我们相信 26 年会是多模态技术的大年，其中视频生成会快速进步让应用大规模落地，而世界模型 则会有研究上的科学突破，甚至开始从 research 走向 production。 在相当长的一段时间内， World Model 这一概念始终处于较为混沌的状态；直到近半年，随着技术 路径逐渐收敛，尤其是在具身智能与真实交互场景中出现了初步落地的案例，世界模型的轮廓开始 变得清晰。 作者：Cage、Haozhen 如果和语言模型对比：语言模型解决的是语义层面的压缩和推理，预测下一个 token；世界模型是 在解决下一步更根本的问题，AI agent 是否能真正理解时间与空间，并进行预测下一帧、下一个行 动。如果和视频生成模型对比：世界模型在交互性、实时性、长时记忆和物理合理性这四点上都需 要更进一步。 于是行业中的玩家开始在这些提升方向有了各自的 bet， World Model 领域逐步分化出两条路线： 一条以实时视频生成为核心，服务文娱、游戏等 for human 的消费者场景；另一条以显式 3D 结构 为中心，服务机器人、自动驾驶等 for AI 的领域。 本文沿着这个路线分化展开，拆解两条路线的技术趋势和落地 ...