世界模型这个词这两年出现得越来越频繁,但很多讨论还停在概念层。要判断它进展到哪一步,最好看它到底在预测什么。
从预测下一帧到预测后果,差在哪?
视频生成模型能预测下一帧画面,这是感知层的预测。它知道球往哪飞、人往哪走,但不知道球落地后会发生什么。
世界模型要预测的是后果:如果我把这个杯子推下去,它会碎;如果我改了这条规则,系统会怎样。这需要因果结构,而不只是像素连续性。
两者的差距,类似看录像和懂物理的差距。前者能模仿,后者能推演。
现在的进展到哪一步了?
在受限环境里,进展是真实的。棋类、机器人抓取、简单的物理场景,模型能学到可用的因果规律。因为这些环境规则稳定、状态可观测。
在开放环境里,进展有限。真实世界的变量太多,模型学到的相关性很容易在分布外失效。一个在实验室学会开门的手臂,到了别人家的门就未必能用。
判断一个世界模型好不好,看什么?
看它在反事实问题上的表现:如果当时换一个动作,结果会怎样。能给出合理反事实的,才算摸到因果的门。
还要看长程一致性。预测三步之后的画面容易,预测三十步之后还能保持物理一致,很难。多数模型在十步左右就开始漂移。
对普通人有什么影响?
短期内,世界模型的价值主要在仿真与训练:机器人在虚拟环境里练,自动驾驶在合成场景里测。这些场景不需要完美,只需要比真实世界便宜、安全。
长期看,如果它真的能预测后果,改变的是决策方式:先在模型里试,再在现实里做。这一天还没到,但方向已经清楚。
别被概念带着走。看它解决了哪个具体预测问题,比看它叫什么名字有用。
去论坛讨论
前往 ziyuanagi.com 论坛 参与讨论