電腦科學家 Louis Castricato 花八年研究大型語言模型，但他離開了布朗大學的博士班，因為他認為，人們基本上已經過了做真正基礎 LLM 研究的時間點；而 Castricato 不是唯一這樣想的人，包含 AI 教母李飛飛在內，愈來愈多 AI 領域的頂尖研究者，正在投入他們認為的下一個前沿：讓 AI 系統學會如何在物理環境中反應的「世界模型」。
聊天機器人不會拿起咖啡杯
語言模型的運作方式，是透過反覆預測下一個詞或像素，來生成新的文字、圖像或程式碼。這套方法在過去幾年，讓 AI 助理改變了辦公室工作與部分創意領域的生態，但它有一個根本的限制。
卡內基美隆大學電腦科學院長 Martial Hebert 說，世界的幾何結構、手部移動的動態、與杯子接觸時的物理互動，這些都遠比預測句子裡的下一個詞複雜得多。聊天機器人能告訴你如何拿起一個咖啡杯，卻沒辦法真的拿起它。
圖靈獎得主 Yann LeCun 則用一個更日常的例子說明這個問題：當有人問「洗車店在 100 公尺外，我應該走路去嗎」，不少 LLM 會建議步行，理由是距離很近，卻忽略了「車必須被開進洗車店」這個最基本的物理前提。
LeCun 指出，這不是一般所說的「幻覺」問題，而是模型根本缺乏對物理世界因果關係的內部建模能力。
LLM 能說出「如果我這樣做可能會發生什麼」，但那是在複現訓練資料中的語言模式，而非真正在內部模擬世界的運作。
什麼是世界模型？每個人的答案都不一樣
儘管這個概念正在吸引大量研究者的注意，它至今沒有一個公認的定義，往往取決於開發者想建構什麼應用。
李飛飛近期的發言提供了一個對比性的描述：語言模型學習文字的統計結構，世界模型學習的則是空間與時間的統計結構——光如何照在表面、從未被攝影機捕捉過的角度花園長什麼樣、物體如何回應力量並遵循物理定律。
李飛飛是 ImageNet 的創建者，這個 2009 年的資料集催生了電腦視覺的深度學習革命，她同時也是舊金山新創 World Labs 的創辦人，她將世界模型形容為「當今 AI 中最重要、也最被過度使用的詞彙之一」。
已離開 Meta 首席 AI 科學家一職、在巴黎創辦 Advanced Machine Intelligence Labs 的 LeCun，則從功能面定義：世界模型讓 AI 代理能夠「預測自身行動的後果」。
兩人的定義看似不同，但指向同一個核心，那就是 AI 需要一套內部模型，讓它在採取行動之前，就能模擬行動帶來的結果。
三條應用路徑，成熟度落差懸殊
李飛飛試圖為這個混亂的領域建立一套分類，將世界模型分為三種：渲染器、模擬器與規劃器，三者的成熟度與應用場景截然不同。
渲染器著重虛擬世界的視覺保真度，是目前商業化程度最高的類型，但由於不一定遵循物理定律，無法可靠地用於訓練機器人。World Labs 的商業產品 Marble 便屬於此類，能從文字、圖像或影片生成並編輯持久性 3D 環境，目標客群涵蓋遊戲開發者、視覺特效工作室與 3D 設計專業人員。
模擬器則追求忠實呈現物理世界的結構，主要作為機器人的虛擬訓練場，是渲染器往物理真實性靠攏的下一步。
規劃器是三者中最難實現的，也是整個領域競逐的最終目標，它要讓 AI 代理在非結構化的真實環境中，判斷自己下一步應該做什麼；李飛飛表示，能夠規劃的機器人，才是能夠工作的機器人，而整個產業正在競逐誰能最先抵達這個目標。
對卡內基美隆大學電腦科學院長 Hebert 而言，規劃器正是世界模型對機器人研究最關鍵的意義所在。他用人體來類比這個概念：「你的身體和脊髓裡有一套非常通用的模型，知道如何保持平衡、如何走路，早上膝蓋痛的時候你會自動調整步伐，不需要刻意思考。」世界模型要做的，正是讓機器人擁有類似的通用環境感知能力，而不是為每個任務單獨設計控制邏輯。
不過，機器人並不是世界模型唯一的應用方向。Castricato 的 Overworld 走的是另一條路：建構能即時適應玩家行為的遊戲場景。當虛擬角色走進一片幽暗的森林，周遭環境會隨著角色的移動與互動而變化，而不是播放預先設計好的固定腳本。
資金開始流入，但商業化最難的問題還沒解決
相較於 AI 編碼工具或影像生成等應用，世界模型的近期商業價值仍不夠清晰，但這並未阻止風險資本的入場。
World Labs 在 2024 年 9 月完成 2.3 億美元種子輪，今年 2 月又完成 10 億美元戰略輪，投資方涵蓋 Andreessen Horowitz、AMD、NVIDIA，以及以 2 億美元策略投資的 Autodesk，累計融資約 12.3 億美元。
Kindred Ventures 共同創辦人 Steve Jang 也在押注這個方向，投資組合包含 Overworld、建構天氣預測 AI 的 Causal Labs，以及開發適合世界模型專用晶片的 Extropic，他認為未來將是許多不同架構與哲學的模型並存。
對於這個領域何時會出現決定性的轉折，LeCun 給出了一個具體預測：到 2027 年初，對於需要範式轉變的認識，將對所有人變得不言而喻。他同時強調，這不意味著屆時就會有解決方案，因為認知的轉變與技術方案的成熟，是兩件截然不同的事。
這個謹慎的補充說明，指向世界模型商業化最根本的困難：為了讓 AI 學會文字，人類花了幾十年在網路上累積了足夠的語料；為了讓 AI 學會物理世界，目前還沒有任何現成的資料庫可以直接拿來用。語言模型已進入以應用為主導的成熟期，世界模型則仍在基礎研究階段。
【推薦閱讀】
◆ 李飛飛拆解「世界模型」3 大分類，Google、NVIDIA 談的世界模型不是同一件事？
◆ AI 為何不再「越大越好」？專家：新一波擴展定律關鍵在「世界模型」
◆ 解讀 2026 年 4 大 AI 技術趨勢，為什麼「世界模型」與「編排調度」成企業關注重點？
＊本文開放合作夥伴轉載，參考資料：FastCompany、鉅亨網，首圖來源：Unsplash
（責任編輯：鄒家彥）
