2026年的世界模型赛道，正在经历一次静悄悄的范式转移：从「能生成像样的视频」，转向「能预测物理世界接下来会怎样」。两者看似只差一层窗户纸，实则是从模仿表象到理解规律的分水岭。视频生成模型会告诉你玻璃杯子掉下去是什么样子，但它未必真的「知道」重力，更不知道在地毯和水泥地上摔碎的概率不同。

为什么视频预测不等于物理规律？

纯像素级预测有一个致命问题：它学的是画面的统计相关性，而不是因果机制。模型见过一千万次杯子落地，就学会了「杯子落地→碎片飞溅」的视觉套路；但换一个从未见过的场景——比如失重环境、比如黏性液体——它立刻露馅。真正的世界模型必须把物体、力、摩擦、刚体碰撞这些变量显式或隐式地学进去，让模型能在新场景里「推演」而非「回忆」。

物理规律学习难在哪里？

难在监督信号。人类小孩是靠摔、碰、推、捞，用身体反馈建立直觉物理的；机器没有身体，只能从海量视频里间接推断，或者在仿真器里硬练。2026年的进展主要靠两条路：一是把视频、状态、动作编码进同一条序列，让预测误差反过来逼出对物理的压缩表示；二是大规模可交互仿真，让智能体在里面试错。前者便宜但嘈杂，后者干净但昂贵。

这与通用智能是什么关系？

图灵当年问的是机器能不能思考，现在更具体的问题是：机器有没有一个可运行的内部世界模型。如果有，它才能做长程规划、反事实推理、想象未曾经历的场景。世界模型不是AGI的装饰品，而是它的发动机。2026年我们还在给发动机点火，但听点火声，已经不像实验室的小声比划了。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论