人工智能领域中，“世界模型”这一概念正引发广泛讨论与争议。不同研究方向的科研人员纷纷宣称在开发世界模型，然而其具体内涵却存在显著差异。斯坦福大学教授李飞飞及其团队针对这一现象，发表了新文章《世界模型的功能分类》，试图为该概念建立清晰的分类体系。
世界模型的技术定义源于强化学习中的部分可观测马尔可夫决策过程（POMDP）框架。在这一框架中，智能体、动作、环境状态和观测信息构成了一个交互闭环。智能体执行动作改变环境状态，但无法直接获取完整的环境信息，只能通过观测获取部分数据，新的观测结果又指导智能体生成新动作，如此循环往复。当前各类被称作世界模型的产品，本质上都是这一闭环的不同实现方式，各自输出闭环中的部分信息。
李飞飞将世界模型划分为三大功能类别。第一类是渲染器，它以像素画面的形式输出可供人类观看的观测信息，核心评判标准是视觉还原度。例如，能够依据文本提示生成电影级航拍画面的视频模型，以及根据用户输入实时生成画面的交互式系统都属于此类。不过，这类模型并不具备对三维结构的显性认知，生成的画面可能仅在特定视角下合理，在其他视角下会出现结构崩坏的情况。
第二类是仿真器，其输出的是在几何、物理和动力学层面贴合客观规律的环境表征。与渲染器不同，仿真器不仅要满足视觉效果，更要保证结构真实性，几何结构需经得起校验，物理规则要符合牛顿定律，物体动力学表现要贴合现实规律。仿真器服务于两类使用者，一方面，建筑师、设计师、影视与游戏开发者等从业者需要精准的环境进行创作；另一方面，强化学习智能体、机器人控制器、自动驾驶等程序将仿真环境当作规模化训练场地，用于测试现实中危险、成本高昂或无法落地的场景。
第三类是规划器，它输出动作指令，依托观测信息与预设目标，给出智能体下一步的行动方案。从逻辑上看，规划器与渲染器互为逆过程。视觉 - 语言 - 动作（VLA）模型、基于模型的控制系统以及新近兴起的世界动作模型（World Action Models）都属于规划器方向，这类系统能够为非结构化环境中的机器人制定行动策略。
尽管三类模型在实际应用中划分明确，但它们底层并非割裂。几何、物理和动力学这套描述客观世界运行逻辑的基础知识，是三者共用的底层原理。理论上，能够从任意视角渲染杯子的模型，也可以仿真杯子被推倒后的状态、规划机械手抓取杯子的动作。当前前沿研究正不断打破三类模型的边界。
在三类模型中，仿真器受到的大众关注度最低，却具备最深远的产业价值。渲染器是商业化落地最成熟的品类，多款文生图、文生视频产品已快速渗透消费级与企业级市场。然而，渲染器以视觉逼真度为优化目标，不追求物理精准性，这成为其能力上限，无法用于建筑设计、机器人训练等需要严谨物理逻辑的场景。规划器发展前景备受期待，但技术尚处在起步阶段，与高速发展的机器人学习领域深度绑定。目前，大多数机器人演示仍局限在条件严苛的实验室环境中，距离在真实场景中稳定运行还有很大差距。不过，资本对规划赛道投入巨大，全行业都在争先攻克相关技术。
仿真技术是衔接渲染与规划的桥梁。掌握仿真能力的模型，既可以把对世界的理解转化为可供人类观看的像素画面，也能为实体智能体预判动作结果。仿真的商业化市场空间十分庞大，英伟达的Omniverse面向工厂、仓储、供应链、数字孪生的潜在市场规模就被公司预估超万亿美元。机器人训练、自动驾驶测试、建筑可视化、工程研发、药物研发等领域，全都离不开仿真技术。但AI领域诸多棘手的待解难题也集中在仿真赛道，如三维数据稀缺、仿真与现实的域差问题、生成式仿真的几何隐患以及多物理场仿真的高算力成本等。
当前，三类模型正在相互融合，实现环境渲染、物理仿真、动作规划所依托的底层世界知识高度同源。例如，多家机器人实验室的研究证实，从理论层面，预训练视频渲染模型可作为环境与动作联合预测的底层基座，用单一模型预判环境变化与对应动作，打通渲染器和规划器的技术壁垒。一些产品已实现单模型同时输出多种数据，打破不同类别模型的界限，全品类产品都在从被动生成输出转向交互式系统。
技术演进的终极形态可能是大一统世界基础模型，单一基座模型既能生成照片级渲染画面、输出符合物理规律的环境结构，又能生成动作序列，可根据下游需求灵活切换输出形式。不过，落地之路仍面临挑战，各类模型数据储备不均衡，优先优化视觉效果可能会损耗机器人、高精度仿真所需的物理精度。在同一套模型架构中平衡各项需求，成为当前世界模型领域最核心的攻关课题。随着三类模型边界的彻底消融，它们将重塑机器智能与客观物理世界的交互关系，推动空间智能完成产业进化，让机器真正理解、构想客观世界，并与之推演、交互。
