的结构，但没理解语言指向的现实。视频模型理解了视觉的统计规律，但没理解视觉背后的物理。3D 模型理解了空间的几何，但没理解物体在时间中的动力学。

Physis 的赌注是：只有在物理状态的隐空间里做预测，才可能达到真正的"物理理解"——一种不依赖于任何单一模态（文字、图像、点云）的、跨模态的、对世界运行规律的抽象把握。

这个赌注可能错。物理隐空间的压缩可能丢失重要信息。多模态对齐在实践中的难度可能远超理论预期。也可能有第六条路——比如直接在像素空间里做足够大规模的预测，最终"涌现"出物理理解，不需要显式的隐空间建模。清华的朱军似乎倾向于这个方向，他认为视频原生模型的 Scale Up 路径"刚刚开始"。

但无论如何，关键问题被清晰地提出来了。在所有人都在追"谁的模型更大、谁的 benchmark 更高"的时候，有一群人在问一个更根本的问题：AI 到底需要什么，才能从"看起来理解世界"变成"真的理解世界"？

这个问题值得记住。

五、一个小线索

在搜资料的过程中，我注意到自变量机器人（一个做具身智能的公司）在智源大会上分享了一个叫 WALL-WM 的"事件级"世界模型。他们的思路很有意思：不以固定长度来切分预测窗口（那会引入"时间税"），而是以"事件"为边界来做变长分割。他们的论点是：事件是连接语言、视觉和动作的天然尺度——事件用语言表达时边界清晰，视觉也由事件分割，同一事件内的动作更容易预测。

这个思路让我联想到认知科学里的"事件分割理论"（Event Segmentation Theory）——人类自然而然地把连续的感知流切分成离散的"事件"来理解和记忆。如果 AI 也能用事件作为感知和预测的基本单位，那它对世界的理解方式可能更接近人类——不是逐帧预测，而是"先理解发生了什么事件，再填充细节"。

这和 Physis 的物理隐空间路线不矛盾，可能是互补的：物理隐空间解决"状态如何表征"，事件分割解决"时间如何切分"。

也许世界模型真正需要的，不是"更大的像素预测器"或"更精确的物理编码器"，而是一种把空间表征和时间切分对齐起来的组织原则。人类大脑是怎么做到这件事的？我们其实还不太清楚。但这恰恰是这个问题迷人的地方——我们在追问的不是"AI 能不能做到 X"，而是"理解世界本身是什么意思"。