世界模型：让 AI 在动手之前，先把后果想一遍

本节你将能

说清大语言模型和世界模型在"预测对象"上的根本差别；解释为什么直接生成未来画面是条弯路；知道 Joint Embedding Predictive Architecture（JEPA）2022 年被提出后，到 2026 年秋天走到了哪一步。

直觉模型：两种"预测"不是一回事

你给一个孩子看一段视频：桌上的杯子被推了一下。问他接下来会怎样，他说"杯子会掉下去摔碎"。这个回答里没有像素、没有光线反射角度，只有一件关键的事——动作会带来后果。

今天的大语言模型做的是另一种预测。它读过的文本越多，越擅长猜下一个 token 是什么。这件事做到了惊人的程度：能写诗、能证明定理、能考过专业考试。但它预测的是符号的延续，不是世界的变化。这就是杨立昆反复强调的那个对比——一个十岁小孩不用训练就知道推杯子会摔，而今天的模型在物理因果上仍然吃力。

图1：大语言模型预测符号，世界模型预测动作后果

左边是"给定前文，下一个词是什么"；右边是"给定当前状态 $s_t$ 和我要做的动作 $a_t$，世界会变成什么样 $s_{t+1}$"。多出来的那个 $a_t$，就是两代技术的分界线。

为什么不去生成未来的画面

最直觉的做法是：让模型像视频生成器一样，把未来几帧画出来，再看着画面决定动作。这条路走不通，原因不在算力，在信息量。

现实世界里，一片叶子的抖动、水面反光的形状，这些细节既不可能预测，也不影响你的决策。让模型把算力花在复现这些不可预测的细节上，等于要求它先学会画树叶，才准它决定手往哪放。JEPA 的取舍就在这里：不生成像素，改在抽象表征空间里预测。先把观测压缩成一组抽象特征，只预测那些"有用且可预测"的变化，把不可预测的部分主动丢掉。

代价是这条路更难训练——没有重建损失兜底，表征可能坍塌成常数。好处是一旦训成，推理极轻。

图2：JEPA 放弃像素重建，改在表征空间预测

2022 年的判断，2026 年走到哪了

杨立昆 2022 年提出 JEPA 时，这在主流看来是条偏路。四年后的同一批人，正在把这条路走通：

• 2026 年 3 月 · LeWM：约 1500 万参数，单张 GPU 训练数小时即可直接从图像学习环境变化、预测不同动作的结果。在部分控制任务上，规划速度比基于大型基础模型的世界模型快约 48 倍。
• 2026 年 10 月 5 日 · H-JEPA：分层架构，让世界模型在不同时间尺度上做预测与规划，把长期目标逐步拆成具体动作——这是"想得远"和"做得细"之间必须的桥。
• 2026 年 10 月 · SuperMimic：更进一步。它用一个可微分的世界模型，让梯度直接穿过模拟轨迹回传，解析地求出策略梯度，取代了 PPO 这类采样式强化学习。结果是人形机器人全身控制任务上，单张 GPU 跑 3 小时，追平了 128 张 GPU 跑 7 天的基线。

三个工作指向同一件事：世界模型的价值不只是"让机器人懂物理"，它还能把训练成本压下来几个数量级。

图3：从 2022 年 JEPA 到 2026 年的三个工作

还差什么

世界模型的能力上界，被它自己对世界的保真度锁死。模型预测错了，规划得再漂亮也是错的。在实验室的积木台上可靠，不等于在杂乱的真实车间里可靠。杨立昆自己给 AMI Labs 排的路线是先发论文、再做工业 AI、最后才碰家庭机器人与自动驾驶——这个顺序本身就是对难度的承认。

还有一个更根本的开放问题：抽象表征该保留什么、丢掉什么，今天仍靠设计者的判断。丢多了，模型看不见关键变量；丢少了，又退回死记硬背。

核心要点

• 大语言模型预测符号，世界模型预测"动作—后果"。
• 生成未来画面是弯路：不可预测的细节会吃掉全部算力。
• JEPA 的选择是在抽象表征空间预测，只预测可预测的部分。
• 2026 年的进展让世界模型从"替代仿真"变成了"省算力的训练方法"，SuperMimic 是代表。
• 瓶颈在保真度与表征设计，不在模型规模。