终章写下"全部的悬念在消化侧"之后，技术侧仍有一条正在成形的正面前线：世界模型。语言模型预测下一个词，世界模型预测下一个状态------把"下一个 token"从符号序列搬到物理时空。这不是第 15 篇（多模态）的续写，而是一次换轴：视频生成学的是"像素如何继续"，世界模型要学的是"世界如何继续"。前者可以只懂纹理，后者必须懂恒常、因果与反事实。Ha & Schmidhuber 2018 年那篇《World Models》是它的创世文献，Dreamer 系列把它变成可训练的工程，V-JEPA 与视频扩散把它推到当前的规模之争。
一、模型基 RL：在想象中训练
世界模型的第一性问题来自强化学习老传统：无模型 代理在真实环境里试错，样本成本天价（机器人摔坏一次是一次）；模型基 代理先学一个环境的模拟器，再在想象里廉价试错。Dreamer 的循环是全部工程的原型：从真实交互学出潜在动力学模型（编码器把观测压进潜在状态，转移模型预测"如果这样做，状态会怎么变"），然后纯在想象的 rollout 里训练策略 ，偶尔回真实世界校准。世界模型的价值公式由此而来：想象里一个 rollout 的成本是毫秒级 GPU，真实里是小时级物理------模型质量每提高一分，都是真实样本的账单在打折 。这与第 8 篇的推理时计算是同构的：那是思维空间里的 rollout，这是状态空间里的 rollout；都与验证器问题相连------想象的 rollout 只在模型不错的地方有用，模型错了，想象越流畅，跑偏越远。
二、表征之争：像素还是潜在
当前最大的路线分歧是预测什么。生成派 （视频扩散）预测像素：Sora 式模型把"下一个状态"渲染成帧，优点是数据管线上无脑（互联网视频随便吃）、产物可视化可审计；潜在派（JEPA，LeCun 立场）认为预测像素是把模型容量浪费在不可预测的细节上------两只鸟的每根羽毛落点原则上无法预测，模型被迫学的是"羽化"而非"飞行"。JEPA 在抽象表征空间里预测：编码器把帧压成语义，预测器只推演语义如何演化，方差-协方差正则防表征塌缩：
python
def jepa_step(x_t, x_t1):
z_t, z_t1 = enc(x_t), target_enc(x_t1) # 表征空间
pred = predictor(z_t) # 预测"下一状态的语义"
return vicreg_loss(pred, z_t1) # 防塌缩: 拉近配对, 撑开方差潜在派的风险同样具体：潜在空间是模型自己的方言 ------没有像素这一硬约束，表征可以在"预测误差很小"的意义上漂移，把物理丢在方言之外而账面全绿。所以两条路线的分歧本质是一个评测问题：用什么证明世界被理解了，而不是被描摹了。这与第 13 篇的教训严丝合缝：生成质量的可视化是所有指标里最容易 Goodhart 的一个。
三、物理直觉：涌现还是描摹
视频规模化之后出现了一批"像物理"的行为：物体恒存大致稳定、透视大体正确、光影方向对得上。但"像"与"对"之间隔着三道具体的坎：反事实 （如果我推这杯水，它会怎样------生成模型只见过发生过的，没见过差一点发生的）、因果方向 （它懂倒水的水流是因为学了流体动力学，还是因为见过的所有倒水视频都长这样）、量守恒 （数量在遮挡后对不对）。这些恰是评测能做实的地方：可交互性评测与空间推理基准（物体恒存、计数、轨迹预测、穿越遮挡）已经把分差拉出来了------大视频模型在这些题上系统性低于人类幼儿，且其错误模式（穿模、数量漂移、被纹理欺骗）更像插值失败而非理解失败。数据侧的老朋友再次到场（第 17 篇）：互联网视频是观察数据，没有动作标签、没有反事实分支 ；真正的出路是可交互源------游戏引擎与世界模拟器给每个动作附上真值物理，等于给物理直觉配了 Textbook。这条数据路线与第 16 篇具身的飞轮合流：机器人采集的交互数据，就是世界模型最贵的教材；世界模型变好，机器人训练又打折------这是物理世界的 Scaling 飞轮。
四、与系列的合流
世界模型站上四篇伏线的交点：它是第 15 篇多模态的换轴续章（从"看懂"到"预演"）；是第 16 篇具身的地下层（VLA 里的"想一下再动"就是内部 rollout）；是第 8 篇推理时计算的空间版（验证搜索换成状态搜索）；是第 17 篇数据论的极限考题（最后一个没有 Textbook 的模态，直到游戏引擎与机器人把它造出来）。若它成立，系列的一句话定义需要增补：智能不仅是在语料上最小化交叉熵的 Transformer，还是在想象里最小化预测误差的模拟器------前者承接了文明的文本，后者正在承接物理世界。
一句话收束：语言模型靠读完了人类写下的书变强，世界模型必须面对一本书都没写过的科目------物理。它的Scaling 飞轮刚被造出来：引擎提供真值，机器人提供交互，想象提供廉价试错。接下来谁先让"预演"逼近"现实"，谁就把智能从文本世界请进了物理世界；而那道"像与对"的裂缝，正是评测与对齐的老问题换了考场。