“世界模型”：一个古老的人工智能理念正在卷土重来

从1943年穿越而来！“世界模型”成AI新宠，LeCun、Hinton为何集体追捧？

2024年，人工智能领域突然掀起一股“复古潮”——一个源自1943年的概念，正被Meta的杨立昆（Yann LeCun）、Google DeepMind的德米斯·哈萨比斯（Demis Hassabis）、“深度学习三巨头”之一的杰弗里·辛顿（Geoffrey Hinton）等顶尖学者集体追捧。它就是“世界模型”，一个被形容为AI“内置计算雪花玻璃球”的理念。

如今，当ChatGPT还在为“幻觉回答”饱受争议，当自动驾驶因突发场景频繁失灵，研究者们突然发现：70多年前那位苏格兰心理学家的猜想，或许才是破解通用人工智能（AGI）的关键。这个古老概念为何能在当下卷土重来？它真能让AI拥有“理解世界”的能力吗？我们不妨从它的起源、争议与当下实践，拆解这场AI领域的“时空对话”。

一、70年前的超前猜想：从人类大脑到AI的“世界模型”

要讲清“世界模型”，必须先认识一个名字——肯尼思·克雷克（Kenneth Craik）。1943年，这位29岁的苏格兰心理学家出版了一本薄薄的专著《解释的本质》，书中的一个猜想，直接影响了后来70年的认知科学与AI发展。

克雷克在书中写道：“如果一个有机体的大脑中，携带着外部现实的‘小规模模型’，它就能在大脑里尝试各种备选方案，避开危险、选择最优解，最终更安全、更高效地应对现实。”简单来说，他认为人类的决策能力，本质上是大脑在“内部模拟世界”的结果——你不需要真的冲到火车前，就知道这会致命，因为大脑里的“世界模型”已经提前模拟了后果。

更具前瞻性的是，克雷克还把“认知”和“计算”绑在了一起。他提出：“模拟外部事件的能力，是神经机制与计算机器的共同基本特征。”在“人工智能”一词尚未诞生（1956年才被正式提出）的年代，他已经预见了：未来的机器若想拥有智能，或许也需要一套类似大脑的“世界模型”。

这个猜想在当时过于超前，直到1950年代“认知革命”爆发，心理学界才真正意识到其价值——它解释了人类为何能“未卜先知”，为何能在行动前规划策略。而当AI领域在1956年正式诞生后，研究者们几乎立刻就把克雷克的想法搬了过来：既然人类靠“世界模型”思考，那AI也该如此。

1968年，麻省理工学院（MIT）开发的AI系统SHRDLU，成了第一个“世界模型实践者”。它的“世界”很简单：一个由积木、桌子组成的虚拟空间。研究者为它手工编写了一套规则，比如“积木可以堆叠”“金字塔能放在方块上”，这套规则就是SHRDLU的“世界模型”。当人类问它“把红色方块放在蓝色金字塔上需要几步”时，它能在“模型里”模拟操作，再给出答案。

那时的研究者们乐观地认为，只要把“积木世界”的模型扩大到现实世界，AI就能拥有人类级别的智能。但现实很快给了他们一记重击：手工编写的模型根本无法应对复杂环境——比如预测天气需要考虑温度、湿度、气压等上百个变量，预测交通需要分析车流、信号灯、行人行为，这些变量相互关联、动态变化，靠人工编写规则根本不可能实现。

到了1980年代末，AI和机器人学先驱罗德尼·布鲁克斯（Rodney Brooks）彻底泼了冷水。他提出了一个著名论断：“世界本身就是最好的模型”“显式的模型表示只会碍事”。意思是，与其让AI在内部模拟世界，不如让它直接和现实互动——比如机器人不需要在脑子里模拟“如何走路”，而是通过传感器感知地面，一步步试错调整姿势。

这个观点直接主导了此后20年的AI发展方向，“世界模型”的概念逐渐被边缘化。直到2010年后，深度学习的爆发，才让这个沉睡了70年的古老理念，迎来了重生的机会。

二、深度学习“唤醒”世界模型：从“试错”到“预判”的质变

2013年，DeepMind发布了一款名为《神经赛车》（Neural Racing）的AI游戏。在游戏里，AI需要驾驶赛车在复杂赛道上行驶，避开障碍物、保持速度。让人惊讶的是，经过几万次训练后，AI不仅能熟练驾驶，还能在遇到弯道前提前减速——它似乎“知道”前方有弯道，而不是等到撞上障碍物才调整。

研究者们发现，这背后正是“世界模型”在起作用：深度学习网络没有依赖手工编写的规则，而是通过反复试错，在自己的神经元网络里“偷偷建了一个赛道模型”。它能根据当前的车速、位置，预测“下一秒会遇到什么”，再根据预测调整操作。

这和之前的AI完全不同。过去的机器人走路，是“走一步看一步”，靠传感器实时修正；而有了“世界模型”的AI，能“看一步走三步”，提前规划策略。这种从“被动反应”到“主动预判”的转变，让研究者们再次想起了克雷克的猜想——或许深度学习，就是构建“世界模型”的正确方式。

真正让“世界模型”重回聚光灯下的，是大型语言模型（LLMs）的“涌现能力”。2022年ChatGPT发布后，人们发现它能做很多“没被专门训练过”的事：比如从一串表情符号里猜出电影名（+=《泰坦尼克号》）、用奥赛罗棋的规则下棋、甚至根据历史数据预测股票走势。

这些能力从何而来？辛顿、OpenAI的伊利亚·苏茨克维尔（Ilya Sutskever）等专家给出了同一个解释：在LLMs数万亿个参数的深处，一定隐藏着一个“简化的世界模型”。比如，当ChatGPT能回答“北京到上海的高铁需要多久”时，它不是在背诵数据，而是在“模型里”模拟了“中国高铁网络”“两地距离”“行驶速度”等要素，再计算出结果。

克里斯·奥拉（Chris Olah）是OpenAI的AI可解释性专家，他的团队曾试图“打开”GPT-4的“黑箱”，寻找世界模型的痕迹。他们让GPT-4解决一个简单的物理问题：“一个球从10米高的地方落下，多久能落地？”通过分析神经元的激活情况，他们发现：GPT-4在计算时，确实有一部分神经元在模拟“重力”“自由落体公式”等物理概念——这正是“世界模型”的碎片。

这一发现让整个AI领域沸腾了：如果深度学习能自动学习“世界模型”，那之前手工编写模型的困境就迎刃而解了。Meta的LeCun甚至直言：“没有世界模型的AI，永远只能是‘工具’，而不是‘智能体’。要实现AGI，世界模型是绕不开的核心。”

一时间，几乎所有顶尖AI实验室都把“世界模型”列为核心研究方向：Google DeepMind在强化学习中加入“世界模型”模块，让AI能更快学会复杂任务；OpenAI在GPT-4的训练中加入视频、3D数据，试图让模型“看到”更立体的世界；Meta则直接推出“世界模型”专项研究计划，LeCun亲自带队。

但兴奋劲儿还没过去，研究者们就发现了一个残酷的现实：当下AI的“世界模型”，其实是“残缺的碎片”。

三、残酷的现实：AI的“世界模型”只是“盲人摸象”

2023年，哈佛大学和麻省理工学院（MIT）的研究者做了一个有趣的实验：他们让GPT-4生成“曼哈顿任意两点之间的步行路线”。结果让人惊喜——GPT-4给出的路线准确率高达95%，甚至能避开施工路段。

但接下来的测试，却暴露了致命问题：当研究者随机“封锁”1%的街道（比如告诉GPT-4“第五大道从42街到43街封闭”），GPT-4的路线规划能力瞬间崩溃——它要么反复推荐被封锁的路段，要么给出绕远10倍的错误路线。

为什么会这样？研究者们通过分析发现：GPT-4根本没有学习到“曼哈顿街道网络”的完整模型，它只是记住了“无数个点对点的经验法则”。比如“从时代广场到中央车站走第七大道最快”“从华尔街到布鲁克林大桥走百老汇大街”——这些法则就像一个个独立的“小口袋”，互不关联。

当没有障碍时，这些“小口袋”能应付大多数情况；但一旦出现新情况（比如某条街封闭），“小口袋”之间无法联动调整，自然就会出错。这就像“盲人摸象”的寓言：摸到象鼻的人说大象像蛇，摸到象腿的人说大象像树，摸到象尾的人说大象像绳子——他们都只掌握了碎片，却误以为自己了解整体。

AI的“世界模型”，目前就处于“盲人摸象”的阶段。OpenAI的研究者曾试图让GPT-4模拟“奥赛罗棋”的完整规则——这是一种简单的黑白棋，规则只有“翻转对方棋子”“只能在空位落子”等几条。但测试发现：GPT-4能正确回答“某一步能不能落子”，却无法计算“当前棋盘上双方各有多少棋子”——它记住了“落子规则”这个“象鼻”，却没理解“棋盘全局”这个“大象”。

更尴尬的是，这些“碎片”之间还可能相互矛盾。比如，当问GPT-4“猫会不会飞”，它会说“猫不会飞，因为没有翅膀”；但如果问“童话里的猫会不会飞”，它又会说“童话里的猫可能会飞，比如《爱丽丝梦游仙境》里的柴郡猫”。这两个答案单独看都对，但放在一起，就暴露了AI没有“统一的世界模型”——它只是根据“现实场景”和“童话场景”，分别调用了两个不同的“经验口袋”，却无法整合出“猫在不同场景下的属性”。

这种“碎片化”的问题，在AI的实际应用中带来了巨大隐患。比如，医疗AI能根据CT影像判断“是否有肺癌”，却无法解释“为什么这个影像特征对应肺癌”——它只是记住了“影像特征和疾病的关联”，却没有学习到“肺部生理结构”“癌细胞扩散规律”等底层逻辑。一旦遇到罕见病例，AI很可能给出错误诊断。

再比如自动驾驶，目前的自动驾驶系统能应对“正常路况”，却无法处理“突发场景”——比如前方车辆突然变道、行人横穿马路。因为它的“世界模型”是由无数“正常场景的经验法则”组成的，当遇到没见过的场景时，这些法则无法联动，只能“死机”或“误判”。

这就是为什么LeCun、辛顿等学者如此执着于“完整的世界模型”：碎片式的经验法则，只能让AI“应付”特定场景；而只有拥有“连贯的世界模型”，AI才能真正“理解”世界，应对各种突发情况——就像人类能绕过被封锁的街道，能在遇到新问题时举一反三。

四、AI界的“路线之争”：如何造出真正的“世界模型”？

既然“完整的世界模型”如此重要，那该如何构建？目前，AI领域分成了两大阵营，各有各的思路，谁也说服不了谁。

第一阵营是“数据驱动派”，代表是Google DeepMind和OpenAI。他们认为，不需要刻意设计模型结构，只要给AI足够多、足够丰富的“多模态数据”，世界模型会在神经网络里“自动长出来”。

什么是“多模态数据”？就是除了文本，还包括视频、3D模型、传感器数据、甚至人类的动作数据。比如，让AI看10万小时的城市交通视频，它就能学会“车辆、行人、信号灯的互动规律”；让AI玩1000种不同的物理游戏，它就能理解“重力、摩擦力、碰撞”等基本物理规则。

Google DeepMind的“RT-2”模型，就是这种思路的代表。它在训练时，不仅学习了文本和图片，还加入了机器人的“动作数据”——比如“拿起杯子”“打开抽屉”的视频。结果，RT-2能根据文字指令“把红色积木放在蓝色盒子上”，甚至能应对“盒子被推开”的突发情况——因为它从数据里学到了“物体位置变化”的规律，相当于有了一个简单的“物理世界模型”。

OpenAI的思路更激进，他们在GPT-4的后续版本中，加入了“实时视频输入”功能。比如，让AI通过摄像头“看到”厨房场景，它能识别出“冰箱里有牛奶”“灶台上有锅”，甚至能给出“热牛奶的步骤”——这背后，就是AI在根据视频数据，实时构建“厨房环境的临时模型”。

“数据驱动派”的逻辑很简单：人类的世界模型，也是通过“看、听、摸”等多感官体验慢慢建立的，AI也应该走同样的路。只要数据足够多，AI就能像人类婴儿一样，从混乱的信息中总结出规律，形成完整的世界模型。

但第二阵营的“结构驱动派”，却认为这种思路根本行不通。他们的代表，就是Meta的杨立昆（LeCun）——这位“深度学习三巨头”之一，公开批评“数据驱动”是“懒惰的做法”。

LeCun认为，靠数据堆砌永远无法得到“稳健的世界模型”。因为现实世界的场景是无限的，再大的数据集也无法覆盖所有情况——就像GPT-4无法应对“1%街道封闭”的情况一样，靠数据训练的AI，永远会在“没见过的场景”里出错。

他提出，必须为AI设计一套“先天的架构脚手架”，就像人类婴儿天生就有“理解因果关系”“识别物体恒存性”（知道物体不会凭空消失）的能力一样。AI需要先有这些“基础认知框架”，再通过数据学习具体的世界规则。

比如，LeCun团队正在研发的“预测性世界模型”，就加入了“时间、空间、因果”三个先天模块。其中，“时间模块”让AI知道“事件有先后顺序”，“空间模块”让AI理解“物体有位置和距离”，“因果模块”让AI能判断“A事件是否导致B事件”。有了这些框架，AI再学习具体数据时，就能把信息整合到正确的“认知框架”里，而不是零散的“经验口袋”。

LeCun甚至放话：“生成式AI（比如GPT系列）是死路一条，因为它们只会‘模仿’，不会‘理解’。真正的世界模型，必须是‘预测性’的，能判断‘如果我做A，会发生B’，而不是只会‘生成看起来像A的内容’。”

这两种思路的争论，目前还没有结果。但不管是“数据驱动”还是“结构驱动”，研究者们都有一个共识：构建世界模型，必须解决三个核心难题。

第一个难题是“如何验证模型的正确性”。人类的世界模型可以通过现实体验验证——比如你认为“火会烫手”，伸手试一下就知道；但AI的世界模型藏在神经网络里，研究者怎么知道它的“模型”是对的？比如，AI说“猫不会飞”，是真的理解“猫没有翅膀”，还是只是记住了这句话？目前还没有可靠的方法能“打开”AI的模型，验证其逻辑是否正确。

第二个难题是“如何平衡模型的‘简化’与‘精准’”。世界模型的核心是“简化现实”——如果把现实世界的所有细节都纳入模型，AI根本无法计算；但如果简化得太厉害，又会失去准确性。比如，预测天气时，忽略“云量”会导致预测错误，而考虑“每一朵云的位置”又会让计算量爆炸。如何找到“最优简化程度”，目前还是一个未解之谜。

第三个难题是“如何让模型适应变化”。现实世界是动态变化的——比如城市街道会新建、交通规则会调整、气候会变化。AI的世界模型如果不能实时更新，很快就会过时。但目前的AI模型，一旦训练完成，就很难再快速调整——比如GPT-4的知识截止到2023年，它无法知道2024年新建的街道。如何让世界模型“持续学习”，跟上世界的变化，也是一个巨大的挑战。

五、世界模型的未来：不止是AGI，更是“可靠的AI”

或许有人会问：花这么大的力气研究世界模型，真的值得吗？毕竟，现在的AI已经能写代码、做设计、辅助科研，碎片式的“经验法则”似乎也能满足很多需求。

但研究者们的答案是：为了AI的“可靠性”。

现在的AI，就像一个“考试高手”——它能在熟悉的场景里拿到高分，但一旦遇到新题型，就会手足无措，甚至交白卷。而世界模型，就是让AI从“考试高手”变成“解决问题的专家”。

比如，在医疗领域，有了“人体生理世界模型”的AI，不仅能根据CT影像判断疾病，还能解释“为什么这个症状对应这种疾病”，甚至能预测“如果用这种治疗方案，患者可能会出现什么副作用”——这会让医生和患者更信任AI的建议。

在自动驾驶领域，有了“交通世界模型”的AI，能在遇到“前方车辆突然变道”时，瞬间判断“对方的意图”“自己的刹车距离”“旁边车道是否有车”，然后做出最优决策——而不是像现在这样，要么急刹车，要么不知所措。

在科学研究领域，世界模型可能会成为