世界模型

能预测「做了某个动作之后，世界会变成什么样」的模型。

世界模型指学会「环境会怎么变化」的模型：给定当前状态或画面和一个动作，预测下一步的状态或画面。2018 年 Ha 与 Schmidhuber 的论文《World Models》让这个词流行起来：先用变分自编码器把游戏画面压成低维向量，再用循环网络预测下一步，智能体可以在模型生成的「梦境」里学策略，再迁移回真实游戏。如今它既指只在隐空间（压缩后的特征）里预测的模型，如服务强化学习的 DreamerV3、用于机器人规划的 Meta V-JEPA 2，也指谷歌 DeepMind Genie 3、英伟达 Cosmos 这类直接生成视频画面的大模型。在具身智能里，世界模型用来生成合成训练数据、在「想象」中评估策略和做规划，减少真机试错。

例子Genie 3（2025 年 8 月发布）根据一句文字描述生成一个 720p、24 帧/秒的场景，用户按方向键移动时实时生成后续画面，并能记住约一分钟前看到的内容。

也叫

World Models、世界模拟器

相关

隐空间世界模型、世界基础模型、世界动作模型、Cosmos、Genie 3、基于模型的强化学习

来源

World Models (Ha & Schmidhuber, arXiv:1803.10122)
Genie 3: A new frontier for world models (Google DeepMind)
What Are World Models? (NVIDIA Glossary)
V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning (arXiv:2506.09985)

信息截至

2025-08