做世界模型方向大半年，最大的感受是：论文很多，但真正能落地的很少。最近读了一篇2026年中科院联合多所高校的综述，把八年来的进展梳理得很清楚。我结合自己的实践，聊聊几个始终没突破的瓶颈。
先说进步。从2018年Ha和Schmidhuber提出世界模型概念，到DreamerV3在55款Atari游戏上统一参数跑出好成绩，再到Sora等视频生成模型的爆发，世界模型确实从"概念验证"走到了"技术验证"阶段。四大技术范式（观测级生成、隐空间建模、强化学习驱动、对象中心表示）已经成型，应用场景也从游戏扩展到了机器人、自动驾驶、科学发现等领域。
但有几个核心瓶颈，八年过去了，依然没有根本性突破。
瓶颈一：Sim-to-Real鸿沟
这是最痛的瓶颈。世界模型在仿真环境里表现很好，DreamerV3的样本效率比传统RL高出10-100倍。但仿真里训练的策略，部署到真实机器人上往往性能下降30-50%。
域随机化能缓解一部分问题，但远没有解决。根本原因在于：仿真器无法完美模拟真实世界的物理动态——接触摩擦、柔性形变、传感噪声、未建模的干扰。世界模型学到的"世界规律"是仿真世界的规律，不是真实世界的。
八年了，这个问题依然没有优雅的解决方案。要么花大量时间做系统辨识，要么接受性能打折。
瓶颈二：长程预测误差累积
世界模型的核心能力是"在想象中推演未来"。但预测不可能完美，每一步都有小误差，多步之后误差指数级放大。
DreamerV3的想象步数限制在15步左右，超过这个长度预测就不可靠了。对于需要长期规划的任务（比如机器人完成一个多步骤的装配任务），15步远远不够。
层级时序建模、显式因果表征这些方向有潜力，但目前都还在研究阶段，没有成熟的工程方案。
瓶颈三：物理一致性
现在的模型能生成看起来很合理的画面，但经常违反物理定律。比如生成的视频里物体穿模了、重力方向不对、碰撞后动量不守恒。
这是因为模型学的是数据分布的统计规律，不是物理定律。它知道"杯子掉在地上会碎"是因为训练数据里见过，而不是因为它理解了重力和材料力学。
把物理约束（能量守恒、动量守恒、因果规则）嵌入模型是一个方向，但怎么嵌入、嵌入多少、会不会限制模型的表达能力，这些问题还没有共识。
瓶颈四：计算成本
训练一个像样的世界模型，需要多张A100跑几天到几周。推理时虽然比训练快，但对于实时控制场景（比如机器人每秒需要决策100次），延迟仍然太高。
边缘设备部署更是难上加难。工业场景的机器人控制器算力有限，跑不动大模型。模型压缩、知识蒸馏这些方法能用，但会牺牲预测精度。
为什么这些瓶颈难突破
根本原因在于：世界模型试图用数据驱动的方法解决一个需要机理理解的问题。
人类理解世界靠的不只是观察统计，还有物理直觉、因果推理、抽象建模。现在的模型只有第一种能力，缺后两种。
未来5年，如果能突破"统计拟合→机理理解"这个关口，世界模型才能真正成为通用人工智能和具身智能的基石。否则，它可能一直停留在*“仿真里很强，真实世界拉胯”*的状态。
评论