世界模型是什么？原理、巨头战局与争议解析

世界模型（World Model）讓 AI 建立「世界如何運作」的內部模型，理解空間、物理與因果，預測的是世界的下一個狀態，而不是像大型語言模型那樣只預測下一個字。它已在自駕車、機器人、遊戲場景落地，但畫面逼真不等於物理正確，與 LLM 誰才是通往 AGI 的正確路線，至今仍是業界最大的爭論之一。

（前情提要：李飛飛談 LLM 下一步：AI 須擁有「空間智慧」才能理解真實世界，Marble 模型如何實現？）

（背景補充：Serenity：世界模型成 AI 圈最大共識，中國資金棄基礎模型，轉為物理AI）

世界模型（World Model）是目前 AI 圈最常被提起、卻也最常被誤解的名詞之一。一句話定義：世界模型是一種讓 AI 建立「世界如何運作」內部模型的系統，讓它理解空間、物理與因果關係，並據此預測接下來會發生什麼。

它跟一般人熟悉的 ChatGPT、Claude 這類大型語言模型（LLM）不是同一條技術路線，LLM 預測的是「下一個字」，世界模型預測的是「世界的下一個狀態」。

世界模型是什麼？

世界模型（World Model），簡單來說就是讓 AI 學會「腦內模擬」的技術。舉個例子：人類過馬路前，會在腦中自動預演「如果我現在跨出去，那臺車還要幾秒到我面前」，這個預演不需要真的走到車前面試一次才知道結果。

世界模型想讓 AI 也具備這種能力，先在內部模擬各種可能，再決定下一步動作，而不是每次都要真實世界試錯。

史丹佛大學電腦科學教授、AI 領域指標人物李飛飛把世界模型的功能拆成三塊： 生成（generation）

理解（understanding）

模擬與互動（simulation/interaction）

她創辦的 World Labs，做的產品 Marble 主打的正是第三塊，模擬與互動，這被視為整條技術鏈裡最關鍵、也最難的一環，因為光是「生成一張漂亮的圖」不難，難的是生成一個「可以走進去、可以互動、物理邏輯還要合理」的空間。

這股風潮之所以在 2026 年集中爆發，一部分原因是產業界對 LLM 的天花板出現了明顯的焦慮。當「文字接龍」這條路線的天花板越來越清楚，一批研究者開始把賭注押到另一條路，讓 AI 直接學會理解「世界」本身，而不是只學會模仿人類怎麼描述世界。

值得先說清楚一個常見誤解：世界模型不是要取代 LLM 做對話或寫作，它解決的是完全不同的問題，空間推理、物理模擬、動作規劃。這也是為什麼它會先在自駕車、機器人、遊戲這幾個「需要理解物理世界」的領域率先落地，而不是聊天機器人。

世界模型和大型語言模型（LLM）差在哪？

大型語言模型（LLM）建立在 Transformer 架構上，運作方式是預測序列中「下一個 token（詞元）」。簡單來說就是，LLM 看過極大量的文字後，學會「這句話接下來最可能出現哪個字」，整個運算過程都發生在「文字空間」裡。

它從來沒有真正「看過」或「模擬過」物理世界，它內部沒有重力、沒有碰撞、沒有空間座標，只有文字之間的統計關係。

世界模型走的是另一條路。以 Yann LeCun 提出的 JEPA 為代表，它不去預測原始畫面的每一個畫素，也不預測文字 token，而是在「潛在空間」裡預測未來狀態的抽象表徵。

白話說就是，它會先把不重要的雜訊細節（例如背景牆上一道反光）主動丟掉，只保留理解這個世界所需要的核心資訊，這顆球正在往哪個方向滾、這輛車還要幾秒到路口。因為輸出是建立在一個明確、可檢驗的內部狀態上，一旦模型「內部想的」和「輸出的」對不上，這種不一致相對容易被偵測出來，這是 LLM 難以做到的。

兩者的差異，可以用下表快速對照： 比較專案 大型語言模型（LLM）

世界模型（World Model）

預測目標 下一個 token（文字）

世界的下一個狀態 運作空間 文字 / 語言空間 潛在空間（latent space）

核心架構 Transformer JEPA、擴散模型、自迴歸 Transformer 等 是否理解物理 不模擬物理，無內部世界模型 學習物體移動、碰撞、重力等物理規律 典型錯誤 幻覺（多數模型仍在 15% 以上）

畫面逼真但物理不一定正確 代表應用 對話、寫作、程式碼生成 自駕模擬、機器人訓練、可探索 3D 世界 要提醒的一點是：「畫面看起來逼真」不等於「物理上是對的」。以影片生成為基礎的世界模型，因為訓練目標更直接對準「看起來真不真」，不一定會保證「物理上合不合理」，這在自駕車、機器人這種容錯率極低的場景裡，是個關鍵的區別，也是接下來爭議的核心之一。

世界模型怎麼運作？潛在空間與「預測下一刻」

要理解世界模型的運作邏輯，得先搞懂兩個詞：潛在空間和預測下一刻。

潛在空間，簡單來說就是，AI 把眼前看到的畫面「壓縮」成一組抽象數字，只留下對理解這個世界有用的資訊，丟掉多餘的視覺雜訊。

舉個例子：一段行車紀錄器畫面裡，潛在空間可能只保留「前方有一輛車，距離在縮短，速度中等」這樣的抽象描述，而不去記錄畫面裡每一片樹葉的顏色。這樣做的好處是運算量大幅降低，而且模型學到的是「規律」而不是死記畫面。

有了潛在空間，下一步就是「預測下一刻」：給定目前的狀態，加上一個動作（例如方向盤往左打），模型要預測下一個狀態會長什麼樣子。

這個過程反覆疊代，就變成一個可以「往前推演」的內部模擬器，給 AI 一個當下，它能在腦內先跑過幾種可能的未來，再決定要採取哪個動作，而不必真的去現實世界裡撞一次才知道結果。

JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）是這套邏輯目前最具代表性的架構，由 Yang LeCun 在 2022 年的論文《A Path Towards Autonomous Machine Intelligence》中提出。

JEPA 的核心主張是：與其逼著模型生成每一個畫素的細節（這樣做既浪費算力、又容易被無關緊要的雜訊帶偏），不如直接在抽象層次上比對「預測的未來」和「實際的未來」是否一致...