世界模型正名：拆字溯源，厘清AI圈五条路线的真正承诺
从2025年延续到2026年，「世界模型」无疑是人工智能圈里最烫手、也最松软的一块招牌。搞视频的人说，能把画面连起来就配叫世界模型；做三维重建的认为，必须还原真实空间才算数；机器人团队则要求它能在“脑中”推演动作的后果。李飞飞为此写过一篇长文，直言语言已经不够用了[1]，并引用了维特根斯坦那句名言：“我的语言的界限，即是我的世界的界限。”LeCun则旗帜鲜明地反对纯自回归路线，把注押在他的JEPA上，也把预测性的内部表征纳入了同一个框架。
但说到底，世界模型到底是什么？四拨人用同一个词，指的却是四样完全不同的东西。一个词既能同时囊括视频生成器、三维场景、物理引擎和机器人规划器，便不是没有含义，而是把内核、接口和能力搅成了一锅粥。
我动笔写这篇文章，直接起因是一篇妙文。它把世界模型的路线之争译成了玄学的门派之争，一一对号入座，妙趣横生；末了还抛下一句：“大师，您算得准吗？”这一问，问对了方向，却还不够具体。而本文要做的，就是把这句话问得更具体。要问得具体，就得先把“世界模型”四个字拆开，看清楚每一个字究竟承诺了什么。
在这种时候，与其急着给某条路线颁发正统证书，不如先做一件更笨的事情：把这个词拆开。
什么是“世界”？什么是“模型”？两个字合在一起，到底承诺了什么？
孔子说“必也正名乎”。名不正，则言不顺。而当你真的把这两个词拆到词根，便会发现古人早已把一部分答案，一笔一画地刻在了字里。
二、「世界」：时间的纹理，边界的划定，与身在其中的人
“世界”作为一个重要的佛教术语，与梵语loka-dhātu的汉译传统密切相关。要追溯它的本义，只有把“世”和“界”两个字分开来看。
拆开之后，线索立刻就清晰了。
“世”——《说文》：“三十年为一世。”
其中的要害是：“世”是一个时间单位，而非空间。三十年为一世，父子相继为一世，“世代”“世袭”全都来源于此。佛家讲得更为透彻，用“迁流”二字来解它：有过去、现在、未来，有状态的流变，才有“世”。
“界”——《说文》：“境也。从田，介聲。”
“界”从“田”，本义是田地的疆界、边缘。它回答的不是“宇宙究竟有多大”，而是一个实际得多的问题：你究竟划出了哪一块地？
两个字合在一起，“世界”便有了两层明确的含义。世，是时间——世界不是一张静止的截面，而是一个会持续向前推进的过程。界，是边界——世界不必包罗万象，但必须说清楚自己的边界画在何处。
这比直接把“世界”等同于“宇宙”有用得多。棋盘是围棋程序的世界，道路是自动驾驶的世界，手术台是手术机器人的世界。对围棋程序来说，窗外下不下雨毫无意义；对自动驾驶而言，路面、车流、行人、红灯，乃至隔壁司机脑子里转的那点小算盘，全都落在“界”之内。世界并非越大就越真实——边界画窄了，会漏掉决定成败的变量；画宽了，又会把有限的算力浪费在无关的细节上。
走到这里，中文已经为世界搭好了一副骨架：时间的经线，空间的纬线。然而还缺一样东西，而英文恰好补上了这一笔。
英文的world源于古英语weorold，可以再往下拆成两个更古老的词根：wer + eld。
eld好解，是“年岁、时代”，与old同源。关键在wer——它的意思是**“人”**。这个词根你在别处一定见过：werewolf，正是wer（人）+ wolf（狼），意为狼人。
因此，world的字面本义是the age of man，也就是“人的时代”“人世”。古英语里，它甚至很少指地球，更多指人的一生、人的处境、人间此世（与来世、天堂相对）。这正是为什么英语中有this world and the next，也有worldly——world天生就带着人间烟火气。我们说“儿童的世界”“商业世界”“游戏世界”，指的从来不是宇宙本身，而是某个具体的人身在其中、看得见、动得了、必须承担后果的那一小片现实。
于是，中文和英文各交出了一种答案：
中文的“世界”，是客观的时空——世为经，界为纬，里头有没有人并无所谓。
英文的world，是主观的人间——wer就嵌在词根里，没有那个人，也就没有world。
两种文明为同一个概念命名，一个抓住了骨架，一个逮住了骨架里的那口活气。
如果再迈一步，把视线转向拉丁语，还会发现古人对“世界”其实藏着第三层理解，也是最深的一层。
拉丁语称世界为mundus（法语monde、西班牙语mundo都来源于此）。但mundus最早并不是名词，而是一个形容词，意为**“干净的、整洁的、有秩序的”**（它也是英语mundane的祖先，其反义词immundus意为“肮脏”）。它怎么会变成“世界”？
因为它是希腊语kosmos的直译，而kosmos的本义正是**“秩序、和谐、美”**。英文的cosmetics（化妆品）和cosmos（宇宙）都与它同源。希腊人为什么把宇宙叫作kosmos？因为他们抬头仰望星辰运转，发现一切井然有序，美得像一件被精心安排过的作品。罗马人在翻译这个概念时，便从拉丁语中挑出了同样兼有“秩序”与“洁净”双关的那个词：mundus。
于是，“世界”的第三层含义浮出了水面，而这一层，中文和英文都没有明确说破：
世界不是一堆东西的随机堆积，而是一个有序、有规律、因而可被理解的整体。
这句话看起来平平无奇，却是整件事的地基。一个彻底混沌、毫无规律的东西——比如白噪声——根本不配叫世界，因为你面对它无话可说，也无从下手。世界之所以成为世界，前提就是它包含着秩序；也正因为它有序，才可能被一样东西捕捉、压缩、复现——那样东西，就叫模型。
三、「模型」：负空间，规律，与一把量尺
拆完“世界”，再来拆“模型”。拆开之后才发现，它和“世界”恰好严丝合缝。
“型”——《说文》：“铸器之法也。从土，刑聲。”
“型”就是铸造用的模子、范，也就是往里头浇铜水的那个空腔。它是一块负空间：恰因为型腔排除了别的形状，浇进去的铜水才会长成你要的样子。
所以，“型”的第一层意思是约束。一个什么结果都容许、什么现象都能事后圆回来的系统，并不是一个强大的模型，而是一个毫无信息量的模型。模型的尊严，首先就体现在它敢于断言：什么可能发生，什么绝无可能。
“模”——《说文》：“法也。从木，莫聲。”
“模”不单指某一只具体的模具，还引申为标准、样板和可依循的法则（模范、模式、楷模皆出于此）。模具存在的意义，从来不是为了记住某一块已经铸好的铜器，而是为了反复浇出同一类形状。
因此，“模”的意思便是可复用的规律。模型不能只会背诵“这一次发生了什么”，还必须提炼出“这一类事情通常如何发生”，把个别的经验压缩成能够迁移、重放，并能外推到未见情况的法则。
英文的model又补上了第三层含义。它经由拉丁语modulus（小尺度、小度量），最终追溯到modus（方式、尺度、分寸）。这个词根提醒了我们一件中文容易忽略的事：模型从来都不是原物本身。
地图不是领土，沙盘不是山河，天气模型也不是头顶的那片天。模型必然有损，必然会舍弃绝大多数细节，只留下与眼下这一件事有关的那些差异。真正该问的从来不是“它丢没丢信息”，而是“它丢掉的信息，会不会影响我关心的那个后果”。
三层词义，三条规矩：型是约束，模是规律，modus是尺度。
把它们与“世界”焊接在一起，“世界模型”就不再是“把整个宇宙塞进一块芯片”那种幼稚的野心，而变成了一句冷静得多的表达：
世界模型，是对一个有边界、会演化的过程所做的可执行有损压缩。
拆开来讲，它做三件事。
第一，它把纷乱的观测压缩成一个内部状态——这个状态可以是像素、三维点云、物理变量，也可以是一串人类根本看不懂的隐向量，形式并不重要。
第二，它知道这个状态如何向前走——给定此刻的状态和一个动作，就能推出下一刻的状态。
第三，它能把内部状态投影成你所需要的输出——一帧画面、一个坐标，或者一次碰撞的结果。
所以，世界模型既不是一张世界的缩略图，也不是一个装满事实的数据库。它更像一台可以往前拨的状态机：拨一格，世界继续发生；换一个动作，它就走向另一条岔路。
而恰恰是“换一个动作会怎样”这个问题，把它和一张漂亮的图、一段逼真的视频彻底区分开来。这道分界线，Judea Pearl用了一辈子去丈量。
四、Pearl 的因果阶梯：模型到底能回答什么
Pearl把因果推理分成三层[2]，这套区分也完全适用于判断一个世界模型究竟能回答到哪一层的问题。
第一层，关联，也就是“看见”。 P(Y|X)：看到X，Y出现的概率会怎么变？路面湿了，打滑的概率是不是更高了；刹车灯亮了，车通常会不会减速。关联能很好地总结数据，却不必知道到底是谁导致了谁。
第二层，干预，也就是“动手”。 P(Y|do(X=x))：我主动把X扳到某个值，Y会怎样？看见刹车灯亮、车跟着减速，是关联；我自己一脚踩下刹车、车怎么减速，才是干预。
这件事，游戏工程师早在代码里就写明白了。经典即时战略游戏使用确定性锁步来同步多台机器：网络里传输的主要是玩家的指令，而不是每个单位在每一刻的完整状态。只要各台机器从相同的初始状态出发，按相同的顺序执行相同的指令，再运行同一套规则，就能得到分毫不差的同一个世界。《帝国时代》当年就是这么干的，在拨号网络上同步了上千个单位。请注意这套架构的言外之意：在状态转移函数的输入里，动作与自然律平起平坐——动作不是画面生成之后补上的标签，它直接参与了状态转移。一九九七年的工程师可能没读过Pearl，但他们的代码实实在在地站在了第二层。
第三层，反事实，也就是“想象”。 这一回的事情已经发生了，如果当时换一个做法，同一个场景、同一件事本来又会怎样？这是追悔，是“早知道”，也是“本可以”。
这三层并非三种互不相干的模型，而是在区分模型能回答到哪一步。根据历史去预测下一步，已经是一种有用的能力；能比较不同动作的后果，就能直接支持规划；而能针对已经发生的事回答“如果当时……”，要求无疑更高。一个模型不必达到第三层才能被称作世界模型，但它处在哪一层，决定了它能够被拿来做什么。
在实际讨论中，下面两件事最容易被人混为一谈。
第一，输入里带有动作，不等于模型理解了干预。 把“向左”“向右”两个token放进输入，只说明模型接受了动作条件。如果训练数据里“向左”总与某类场景、某种驾驶策略成对出现，模型可能仅仅记住了这种搭配，而没有真正学会“向左”本身会如何改变后续状态。要证明模型真的理解了动作的作用，就必须改变场景、更换操作者或者动作的分布，再看它还能不能正确预测同一个动作的后果。否则，它学到的只是数据里的相关性，而不是能够复用的状态转移规律。
第二，能生成另一段视频，不等于完成了反事实推演。 反事实问的是：同一件已经发生的事，只换掉其中一个动作，结果会怎样。因此，模型需要尽可能固定当时的场景、人物和其他背景条件，只替换所要考察的那个动作，再去推演新的结果。如果只是从一个相似的状态出发，重新生成一段看起来合理的视频，那仅仅只是另一个可能的样本，而不是对“那件事”的反事实回答。
这两个区别最终都落到同一个标准上：模型必须给出可以事先检验、也可能失败的答案。这也正是“大师，您算得准吗”所对应的技术问题。算命的毛病不在于它没有一套说辞，而在于任何结果都能被事后解释，几乎找不到明确的失败条件。技术模型恰恰相反：预测错了就是错了，不能靠补充解释把所有结果都兜进去。一个永远不会错的系统，不是技术模型，而是一套信念。
五、状态的光谱：五条路线，五门怎么看怎么“玄”的学问
Pearl的梯子爬到这里，便可以回头俯瞰山下那片喧闹的战场了。
“世界模型”这块招牌底下，至少插着五面大旗。有人用像素造世界，有人用三维几何造世界，有人把世界压进一串人读不懂的向量，有人直接写物理方程，还有人宣称能算出“我出手，天下将如何”。路线之争打得热闹，火力大多倾泻在表示层：像素派嘲笑几何派数据金贵，几何派嘲笑像素派穿模露怯，隐空间派则嘲笑前两派把大量算力浪费在“给人看”上面。
开篇提到的那篇文章，把这整场路线之争翻译成了玄学的门派之争：看像素的是面相，勘几何的是风水，读隐向量的是卜卦，推演因果的是五行，测算干预的是奇门遁甲。这个映射乍看是段子，细看却把一件抽象的事变得可感可触了。它背后藏着一台真正的发动机，值得郑重转述——
观测，不等于状态。
你所能拿到手的，永远是观测：视频、照片、传感器读数，或者命主的生辰八字。而模型心里装着的，是状态。状态定义在哪一层，是每条路线的第一个分岔口，也是那篇文章递出来的最锋利的一把尺子：状态定得越浅、越贴近观测，数据就越便宜，闭环就越快，天花板也越低；定得越深、越贴近因果机制，就离观测越远，数据越稀缺，验证越苦，但泛化越强，天花板也越高。 用前面拆过的字来说，这就是“界”的问题：你把内部世界的边界，画在现象上，还是画在机制上。
面相派，像素的世界。 状态就是一帧画面里的全部像素。数据最容易到手：互联网上的视频、影视剧、监控录像，全是现成的粮草。闭环最快：生成的片子顺不顺眼，人眼一看便知。承诺也最浅：看起来像，就算对。它站在阶梯的第一层，做的是关联——见过足够多的“这一帧”，就能够续写“下一帧”。可棉花球撞上铁球，它并不欠你一个物理正确的答案。也难怪那篇文章调侃，AI短剧在修仙魔幻赛道上一骑绝尘：那个世界原本就不讲物理。
风水派，几何的世界。 状态升维成三维空间里的位置、形状与表面结构，点云或者高斯泼溅。数据贵了一个量级：需要多视角拍摄，需要激光雷达和深度相机，互联网上的散装视频已经不够用了。闭环换成了一把真正的尺子：重建出来的坐标，与真实坐标相差几毫米。但它回答的仍然是“换个角度看是什么样”——重建与外推，依然属于第一层。风水师勘得出形与势，却答不上力从何来：几何一致，不等于物理正确。主要落地在数字孪生、AR导航、自动驾驶的场景理解。
卜卦派，隐空间的世界。 LeCun的JEPA走得最决绝：状态是一串高维向量，没有物理意义，也不供人阅读——机器理解世界，凭什么非要翻译成人话？它看一场篮球赛，把“三号球员在三分线外、球要往哪飞”留下，把汗珠、鞋纹、观众席一概扔掉，然后在压缩过的空间里做预测。这一手，游戏引擎实际上已经玩了三十年：镜头外的不渲染，远处的降精度，长期静止的停掉物理计算——丢掉无关的细节叫压缩，丢掉会改变结果的信息，才叫模型误差。 卜卦派真正的麻烦出在验收上：用隐空间的误差去验证隐空间的预测，等于拿一把尺子证明这把尺子准——那篇文章的比方是，卜卦师说“我的卦准不准，得用我的卦来算”。卦象可以不供人读，但卦准不准，绝不能由卦自己说了算。它需要外部的闭环来赎身：下游任务，机器人控制，真实世界里的一次碰撞。
五行派，物理因果的世界。 状态是质量、速度、摩擦系数、弹性模量，以及变量之间的因果结构——不记这东西长什么样，只记它为什么会这么动。数据最昂贵：要么靠真实世界的高精度传感器，要么靠仿真引擎生成，而仿真与现实之间，横着一道怎么也填不平的sim-to-real沟壑。但它握着全场最硬的闭环：物理正确性可以验证，而且验证比预测容易得多——判断一次碰撞有没有穿模，比预测碰撞的完整结果容易一个量级，奖励信号因此格外干净。它也真正站上了第二层：动作写进了动力学方程，推一把，世界就实实在在地变了。落地在工业机器人、手术机器人、自动驾驶的边缘场景——穿模一次是废品，碰错一次是事故的地方。也恰恰因为代价真实，它对误差最不宽容：平台跳跃游戏可以允许角色在空中转向，赛车游戏悄悄调高抓地力，那是为手感服务的假物理，在游戏内自洽即可；机器人的仿真器却骗不得，它的物理必须能带出仿真、活进现实。用途决定了哪些误差可以忍，哪些误差会要命。
奇门派，因果干预的世界。 说到这里要停一下：第五路和前四路，根本不在同一个维度上。前四路争的是状态的表示——像素、几何、隐向量、物理量；奇门派提出的则是能力的要求——不只问“会怎样”，还要反过来问“我该在什么时机、做什么，才能让它变成我要的样子”。它不是一种新的表示方法，而是对模型能力提出的要求。 同一个像素模型、几何模型或隐空间模型，可能只会根据历史续写未来，也可能进一步比较不同动作的后果。关键不在内部状态长什么模样，而在于动作是否真正参与了状态转移，模型又是否接受过相应的训练和检验。这正是沿着那条阶梯向上攀登的过程：从关联，到干预，再到反事实。
于是，这张门派地图上其实画着两条轴。横轴是表示的深浅：状态定在现象还是机制。它决定了成本曲线——数据从哪里来，闭环有多快，一轮迭代烧多少钱。纵轴是能力的层级：模型能回答Pearl阶梯的第几层。它决定了天花板——是只会续写历史，还是能替你掂量一个从未做过的动作。路线之争的火力，大多倾泻在横轴上；而真正分出高下的，是纵轴。
拿这两条轴去衡量：面相与风水站在第一层；卜卦志在为第二层打地基，验收却常常停在第一层；五行已经踏上了第二层；奇门则直指第二层与第三层。无论旗号是哪一面，纵轴上的位置都得靠训练与检验扎扎实实地挣来，从不靠宣称。
纵轴上还得再分清三样东西：世界模型、目标函数和规划器。世界模型回答“做这个动作，会发生什么”；目标函数判断“哪种结果更好”；规划器据此选择“现在该做什么”。三者经常被组合在同一个系统里，但并不是一码事。即便世界模型预测得十分精准，只要目标设错了，或者规划过程不充分，系统仍然可能选出错误的动作。世界模型提供的是行动的后果，而不是行动的目的。
所以，评价一个系统时，与其争论它属于哪一派，不如把三个问题问清楚：它怎样表示当前状态，怎样预测状态变化，动作又以什么方式进入模型。答案写清楚了，这个系统到底做到了什么，自然也就清楚了。
那篇文章的结尾，引了菩提祖师的一句话：“道字门中有三百六十傍门，傍门皆有正果。” 又翻出边上一行小字批注：“要知些子玄关窍，不在三千六百门。”
傍门皆可成正果——五条路线，每一条都能在自己的用途里修成正果，前提是闭环自洽、误差有主。而那个玄关窍确实不在门派，就在这两条轴上：状态定在哪一层，问题答到第几层。
六、正名之后：六个问题厘清一切
绕了这么一大圈，现在终于可以给出一个不那么炫目，却经得起追问的定义了：
世界模型，是一个面向特定行动者和任务的内部环境模型。
它把观测历史压缩成与任务有关的状态，并预测状态如何变化；
能力更强的模型，还能比较不同动作的后果，回答干预与反事实问题。
它不必装下整个宇宙，不必使用人眼能直接看懂的变量，也不必精确地预测那唯一的未来。真实环境原本就可能带有随机性，也往往只能被部分观测，其中有还可能存在其他怀着自己目标的行动者。
世界未必有目的，模型却一定有用途。 模型为谁服务、要解决什么问题，直接决定了它保留什么、忽略什么，又如何接受检验。关键不在于模型包含多少内容，而在于它能否说清自己的边界、用途与可靠程度。
沿着我们拆过的那一路——中文的时空、英文的人间、拉丁语的秩序、模型的约束与尺度、Pearl的三层能力、五条路线的两条轴——这份承诺最终可以归结为六个问题。
世：它能处理多长时间范围内的变化？
界：它覆盖现实的哪一块？状态定在现象上，还是机制上？边界之外的影响，又如何进来？
人：它为哪个行动者服务？哪些动作能够真正改变内部状态？
模：它抽出了哪些可复用的规律？是统计上的相关，还是因果上的机制？
型：它排除了哪些不可能的状态与变化？
度：它在哪个尺度上有效？误差如何衡量，什么结果才算失败？
把这六个问题问清楚，“世界模型”才会从一个宽泛的标签，变成一组可以检验的技术声明。
这也恰好解释了，为什么两个看似完全相反的判断可以同时成立。说“世界模型毫无定义，只是泡沫”，并不准确：它有一个清楚的内核，那就是建立关于环境状态及其变化的内部模型，让预测服务于行动。说“世界模型的定义早已完全确定，没什么可争”，同样不准确：状态可以定在不同的层级，能力可以停在不同的台阶。它有清楚的内核，也有宽泛的边界。
所以，那句“大师，您算得准吗”没有错，只是还不够具体。更完整的问法应该是：
大师，您算的是谁的世界？边界画在哪里？面对什么动作？能看多远？
您回答的是关联、干预，还是反事实？误差用什么衡量，什么结果算失败？
——以及，什么情况下，您愿意承认自己算错了？
好的世界模型，绝不会试图把整个世界塞进一块芯片。它要做的，是让行动者在现实中付出代价之前，先在一个受约束、可检验的内部世界里，把这一步走一遍——走错了，就回滚重来。现实没有回滚，这正是我们需要一个内部世界的理由。
必也正名乎。名正，然后才谈得上：谁真的算得准。
References
[1] 李飞飞写长文，说语言不够用了: https://drfeifei.substack.com/p/a-functional-taxonomy-of-world-models[2] Pearl 把因果推理分成三层: /ai/cerebellum/#六pearl-的那道墙