最近看到OpenAI的o1论文里那个能"推理出解题步骤"的模型，突然意识到大模型进化到这步，我们该认真考虑两个问题：如果模型连物理世界的因果关系都能建模，是不是该给它一双脚？如果它真的开始理解"为什么水会流下山坡"，这算不算在构建某种世界模型？
先说世界模型这个概念。传统LLM本质上是概率分布预测器，而真正的世界模型需要具备动态状态表征能力。就像自动驾驶系统必须理解"刹车力度-轮胎摩擦-减速曲线"的非线性关系。MIT最新研究用NeRF构建了3D物理仿真环境，让模型在虚拟世界中学习机械臂操作——这其实是个世界模型的雏形。但这里有个关键矛盾：当前Transformer架构处理连续时空信号时存在维度灾难。比如要让模型理解"杯子从桌面滑落"这个过程，需要至少6维空间坐标+2维时间+材质属性，这种稀疏编码效率太低。
再来看具身智能。不是给机器人套个GPT那么简单！波士顿动力Atlas的跌倒恢复算法和PaLM-E的视觉-动作联合训练有本质区别。前者依赖动力学模拟，后者试图让模型自己发现"重心调整→关节扭矩变化→姿态稳定"的隐式规则。但现有方案有个致命伤：大多数具身系统把传感器数据直接喂给大模型，就像让人类用显微镜观察细胞却不用任何生物学知识。真正的突破应该像人脑那样，先建立抽象的物理法则库（比如刚体碰撞公式），再结合具体场景参数。
有意思的是，这两者正在互相催化。斯坦福团队最近在Science Robotics发表的实验显示，当机械臂在真实环境中操作时，其视觉编码器会自发形成与世界模型对应的表征结构。更吊诡的是，某些情况下模型甚至能通过少量样本推断未知物体的物理特性——这让我想起人类婴儿的"泛化"行为。不过要小心，这类结果往往来自精心设计的仿真环境，离现实还有光年距离。
个人认为，接下来三年最可能出现的范式是混合架构。例如：底层用扩散模型处理连续状态空间（类似世界模型的微分方程求解），顶层用MoE实现模块化决策（类似人类的分层认知）。但行业有个普遍误区：总想一步到位搞通用智能。实际上，专用型具身智能（如工业质检机器人）可能比通用AGI更早落地。就像当年AlphaGo Zero不需要人类棋谱也能自学，但现在的具身系统反而过度依赖示范数据——这明显违背了世界模型的核心思想。
最后吐槽一下：现在学术界流行把任何多模态研究都称为"世界模型"，包括CLIP那种简单的跨模态对齐。真正有价值的研究应该关注三个指标：①物理规律的可解释性 ②状态转移的预测精度 ③小样本适应能力。别再把"涌现能力"当万能挡箭牌了——当你的模型连牛顿力学都无法正确建模时，谈什么具身智能都是耍流氓。