世界模型最值钱的一层，不是画面，是状态

我读完 Fei-Fei Li 这篇《A Functional Taxonomy of World Models》，脑子里留下来的，不是 World Labs 的品牌词，也不是“空间智能会改变世界”这类大叙事，而是一张很老的图。

就是强化学习课本里那张图：agent 做出 action，action 改变 state，agent 只能通过 observation 间接看到 state，然后再做下一步 action。文章最值钱的地方，不是把“world model”说得更玄，而是把这个已经快被营销语言糊掉的词，重新钉回这条朴素的链路上。

她做的不是扩词，是收词

现在“world model”这个词几乎已经被叫坏了。会生成视频的，叫 world model。能在游戏里走两步的，叫 world model。做机器人规划的，也叫 world model。一个词同时指向像素、几何、物理、动作，最后就等于什么都能装，什么都说不清。

Fei-Fei Li 这篇文章最清醒的动作，是没有继续往上发明定义，而是往下拆功能。她把今天被混称为 world model 的东西切成三类：renderer 输出 observation，也就是你眼睛看到的画面；simulator 输出 state，也就是一个系统和另一个系统都能计算、检查、操作的世界状态；planner 输出 action，也就是“下一步该做什么”。

这个切法一下把讨论拉实了。以后再看一个模型，不该先问“它算不算 world model”，而该先问：它到底输出什么。 如果它输出的是漂亮像素，那它再惊艳，也主要还是 renderer。它可以很值钱，但它值钱的地方是可视化，不是理解。这个区分一旦立住，很多本来很吵的争论会突然变安静，因为问题终于被问对了。

真正值钱的是那层 state

我尤其认同她把 simulator 抬到中心位置。

原因不复杂。rendering 解决的是“看起来像”，planning 解决的是“该怎么动”，但只有 state 这一层在负责“世界现在到底是什么样”。没有这层，前两者都容易飘。一个视频模型可以把火焰做得很逼真，但它不知道燃烧是否守恒；一个机器人 planner 可以给出一串动作，但如果背后的世界状态是糊的，它的动作就只能建立在猜测上。

这也是为什么我觉得她最重要的一句潜台词其实是：会出图，不等于懂世界。 过去两年，AI 行业最容易犯的错误，就是把输出质量误认成内部理解。画面像了，就以为模型会了；视频流畅了，就以为物理也在里面了；agent 跑通 demo 了，就以为它已经有了稳定的世界表征。Fei-Fei Li 这篇文章的价值，在于它把“像不像”和“是不是”硬拆开了。

如果把这三类能力放到工程语言里，我会更愿意这样理解：renderer 像前端，planner 像控制器，而 simulator 更像真正的数据模型。前两层都很显眼，但真正决定系统能不能承受复杂后果的，往往是中间那层结构化表示。建筑设计、机器人训练、自动驾驶、科学模拟，这些高风险场景要的从来不是“足够像”，而是“足够真，真到能算后果”。

这也解释了为什么她反复强调 simulator 是最被低估、但也最关键的一层。因为它最不性感。它不像视频模型那样一眼惊艳，也不像 agent 那样容易讲故事。它要求的是几何、物理、动态一致性，是最硬、最慢、最难被普通人感知的那部分进展。可偏偏只有这部分，才决定 AI 能不能真的从“生成内容”走到“进入世界”。

说对了重点，不等于很快做得出来

但我读这篇文章时，也有一个很明显的保留。

我相信她把问题指对了，不代表我相信这个问题很快能被解出来。

文章自己其实已经承认了最难的几件事：3D 数据远比互联网视频稀缺，sim-to-real gap 还在，AI 生成的几何结构可能“看着对”，但一进物理引擎就自相交、比例错误、动力学失真。外部评论里，MIT 的 Vincent Sitzmann 也说得很直接：世界模型在娱乐和预可视化上已经露出一点产品价值，但一旦走到机器人、科学、教育，问题就不再是 realism，而是 faithfulness。看起来像不够，必须在因果和动力学上也站得住。

这恰恰让我更相信 simulator 是硬骨头。因为凡是 renderer 已经做得不错的地方，市场会天然高估“再往前一点就够了”；凡是 planner demo 很炫的地方，市场会天然高估“只差一点工程化”。可 simulator 不是再往前一点。它要求的是另一种层级的正确性。不是把像素变得更稳，而是把世界变成可以承载推理、承载交互、承载失败后果的对象。

所以我对 World Labs 现在的判断反而没有那么浪漫。Marble 很有意思，Genie 3 也很有意思，但它们今天更像是在 renderer 和 simulator 之间打通一些通道，而不是已经把“统一世界模型”做出来了。把 taxonomy 说清楚，是一回事。让 taxonomy 里的 simulator 真正落地成可靠基础设施，是另一回事。后者还远没到可以靠愿景兜底的时候。

但讨论终于回到了该回的地方

即便如此，我还是觉得这篇文章重要。因为行业这两年最稀缺的，未必是新概念，而是把概念缩回工程边界的能力。

Fei-Fei Li 这篇 taxonomy 最好的地方，就是它没有继续靠“更大、更统一、更接近 AGI”去制造兴奋，而是做了一件更难也更有用的事：它逼大家承认，同样叫 world model 的东西，输出层根本不是一回事。只要这一点被承认，后面的判断就会干净很多。哪些是 renderer 生意，哪些是 simulator 基础设施，哪些是 planner 幻觉，哪些地方只是 demo 先跑到了叙事前面，都会更容易分辨。

我读完之后最强的感受反而很朴素：世界模型的下一阶段，真正稀缺的不是想象力，而是可追责的中间层。谁能把 observation 和 action 之间那层 state 做厚、做真、做得能被别的系统接住，谁才更接近这场竞争里最难复制的部分。

会说，会画，会演，已经不算稀缺了。能对世界后果负责，才算。

如果你今天看一个号称“world model”的产品，你会先追问它输出的是画面、状态，还是动作？为什么？

原文参考

Fei-Fei Li. A Functional Taxonomy of World Models. X, Jun 4 2026 (Beijing time). https://x.com/drfeifei/status/2062247238143996275

World Labs. A Functional Taxonomy of World Models. Jun 3 2026. https://www.worldlabs.ai/blog/taxonomy-of-world-models

Fei-Fei Li. From Words to Worlds: Spatial Intelligence is AI’s Next Frontier. Nov 10 2025. https://www.worldlabs.ai/blog/from-words-to-worlds

World Labs. Marble: A Multimodal World Model. Nov 12 2025. https://www.worldlabs.ai/blog/marble-world-model

Google DeepMind. Genie 3. https://deepmind.google/models/genie/

TIME. Inside Fei-Fei Li’s Plan to Build AI-Powered Virtual Worlds. Dec 9 2025. https://time.com/7339513/ai-fei-fei-li-virtual-worlds/