世界模型
世界模型（World Model）是指能够对外部环境进行内部表征与模拟的计算模型或认知框架，起源于认知科学，后广泛应用于人工智能领域。其核心能力包括：对环境状态的感知与建模、对因果关系和动态变化的推理预测，以及支持智能体在无需直接与真实环境交互的情况下进行规划与决策。世界模型被视为通用人工智能的重要组成部分。
核心事实
时间轴 (近 90 天)
由于传感器噪声和动态环境，机器人世界模型中的每个条目往往带有不确定性估计，例如用协方差或置信度分数表示。
机器人内部的环境模型通常被称为“世界模型”或“语义地图”，它将物体类别、属性、位姿等语义信息与空间位置关联起来。
世界模型可以学到有意义的动作动力学，却未必忠实捕捉其局部敏感度结构——预测精度与局部动作几何保真度并不等价。
SparsePR是一种免训练的稀疏注意力机制，面向视频生成与世界模型两类负载，不改变模型权重、不增加训练阶段，直接在推理时对注意力计算做稀疏化。
如果世界模型没有编码质量、摩擦等物理属性，那么基于其潜在表示的规划在真实世界中可能面临风险。
论文认为，当前世界模型的失败在很大程度上是评估策略的症状，这些策略难以解释、难以迁移且计算开销大。
42AI结束隐身模式，宣布获得6250万美元融资，并推出一款号称能预测人类行为的世界模型。
世界模型概念最早由Juergen Schmidhuber等学者系统提出，核心思想是智能体在内部构建环境的压缩表征，模拟动作后的世界状态以进行规划。
按动作条件生成指模型在生成未来状态时，将动作序列作为显式输入条件，需要建立动作与状态变化之间的因果映射。
世界模型落地面临两大挑战：将通用模型适配到具体传感器、任务和数据；以及将模型集成到实时仿真或生产管线中满足延迟和吞吐要求。
还有 40 条时间轴事件
全部知识事实 (20)
世界模型概念源自认知科学和强化学习领域，由Yann LeCun等人大力推动，指智能体对外部环境的内部表征
80%已验证交互式世界模型与传统视频预测模型的关键区别在于可控性，需要接收动作输入并生成对应后续画面
80%已验证世界模型（World Model）指AI系统在内部构建对环境状态及其演变规律的表征，从而能够预测行动带来的后果
75%已验证世界模型概念源自Yann LeCun提出的自主机器智能架构，核心思想是让AI在内部构建物理世界运行规律的模拟器以预测行动后果
75%已验证世界模型指机器人对物理环境的内部预测能力，给定当前状态和一个动作能够预测下一步会发生什么
75%已验证在自回归预测中，每一步的误差会叠加到下一步，导致长程预测迅速退化
75%已验证世界模型指一种内在的认知表征，使智能体能够预测行动后果、进行因果推理并在脑海中模拟未发生的情境
65%已验证世界模型通常需要整合视频、传感器、物理仿真等多模态数据，学习物体运动、因果关系和空间拓扑等规律
65%已验证训练前沿大模型需要巨大的算力投入，随着模型规模增大存在边际收益递减
65%已验证视频生成模型对时间连贯性的要求迫使模型在训练过程中学习更接近真实世界的动力学表示
65%已验证Yann LeCun是Meta首席AI科学家，将世界模型视为通向通用人工智能的关键组件
65%已验证混合精度训练和梯度累积等技术可以在有限GPU内存下训练更大模型
65%已验证世界模型本质上是学习环境的动力学方程——给定当前状态和动作，预测下一个状态
65%待验证能模拟现实并不等同于真正理解现实，模拟现实衡量的更多是表象拟合能力而非底层世界理解
70%待验证Atlas 是一个面向空间智能（Spatial Intelligence）的世界模型项目
70%待验证心智模型概念最早由认知科学家Kenneth Craik在1943年的著作《The Nature of Explanation》中提出
70%待验证DeepMind开发了名为Genie的交互式世界模型系统
70%待验证Project Genie是谷歌DeepMind推出的基础世界模型（Foundation World Model）项目
70%部分验证世界模型是一类学习环境动态规律、能预测状态演化的模型，典型代表包括 Ha & Schmidhuber 的 World Models、Dreamer 系列以及 Genie、GameNGen 等生成式环境模型。
65%待验证视频生成模型对物理规律的掌握程度关系到能否用于机器人训练、自动驾驶仿真、科学模拟等应用场景
60%