世界模型综述的核心观点 - 世界模型是AI迈向“会想、会推演、会规划”通用智能的关键路线，其核心目标是通过学习环境演化规律，构建能够进行未来预测、内部仿真、规划搜索和行动决策的模型框架 [2] - 该综述系统梳理了世界模型的建模范式、方法、关键功能及应用，提供了一个全面的基准数据集、评估指标、模拟平台和跨模型性能对比，调研进展截止至2026年1月 [2][3] - 综述将现有方法归纳为四大分支：观测层生成式世界模型、潜空间世界模型、强化学习驱动的世界模型以及对象中心世界模型，并从统一建模视角进行系统分析 [2][10] 研究动机与综述特色 - 研究动机源于世界模型相关研究分散在视频生成、机器人学习、自动驾驶等不同社区，技术路线和评测协议不统一，而世界模型是连接感知、推理、控制与行动，走向更高层次智能系统的重要范式 [6][7] - 该综述的特色在于对世界模型进行了更系统的分析，从建模范式、数学形式、关键功能出发，进行了清晰的技术分类和数学化建模 [10] - 内容覆盖全面，不仅涵盖四类基础世界模型，还系统回顾了其在机器人、自动驾驶、科学发现等多个应用场景的进展，并总结了基准数据集、评测指标等 [10] 基础世界模型的分类与特点 - 观测层生成式世界模型：直接在观测层面建模未来世界，与图像、视频生成紧密联系，能直接生成未来观测结果，在仿真表现和结果呈现上具有优势 [16] - 潜空间世界模型：先将观测压缩到高维潜表示，再在潜空间中建模环境动态，更强调内部表征、动态推演与高效预测，体现了从表层生成走向内部机制建模的趋势 [16] - 强化学习驱动的世界模型：通过引入动态建模与奖励建模，使世界模型能在想象推演的基础上参与策略优化与行动选择，体现了其与智能体决策闭环之间的联系 [16] - 对象中心的世界模型：以对象为基本单位来组织和理解环境，把复杂场景表示为一组可交互、可组合的对象结构，在可解释性、组合泛化与结构建模方面价值鲜明 [16] - 预期的世界模型：未来方向是从当前依赖观测数据的“黑盒式”预测，转向基于符号化方程、具备因果可验证性且能持续更新的科学理论架构，目标是解释“为什么”而不仅仅是预测“什么” [16][17] 世界模型的主要应用场景 - 机器人：世界模型被视为连接感知、预测、推理与行动的核心中枢，在操作、导航、策略学习和运动控制中发挥关键作用，特别是在部分可观测、强物理交互环境中 [20] - 自动驾驶：世界模型是连接交通场景建模、行为推演与行动选择的关键模块，主要方向包括预测建模、动作条件想象和决策中心集成，以支持对未来场景的预判和规划决策 [22] - 科学发现：世界模型的应用从“面向交互的环境模拟”走向“面向复杂系统的数据驱动科学建模”，在社会科学、社会经济系统及物理与自然科学中支持长期预测、模拟推演和不确定性分析 [26] - 虚拟游戏模拟：作为经典应用场景，从2D像素级观测预测走向3D网格级观测预测，研究重点转向具备几何结构、交互能力与语义一致性的虚拟世界构建 [27] - GUI智能体：世界模型能增强GUI智能体的多步决策能力，使其在执行前对界面变化进行内部模拟，从而完成前瞻规划、方案比较与错误修正，主要应用于Web agents与操作系统/桌面agents [28] - 可解释与可信的世界模型：关注点从性能与功能推进到内部机制与可靠性，强调世界模型需具备支撑长期泛化的结构化内部表征，以及在分布偏移、对抗扰动等条件下保持稳定可靠的安全保证 [29] 基准、评测与未来挑战 - 该综述梳理了预训练视频基准、下游任务benchmark、一般性评测指标、物理引擎与仿真平台，以及不同世界模型之间的性能比较，并强调未来评测应纳入泛化能力、因果推理能力和长期一致性等更本质的指标 [31] - 在WorldScore数据集上的性能比较显示，不同观测级生成世界模型在多项指标上存在差异，例如TeleWorld在部分指标上得分达78.23、66.73、76.58，而Gen-3在相应指标上为60.71、57.58、29.47 [32] - 未来面临的关键挑战包括：长时程一致性与因果推理，需解决长时间滚动预测时的误差累积、视觉漂移等问题 [34]；物理与语义约束的融合，需引入物理先验、可微仿真器等使模型符合规律 [35]；泛化与可扩展性，需关注多模态大规模预训练、数据高效学习等方向以突破狭窄任务限制并降低训练成本 [35]