从"预测下一个词"到"预测世界下一状态":世界模型是不是下一个AGI叙事?
一句话结论 :2026年,世界模型确实从论文词汇变成了资本主战场和产品发布台------Genie 4能实时生成可交互的物理世界,LeCun带着JEPA架构融资10亿美元创业,智源把NSP列为AGI共识方向。但如果把"NSP叙事"等同于"AGI即将到来",会犯一个和当年"Scaling就是一切"完全相同的错误:把一种有前景的表征路线,误读成一条已经闭合的因果链。 世界模型是AGI叙事的一部分,但它目前更像一张"被资本和产品提前定价的船票",而不是已经靠岸的船。
一、先把定义钉住:世界模型和NSP到底在说什么
"世界模型"这个词在2026年已经膨胀成一个概念筐 。视频生成模型、3D重建工具、自动驾驶轨迹预测网络、机器人操作策略,都在往上贴标签。李飞飞在2026年6月的一篇长文中做了一个有用的切分:市面上的世界模型至少对应三种不同的东西------渲染器 (输出给人眼看的像素,核心指标是视觉保真度)、模拟器 (输出几何/物理上忠实的状态表示,核心指标是结构正确性)、规划器(给定观测和目标输出行动,直接服务于决策)。Genie 4主要是渲染器向模拟器的过渡,World Labs的Marble是模拟器,而VLA模型和LeCun的JEPA路线更接近规划器。三者共享"世界模型"的名字,但技术目标、评估标准和商业价值完全不同。
智源研究院在《2026十大AI技术趋势》中给出的NSP(Next-State Prediction) 定义相对清晰:从"预测下一个词"转向"预测世界的下一个状态",标志是AI开始掌握时空连续性与因果关系 ,从数字空间的"感知"走向物理世界的"认知"与"规划"。这个定义的关键词不是"世界",而是状态------它要求模型在给定当前观测和动作的条件下,预测环境接下来会变成什么样,而不仅仅生成一段看起来合理的视频。
这个区分非常重要,因为它直接决定了后面所有关于"是不是AGI叙事"的判断应该落在哪个坐标系里:如果世界模型只是更好的视频生成,它就不是AGI叙事;如果它真的能在抽象空间中预测行动的后果并支撑规划,它才进入AGI讨论的射程。
二、支持"NSP是下一个AGI叙事"的证据
支持者并非空谈。2025---2026年确实出现了一批让NSP从哲学命题变成工程路线的进展。
Genie 4把实时交互式世界生成推到了产品级门槛。 2026年10月27日发布的Genie 4是DeepMind首个原生多模态实时世界模型,能根据用户输入实时改变天气、引入新对象,同时生成匹配的环境音和互动对话;它模拟空气动力学、碰撞等物理场景,并用Gemini 3.8 Flash作为循环中的引导Agent,把目标分解为步骤并检查每一步是否成功。DeepMind官方博客的措辞很直白:"理解和模拟世界是构建AGI的关键方面。"据36氪实测报道,Genie 4单次生成的交互体验最长约2分钟,上一代Genie 3为1分钟。它第一次让"在生成的世界里测试Agent行为"变成了可操作的工程流程,而不是概念演示。
LeCun用JEPA路线给出了一个理论上的对立面。 LeCun从2025年底离开Meta,2026年3月以AMI Labs名义完成10.3亿美元种子轮 ,投后估值35亿美元 ,NVIDIA和Samsung Electronics参投,是欧洲史上最大种子轮。核心主张是预测像素是伪命题 :在抽象表征空间中预测未来的状态,而不是重建每一个像素。2026年10月,AMI联合NYU、INRIA、Brown发布H-JEPA(arXiv:2610.06805v2),用分层JEPA模块在不同抽象层级上预测不同时间跨度的状态,高层做长期规划、低层细化执行,在AntMaze迷宫任务中把成功率从18%提升至73% (约为基线的4倍),代码和权重全部开源。同月,LeWorldModel把完整规划压缩到单GPU、1秒以内 ,参数仅约1500万,规划速度比传统大模型方案快约48倍。JEPA路线的价值不在于它已经造出了AGI,而在于它提供了一条与自回归LLM在架构上不连续的技术路径,并且开始产出可复现的规划结果。
资本和产品化在加速,但需要区分"定价"和"验证"。 李飞飞的World Labs在2026年2月完成10亿美元新一轮融资(不同信源的估值口径在50---54亿美元之间),9月被AMD以约82亿美元全股票交易 收购,交易预计2026年底前完成;Wayve以86亿美元估值完成12亿美元D轮融资 ;英伟达开源Cosmos 3,华为云于2026年11月16日发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,在RoboTwin 2.0和LiberoPro 2.0两个评测基准中均排名第一。这些数字说明产业资本已经把世界模型当作下一代基础模型来定价,但它们不构成对NSP技术假设的验证------定价反映的是预期,不是因果链的闭合。
三、反对"NSP已经是AGI叙事"的证据:五个尚未解决的硬约束
如果只看产品发布和融资数字,世界模型的故事线非常完整。但把评估数据和工程现实放进来,NSP离"AGI叙事"至少还有五道没有跨过去的坎。
第一,物理一致性远未及格。 2026年10月发布的"World Models' Last Exam in Physics"基准(arXiv:2610.08791),用40个受控物理任务 评估视频世界模型,覆盖力学、光学、流体、热力学、电磁学、表面张力等维度,8个模型、1,280段视频 中表现最好的Seedance 2.5总分仅57.76/100,MiniMax H3以54.89分紧随其后。Genie 4在演示中能模拟空气动力学和碰撞,但"在精选场景中看起来对"和"在开放场景中稳定地对"之间,是评估基准不会帮你掩盖的差距。
第二,Sim2Real鸿沟有一个残酷的典型数字,但不是普适常数。 一个被广泛引用的案例是:仿真环境中抓取成功率98% 的灵巧手算法,部署到真实机械臂后成功率降至60% ,近40个百分点的落差构成了Sim2Real Gap的核心痛点。其他信源给出的区间类似但不完全相同:仿真95%的policy在真机上可跌至30---60%,仿真99%可降至55%。具体落差随任务、硬件和感知条件差异显著,但方向是确定的:虚拟推演与真实动力学之间的残差没有被系统性校准之前,"在内部世界完成海量推演"的承诺在商业场景中就无法兑现。
第三,数据与算力的约束不是"再堆一代模型"能解决的。 斯坦福AI100报告(2026年11月)的核心判断是:过去五年生成式AI的进步主要来自数据和算力的增加,但这条路径正在撞上高质量数据稀缺和前沿训练成本高得难以承受 的上限,下一阶段的进步更依赖推理时算力和算法优化,而不是单纯扩大规模。世界模型恰好落在约束最紧的位置:它需要动作条件化的物理交互数据,而这类数据的规模和多样性远远无法与互联网文本相比。合成数据是出路之一,但合成数据本身的物理保真度也需要被验证。
第四,"概念筐"效应正在透支叙事的可信度。 当视频生成、3D重建、轨迹预测和机器人策略都自称世界模型时,外部观察者无法判断一项进展到底推进了NSP的哪个环节。这不是说所有宣称者都在夸大,而是说在定义和评估标准尚未收敛之前,"世界模型取得突破"这句话的信息含量被系统性稀释了。
第五,实时性与算力开销构成端侧落地的结构性矛盾。 北京大学团队2026年10月发表在 The Innovation 上的综述把这一点定义为**"计算可用性鸿沟"(computational usability gap)** :机器人、车辆和工业系统必须在毫秒到秒级、部分观测、有限能量和带宽下行动,最有用的世界模型不一定是生成最逼真视频的那一个,而是知道什么时候该停止想象的那一个。综述中给出的对照数据很有说服力:在相同消费级GPU上,潜在rollout规划器(V-JEPA 2-AC)把每动作规划延迟从240秒压缩到16秒,同时将到达成功率从80%提升到100%;而MiraBench评估中12个世界模型配置的物理规则遵守得分全部低于26,尽管其中5个的任务完成分超过90。生成逼真度和行动可用性之间的脱节,不是靠提升分辨率能弥合的。
四、一个更有用的判断框架:不要问"是不是",要问"在哪一层"
把"世界模型是不是下一个AGI叙事"当作一个二元问题,很难得到有信息量的答案。更有用的做法,是回到李飞飞的渲染器---模拟器---规划器三分法,逐层追问:这一层的NSP能力是否已经支撑AGI所需的核心功能?
| 层级 | NSP需要做到什么 | 2026年的实际状态 | AGI相关性 |
|---|---|---|---|
| 渲染器 | 生成视觉连贯、可交互的未来画面 | Genie 4已产品化,物理一致性基准57.76/100,交互窗口约2分钟(媒体报道口径) | 弱------生成逼真视频不等于理解世界 |
| 模拟器 | 输出几何/物理忠实的潜在状态,支撑仿真与数据生成 | NVIDIA Cosmos 3、World Labs Marble、华为CloudRobo-WM1.2在垂直场景可用;Sim2Real典型落差98%→60% | 中------是基础设施,但不是决策本身 |
| 规划器 | 在抽象状态空间中预测行动后果,支撑长程规划 | H-JEPA在AntMaze从18%→73%,LeWorldModel单GPU<1秒;长程开放环境泛化尚未验证 | 强------这一层才真正进入AGI讨论的射程 |
这个框架给出的判断是:NSP作为AGI叙事,其合法性几乎全部集中在"规划器"这一层。 渲染器和模拟器的进展当然重要,但它们是使能技术,不是AGI的充分证据。LeCun路线的价值恰恰在于它直接瞄准了规划器层,并且给出了一个可检验的替代方案:不重建像素,在潜在表征中预测,用分层结构处理不同时间尺度。但H-JEPA的验证仍然局限在短程迷宫和导航任务中,离开放环境的长程自主决策还有距离。JEPA证明了NSP在规划层"有可能",但没有证明它"已经"构成了AGI的叙事基础。
五、对开发者和技术决策者的务实含义
第一,不要把"世界模型"当作一个选型单位。 先问清楚供应商或开源项目在渲染器、模拟器还是规划器的坐标系里。一个宣称"世界模型"的产品,如果实际能力是生成可交互视频,它在你的系统中替代的是内容生成或仿真数据管线,不是决策模块。
第二,如果场景是自动驾驶或机器人,Sim2Real的残差比生成保真度更值得评估。 要求供应商提供动作条件化的物理一致性数据,而不是精选的演示视频。关注"给定动作序列、预测的下一状态与实测状态之间的误差",而不是"生成的画面看起来像不像"。57.76/100的物理基准分数和98%→60%的迁移落差,应该进入选型讨论。
第三,如果你的系统对实时性有要求,先算"计算可用性"这笔账。 一个在云端用大算力生成分钟级一致世界的模型,和一个能在控制器上以毫秒级延迟预测下一步状态的模型,是两种不同的产品。后者的技术成熟度远低于前者的发布声量。
第四,对"概念筐"保持警觉,但不必因此否定整条路线。 标签膨胀本身不构成对技术价值的证伪。真正需要警惕的是用叙事替代评估:当一项工作无法说清楚它在哪一层推进了什么可测量的能力时,"世界模型"这个词就不应该进入技术决策的输入。
写在最后
回到标题的问题:世界模型是不是下一个AGI叙事?
我的判断是:NSP作为一条技术路线,有资格进入AGI叙事的候选名单;但作为一篇已经写好的叙事,它还没有完成论证。 它拥有LLM scaling所缺乏的东西------一个关于"智能体如何理解因果性和规划"的清晰问题设定;但它也正在重复LLM scaling曾经犯过的错误------用资本定价和产品发布的速度,替代对核心能力是否闭合的耐心检验。
2026年真正重要的进展,不是Genie 4能生成多逼真的世界,也不是某家世界模型公司又融了多少钱,而是物理一致性被量化成57.76/100,Sim2Real的落差被具体案例标注为98%→60%,H-JEPA在一个18%起步的迷宫里推到73%。这些数字不性感,但它们比任何叙事都更接近真相。