世界模型:自动驾驶先跑通,机器人卡在哪?

过去谈世界模型，很多人第一反应还是AI视频：输入一句话，生成一段能看的未来画面。现在变化已经往前走了一步，它开始进入自动驾驶、机器人和具身智能，目标不只是“画得像”，而是让系统提前判断行动之后世界会怎么变。

同一个词下面，实际装着几条差异很大的路线。Sora、Genie、Cosmos偏向生成未来画面和可交互世界。

Meta V-JEPA和AMI Labs更强调在抽象表征里预测。小鹏、理想、华为等车企则把世界模型放进云端仿真和驾驶策略训练。

真正影响产业落地的，不是名字叫不叫世界模型，而是三个更硬的条件：生成结果是否足够物理一致，预测能不能接上动作，系统是否已经进入可验证的产品闭环。按这三个条件看，自动驾驶明显走在前面，机器人还在更早的位置。

世界模型最核心的功能，是给智能体做一个内部环境表征。车要变道，不只是识别旁边有几辆车，还要预测自己加速、减速或并线后，周围车辆可能如何反应，再选择相对稳健的动作。理解当前状态、预测后续变化、辅助规划决策，这三件事才是世界模型的共同底层任务。

分歧出在预测发生在哪里。生成式路线直接生成未来画面、视频或3D世界，好处是结果可见，可以拿来做内容、合成数据和仿真环境。

JEPA路线只在抽象表征空间预测，不把未来还原成画面，目标是减少像素级冗余，提高规划效率。产业侧现在更容易押注前者，因为每一步进展都可能变成视频产品、数据工厂或仿真服务。

但生成式并不等于已经掌握物理世界。视觉逼真更像渲染器，能让人看到未来的样子。

自动驾驶和机器人需要的是模拟器，输出状态要可计算、可交互，并且符合几何和物理约束。stable-worldmodel评测给过一个很直观的信号：被测模型在标准推物任务的干净条件成功率约50.8%，只改变背景颜色后降到约6%。画面好看和策略可靠之间，还有一段工程距离。

世界模型进入物理AI后，下一步要看它和动作怎么连接。最松的一种方式，是把世界模型当数据工厂或仿真器，英伟达Cosmos给GR00T造训练数据，Wayve GAIA生成驾驶场景，特斯拉神经世界模拟器训练独立端到端网络，都属于这个层级。

更深的一层，是把世界模型变成闭环训练环境。理想MindVLA、小鹏X-World、华为世界引擎，都不是只做一段演示视频，而是让策略在虚拟环境中训练，再回到真实产品里验证。再往前，是架构级融合，小鹏X-Foresight和阿里RynnVLA-002尝试在同一架构里同时预测未来画面和动作。世界模型越接近动作决策，产业价值越不取决于生成效果，而取决于它能不能降低真实世界试错成本。

这里也能解释它和VLA的关系。VLA负责从视觉和语言指令映射到动作，世界模型负责预测环境如何变化。

两者不是替代关系。纯VLA可以直接从当前画面出动作，融合路线则在行动前多做一步未来推演。对车和机器人来说，这一步推演如果不稳定，动作输出就可能把仿真里的错误带到真实场景。

自动驾驶之所以跑得更快，不是因为它对物理一致性的要求低，而是它同时具备三项条件。第一，量产车队能持续回传真实道路数据。

第二，道路、车道线、交通规则和常见交互限制了世界开放度。第三，安全与体验可以直接变成产品竞争力，企业愿意为闭环训练投入。

一个完整的数据飞轮已经能看清楚：量产车队先回传真实数据，云端世界模型再重建和生成场景，尤其补充危险或罕见长尾场景。

驾驶策略在虚拟环境中做大规模闭环强化学习，再通过OTA回到车端。新策略上车后继续回传新数据，进入下一轮迭代。这套闭环把过去依赖实车试错的部分，尽量前移到可控的虚拟环境里。

公司样本也基本沿着这条路展开。Wayve、Waymo、Waabi、特斯拉侧重生成式仿真和闭环模拟。

国内的小鹏、理想、华为、蔚来、商汤等，则把世界模型放进智驾系统、云端训练或难例生成。它们的共同点不是路线完全一致，而是都在把“造场景”接到训练、评测和车端更新上。

机器人看起来需求最强，因为真实机器人的数据更稀缺，试错成本也更高。问题在于，它对世界模型的要求比汽车更细：抓取、碰撞、摩擦、形变和接触力都可能影响任务成败。自动驾驶主要在道路空间里运动，机器人要和开放物体直接发生接触，这让仿真到现实的误差更难控制。

算力也是另一条约束。生成式路线训练和推理成本高，扩散模型需要反复去噪，长序列还会累积误差。

Sora应用曾被公开报道算力消耗约每天100万美元，之后在2026年3月关停。JEPA路线如果跑通，可能在推理端降低单位世界理解能力的算力需求，但它还要面对训练坍缩、状态不可直接观察、缺少中间产品等问题。一边更容易商业化，一边更像长期效率解，这就是当前路线分化的现实原因。

把数字内容、自动驾驶和机器人放在一起，落地顺序其实很清楚：低风险内容场景最快，因为视觉瑕疵通常不会造成安全事故。

自动驾驶闭环最深，因为有量产数据和道路约束。机器人最难，因为开放任务和接触物理都更复杂。三者最后都会碰到同一组瓶颈：物理一致性不足、长时序不稳、评测标准不统一。

世界模型的核心矛盾，是从生成画面跨到可验证的物理推演。自动驾驶能够先跑出来，成立条件不是单一模型能力，而是量产数据、受约束道路场景、云端仿真训练和车端反馈同时存在。

机器人要形成同样闭环，需要把接触物理、长时序稳定性、低成本推理和独立评测一起补上。只有走到模拟器和动作闭环，世界模型才会真正改变物理AI的训练方式，这也是自动驾驶先跑通、机器人仍受约束的根本差别。

如果想继续核对这些变化，我还整理了世界模型产业链的关键环节、供需传导、成本交付约束和后续变量，放在文末左下角的【阅读原文】里，需要的话可以自取。