从Next-Token到Next-State的世界模型

一、从语言到世界：AI的新跨越

Next-Token的辉煌与边界

过去几年，大语言模型凭借“预测下一个Token”的训练范式横扫千军。从ChatGPT到Claude，AI在文本生成、代码编写、逻辑推理等数字原生任务上展现出了惊人的能力。这套范式如此成功，以至于业界一度认为“只要规模足够大，智能就会涌现”。然而，当AI试图走出数字世界、踏入物理现实时，Next-Token的局限性开始暴露——它能写出完美的论文，却无法预测一个苹果从桌上掉落后的运动轨迹；它能解析复杂的法律条文，却搞不懂“把水杯推下桌沿”会引发什么后果。

物理世界需要“状态”，而非“Token”

根本原因在于，互联网文本是人类语言的编码，而非物理世界的编码。语言可以描述重力，但不包含重力本身；可以提及“惯性”，却不携带惯性的动量方程。要让AI真正理解并作用于物理世界，就必须让它学会预测“下一个物理状态”，而不仅仅是“下一个文字符号”。这正是世界模型的核心使命。

二、什么是“预测下一个状态”

状态的定义与预测逻辑

“世界状态”是对某一时刻真实世界所有相关属性的完整刻画。以自动驾驶为例，当前状态包括车辆位置、速度、周围障碍物距离、路面摩擦系数等。Next-State Prediction的任务是：基于当前状态和即将执行的动作，推演下一秒状态的变化。智源研究院院长王仲远用一个直观场景解释：一瓶未开封的矿泉水和一杯满装咖啡放在桌边，人类能凭直觉预判两者坠地后的不同后果——水瓶可能弹跳，但咖啡必然泼洒四溅。这种对物理因果的预判能力，正是人类世界模型的体现，而今天的AI模型还远未掌握。

视频生成不等于世界模型

值得警惕的是，当前许多标榜“世界模型”的研究实为视频生成模型。它们能生成逼真的未来帧画面，但画面中的物理规律可能是错误的——物体可能穿墙而过，液体可能违背重力向上流。真正的世界模型必须内嵌物理约束，能够回答“如果推这个箱子，它会滑多远、朝哪个方向”这种反事实推理问题，而不仅仅是生成一段好看的视频。

三、为什么世界模型是AGI的必经之路

认知闭环与规划能力

人类智能的核心在于“预测-行动-验证”的闭环。我们每做一个动作，大脑都会提前模拟其后果，据此调整策略。世界模型为AI提供了同样的能力——在真实执行之前先在内部“预演”一遍，评估风险与收益，选择最优路径。这种“想象力”让AI不再依赖海量试错，而是像人类一样通过少量尝试即可掌握新技能。

具身智能的刚需

对于机器人、自动驾驶、无人机等具身智能体而言，没有世界模型就等于“盲人开车”。它们必须理解物体恒存性、摩擦力、碰撞响应等基本物理常识，才能在未知环境中鲁棒运行。2026年智源大会形成的共识是：具身智能的大脑必须包含世界模型，否则VLA（视觉-语言-动作）模型只能拼凑感知与动作，无法实现真正的理解与泛化。

四、技术路线与产业竞速

三大技术路径

当前构建世界模型主要有三条技术路径：一是基于扩散模型，从噪声中逐步生成未来状态；二是基于Transformer的自回归预测，将状态序列视为多模态Token；三是基于物理引擎的可微模拟，将经典力学方程嵌入神经网络。三者各有优劣，行业尚未收敛于统一范式，但融合趋势已现。

资本与巨头集体押注

范式信号发出后，产业界迅速响应。2026年上半年，国内极佳视界完成15亿元融资，智平方B轮超10亿元，千寻智能一季度连融四轮总计45亿元。海外同样狂热——杨立昆创立的AMI Labs获10.3亿美元种子轮，李飞飞的World Labs完成10亿美元融资。摩根士丹利预测，到2035年世界模型赋能的产业规模可达10万亿美元。

五、挑战与未来展望

当前瓶颈：因果与复杂度

王仲远坦承，当前模型在因果推理和复杂动态系统预判上存在显著短板。视觉信息难以完整捕获接触力、材料属性等隐式物理量，360度环绕视觉也无法反推出摩擦系数。此外，训练世界模型需要海量高质量物理交互数据，而这类数据极度稀缺，仿真到现实的迁移（sim-to-real）仍面临巨大鸿沟。

从“能用”到“好用”的漫长之路

从Next-Token到Next-State，AI正站在从“符号生成”走向“现实理解”的历史拐点。这条路能否走通，取决于数据、算力、算法的协同突破。但方向已定——未来的AI必须拥有对物理世界的认知与预测能力，而不是仅仅做一个聪明的“文字游戏高手”。当世界模型真正成熟，AI将从屏幕中走出来，进入由重力、动量、材料构成的真实世界，开启全新的智能纪元。