据 ai987.cn 于 2026 年 10 月 12 日收到的消息 ‣ 在构建下一代人工智能的顶尖实验室中，“世界模型”这一概念正迅速获得核心地位。与预测文本序列的大语言模型不同，世界模型旨在通过观察学习系统动力学，并模拟推演未来状态，从而建立对现实世界的内在理解。Meta前首席AI科学家杨立昆已于2025年底离职创立先进机器智能实验室，将其研究重心完全置于此架构之上；Google DeepMind负责人哈萨比斯将其作为通用人工智能突破的关键；OpenAI的Sora被奥特曼称为世界模拟器，但这一定性仍存争议；李飞飞为其“世界实验室”融资十亿美元追求“空间智能”；英伟达黄仁勋则构建支撑物理AI的仿真平台与算力基座。

杨立昆押注的联合嵌入预测架构（JEPA）旨在让模型学习系统“行为”而非“外观”，以期在物理世界中实现更强泛化能力。这不再是单一产品范畴，而是可能将AI从“通晓语言却无物理常识”推向“具备物理世界根基理解”的关键架构跃迁。若判断正确，当前构建的底层技术、主导者及训练数据，将深远塑造AI未来数年的能力边界，在气候、海洋、生物圈及疾病生物学等领域蕴含巨大解题潜力。

作者塞琳·赫维耶曾任NASA气候科学家，后主导撰写早期关于AI与地球系统的里程碑式报告。她指出，AI已在野火监测、甲烷泄漏识别、全球洪水预警及天气预报等领域取得实质性进展。DeepMind的GraphCast等神经天气模型已在计算成本大幅降低的前提下，匹配甚至超越传统物理模型，AlphaFold、英伟达Earth-2等系统亦已投入生物学与气象运营应用。

然而，最棘手的科学难题进展甚微：飓风登陆路径、干旱转折点、冰盖融化下的洋流演变、次季节预报准确度、陆地碳汇不确定性及热带对流参数化等。瓶颈不在于算力、数据或已知物理定律，而在于“表达”——如何建模那些物理机制不全、观测稀疏的复杂耦合系统。现有地球系统模型将大气、海洋、冰盖、陆地割裂建模，削弱了耦合信号；关键变量如根区土壤湿度、深海及冰架空腔仍大多不可观测。单纯扩大语言模型规模无法解决这一结构性缺陷。

世界模型的价值在于不替代物理定律，而是从联合地球系统记录中学习隐性动力学，同时将可信物理约束作为硬性条件。对于混沌系统，这能在遵守已知方程的前提下捕捉未显性化的演化规律。当前相关技术虽在生物学与天气预报等观测丰富、物理部分明确的领域表现优异，但在海平面上升、碳循环、变暖星球耦合行为等不确定性收敛缓慢的开放系统中尚未发力。世界模型不会给确定性答案，但能提供更收敛、更诚实的合理未来区间，这对万亿美元级气候适应决策至关重要。不过，其无法预测地球从未进入的新机制（如大西洋经向翻转环流崩溃后的世界），因为缺乏“彼岸数据”。

当前，架构成熟、地球全维观测网络就绪、大模型时代资本开始再分配，三大力量汇聚。但商业驱动下的投资聚焦仓储物流、自动驾驶、工程数据等“物理AI”场景，如贝佐斯支持的“普罗米修斯”估值达410亿美元。若训练数据偏向这些领域，模型将只习得特定物理规律；若融入行星观测、细胞生物学、电网动力学等数据，则能服务人类赖以生存的系统。关键在于头部实验室是否以同等野心攻坚硬核科学问题，以及掌握核心科学数据的机构是否愿意开放共享。

语言模型时代教会AI“描述世界”，世界模型旨在让AI“理解世界如何运行”。若最强音证明正确，它们将成为下一代AI的基座：成为解析不可完全规约系统的科学工具，赋予AI在物理世界中推理与行动的能力。技术建设已不可逆转，核心抉择在于：我们选择建模什么——以及最艰巨的挑战能否从一开始就塑造这些系统，而非沦为事后继承品。

综合自TIME Ideas及相关媒体报道。