# 李飞飞造了个新AI叫世界模型：视频画得再像，也不懂物理

- URL: https://davidyin.dev/writing/272-20260902-world-model-explainer/
- 作者: David Yin
- 发布: 2026-09-02
- 标签: AI、世界模型、李飞飞、空间智能、大模型
- 摘要: 李飞飞的 World Labs 发布世界模型 Atlas：画得像不等于懂物理，大白话讲清什么是世界模型

AI 生成的视频已经真到以假乱真。看过的人多少闪过一个念头：AI 是不是开始懂这个世界了？

九月开头，李飞飞的 World Labs 发布了新模型 Atlas，官方开篇就把它定位成四个字：世界模型。这个名字，就是冲着纠正上面那个念头来的。

要分清这俩，得先弄明白一个问题：它俩一个在学「像」，一个在学「为什么会这样」——差在哪？

## 先说结论

- **是什么**：AI 先在心里搭个会转的世界，想明白再动手
- **为什么重要**：机器人练手前，得先有个撞不坏的虚拟世界
- **我的判断**：会画视频的 AI 很多，会「想世界」的才刚起步

## 画得像，不等于懂物理

画得像，是一种本事；懂物理，是另一种本事。

神笔马良画了只鸟，鸟活了，扑棱棱飞走。那是神话，因为那支笔把「画」变成了「真」。现实里的 AI 画师是另一种马良：画得比谁都像，笔下的鸟却始终不会真飞。它只是从海量视频里学会了「鸟飞起来」该长什么样，能续得一模一样。可翅膀怎么扇、空气怎么托住它，不在它的课本里。

工科生是另一路人。让他画鸟，他先做受力分析：翅膀面积够不够，扇多快能离地。画出来未必好看，但你要问这鸟能不能飞，他答得出依据。

OpenAI 的视频生成模型，是前者里最出名的代表，把画面生成做到了极致。可再像，它学的也是「什么样的画面后面接什么画面」，跟物体为什么动无关。

**视频 AI 学的是「像」，世界模型学的是「为什么会这样」。两拨人的分界就在这儿。**

## 世界模型，就是 AI 的脑内沙盘

「为什么会这样」怎么教给 AI？先让它在内部搭一个会自己运转的世界副本：记得住物体长什么样、摆在哪，能预判下一秒会发生什么，还能在真动手前，先在心里试一遍。

这个「先试一遍」，人天天在用。开车到路口，前车突然减速，你不会真撞上去试。脑子里已经推演完：现在刹车，停不停得住？这个不出声的推演，就是脑内沙盘。人人都有，AI 以前没有，世界模型想补的就是这块。

想法不新。上世纪九十年代就有人提过雏形；2018 年，一篇叫《世界模型》的论文把它正式拆成三块：一块负责看，把画面压成要点；一块负责记，把要点串成规律；一块负责动，照规律拿主意。论文还配了个开赛车的小游戏做演示。「世界模型」这个词也不是论文发明的，九十年代就有人这么叫了。是这篇论文让它重新火起来，在深度学习圈被广泛用开。

从论文走到头条，中间隔着一场大架：AI 到底该怎么懂世界，几家吵了两年多。

## 吵了两年多：AI 该怎么懂世界

架的第一棒，是 OpenAI 自己递出去的。2024 年初，它发的那篇论文，标题就叫《视频生成模型作为世界模拟器》，等于给自己贴了张标签：世界模拟器。

LeCun 第一个不服。这位前 Meta 首席 AI 科学家、如今自己创办了 AMI Labs 的人，公开说过：想靠一格一格画画面来理解世界，又费劲又走不通。他觉得 AI 该在更抽象的层面做预测。人判断「杯子要倒」，靠的也不是在脑子里把杯子完整画一遍。

李飞飞 2024 年在一场 TED 演讲里，接过了话头。演讲开头她讲了个意象：生命在黑暗里摸索了极其漫长的年代，直到第一只眼睛睁开。她想做的，是给 AI 装上那只眼睛，别让它只盯着文字。她管这个方向叫「空间智能」，意思是让 AI 搞懂：东西在哪儿、怎么摆、动起来会怎样。

到去年 11 月，她又把这套想法讲深了一层。在自己写的长文里、在好几场访谈里，她都这么说：语言是根又细又慢的管子，人类靠它传给 AI 的知识漏掉太多。世界是立体的、会动的，文字装不下。只会读写的大语言模型，在她眼里像黑暗里摸字的人——字认得再多，也从没见过光。

三家的答案摆上桌：世界该靠画面学，还是该在抽象里学，还是该在空间里学？吵到现在没结论。

那个扛着标签的模型，倒先给这场架添了个注脚：今年 4 月，OpenAI 悄悄把它下线了。官方的口径是战略取舍：算力收回去做编码、企业和机器人，跑这类大模型也确实烧钱。这不能说明这条路就死了。但它至少提醒我们（这是我的解读）：光会画，撑不起一个烧钱的产品。

## Atlas 的三板斧，翻译成人话

吵归吵，李飞飞的公司直接动手做了个成品。Atlas 的官方口径是「全能世界模型」，文字、图片、视频、三维模型，一把抓。

技术词先翻一遍。官方说它的底层是「多模态自回归扩散 Transformer」——这串字不用记，记住原理就够：它和聊天 AI 一个套路，靠预测「接下来是什么」干活。聊天 AI 预测下一个字，它预测下一个画面。差别在于：它脑子里每个画面都带着一个确定的空间位置，补出来的部分，得跟已经看到的在三维世界里对得上。所以它画的时候，得先想明白：这个场景换个角度看，该长什么样。到这你可能会想：这不还是「预测下一个画面」吗？跟你平时见到的视频生成 AI 有本质区别吗？直说结论：没有。Atlas 跟它们本来就是同一个大套路，差别只在于多了一道要求——每一个画面，都得和三维空间对得上。这道多出来的要求，就是前面那场架落进产品里的样子：OpenAI 赌「画面接画面」够用，李飞飞赌的是，得先让 AI 把空间想明白。

Atlas 亮出三件本事。

**第一件，补视角。** 给它几张参考图，你指定镜头往哪走，它把没拍到的角落也补出来。画面跟着镜头走，最长能走到一分来钟，清晰度接近影院级。对普通人的意思：以后拍短视频想要第二个机位，不用重拍，AI 帮你想出别的角度。

**第二件，搬场景。** 给它几张真实照片，它能把整个场景重建成立体的、能走进去的三维模型，人能在里面走动看。对普通人的意思：手机随手拍几个角度，一间屋子就被搬进电脑。以后看房、做游戏场景，可能都走这条路。

**第三件，造考场。** 给它一段真实录像，它能在虚拟世界里复刻同样的场景，让机器人先在假世界里练。练导航、练抓东西，摔了不心疼，灯光、障碍还能随便改。

**以前 AI 是给你画画，Atlas 想给你搭一个能走进去的世界。**

冷水也得泼：这些演示目前只对部分合作伙伴开放，不是谁今天都能上手。官方还做过一轮用户偏好对比，对手是市面上几款头部生成模型。跑出来的数字是：Atlas 领先 75% 到 94%。但这是官方自测，第三方还没复现——先当参考，别当结论。更要紧的是，这些演示能证明的，是「画面与空间」的本事。至于它搭出的世界，物理够不够真、长时间演算会不会崩——这直接决定它配不配叫「世界模型」，而这一点，目前还没有第三方验证。

## 机器人是它最大的考场

为什么这个方向值得盯？因为想让机器人真干活，得先让它学会不摔坏自己——而这件事只能先在虚拟世界里试：真机上摔一次，零件要修，时间搭进去。现实的做法，是让机器人在虚拟场景里先跑几万遍，练熟了再上真机。机器人，就是世界模型最大的考场。

Atlas 的模拟能力就是冲这个去的。官方管这套流程叫「从真实到模拟」：拿手机拍几段视频，就能给机器人搭一个训练场。

钱也往这儿跑。World Labs 累计融资约 12 亿美元，英伟达、AMD 都在投资人名单里。谷歌、英伟达自己也在做同类模型，国内阿里、腾讯同样在给机器人造世界模型。自动驾驶公司也用上了这套路：用世界模型生成路上很难遇到的危险场面，让车先在虚拟里撞明白。

**谁先把会「想世界」的 AI 做出来，谁就握着机器人的考场钥匙。**

说句我的判断：方向对，路还长。

会画的 AI 走到今天用了好几年，会想世界的 AI 现在才刚睁眼。Atlas 是重要一步，但「世界模型」这四个字，眼下更多是目标，不是成就。别把官方演示当量产货，也别急着给这条路判死刑。有人为它吵、为它砸钱，本身就说明这事值得争。

画得像，是上一题；想明白世界，是下一题。

**来源**

- World Labs 官方博客：《Atlas: A World Model for Spatial Intelligence》
- David Ha 与 Jürgen Schmidhuber 论文：《World Models》
- OpenAI 论文：《Video Generation Models as World Simulators》（「世界模拟器」标签出处）
- Tom's Guide：关于 OpenAI 视频生成模型下线的报道
- 李飞飞 TED 演讲：《With spatial intelligence, AI will understand the real world》（对应「黑暗-眼睛」意象与「空间智能」方向）
- 李飞飞：《From Words to Worlds: Spatial Intelligence is AI's Next Frontier》（Substack；「语言是有损低带宽通道」「黑暗里摸字的人」的出处）
- The Decoder：LeCun 关于视频生成路线的评论（二手转引）
- 智东西：World Labs 融资报道