Apa Itu Model Dunia (World Model)? Bagaimana Mengguncang Dunia, Prinsip Kerja, Pertarungan Empat Raksasa, dan Kontroversinya

世界模型（World Model）讓 AI 建立「世界如何運作」的內部模型，理解空間、物理與因果，預測的是世界的下一個狀態，而不是像大型語言模型那樣只預測下一個字。它已在自駕車、機器人、遊戲場景落地，但畫面逼真不等於物理正確，與 LLM 誰才是通往 AGI 的正確路線，至今仍是業界最大的爭論之一。
（前情提要：李飛飛談 LLM 下一步：AI 須擁有「空間智慧」才能理解真實世界，Marble 模型如何實現？）
（背景補充：Serenity：世界模型成 AI 圈最大共識，中國資金棄基礎模型，轉為物理AI）

Daftar Isi

Toggle

• 世界模型是什麼？
• 世界模型和大型語言模型（LLM）差在哪？
• 世界模型怎麼運作？潛在空間與「預測下一刻」
• 2026 世界模型戰局：四大巨頭在押什麼？
• 世界模型能做什麼？自駕、機器人與遊戲的真實案例
• 世界模型的爭議與限制：它真的比 LLM 強嗎？
• 世界模型的未來：通往 AGI 的另一條路？

世界模型（World Model）是目前 AI 圈最常被提起、卻也最常被誤解的名詞之一。一句話定義：世界模型是一種讓 AI 建立「世界如何運作」內部模型的系統，讓它理解空間、物理與因果關係，並據此預測接下來會發生什麼。

它跟一般人熟悉的 ChatGPT、Claude 這類大型語言模型（LLM）不是同一條技術路線，LLM 預測的是「下一個字」，世界模型預測的是「世界的下一個狀態」。

世界模型是什麼？

世界模型（World Model），簡單來說就是讓 AI 學會「腦內模擬」的技術。舉個例子：人類過馬路前，會在腦中自動預演「如果我現在跨出去，那臺車還要幾秒到我面前」，這個預演不需要真的走到車前面試一次才知道結果。

世界模型想讓 AI 也具備這種能力，先在內部模擬各種可能，再決定下一步動作，而不是每次都要真實世界試錯。

史丹佛大學電腦科學教授、AI 領域指標人物李飛飛把世界模型的功能拆成三塊：

• 生成（generation）
• 理解（understanding）
• 模擬與互動（simulation/interaction）

她創辦的 World Labs，做的產品 Marble 主打的正是第三塊，模擬與互動，這被視為整條技術鏈裡最關鍵、也最難的一環，因為光是「生成一張漂亮的圖」不難，難的是生成一個「可以走進去、可以互動、物理邏輯還要合理」的空間。

這股風潮之所以在 2026 年集中爆發，一部分原因是產業界對 LLM 的天花板出現了明顯的焦慮。當「文字接龍」這條路線的天花板越來越清楚，一批研究者開始把賭注押到另一條路，讓 AI 直接學會理解「世界」本身，而不是只學會模仿人類怎麼描述世界。

值得先說清楚一個常見誤解：世界模型不是要取代 LLM 做對話或寫作，它解決的是完全不同的問題，空間推理、物理模擬、動作規劃。這也是為什麼它會先在自駕車、機器人、遊戲這幾個「需要理解物理世界」的領域率先落地，而不是聊天機器人。

世界模型和大型語言模型（LLM）差在哪？

大型語言模型（LLM）建立在 Transformer 架構上，運作方式是預測序列中「下一個 token（詞元）」。簡單來說就是，LLM 看過極大量的文字後，學會「這句話接下來最可能出現哪個字」，整個運算過程都發生在「文字空間」裡。

它從來沒有真正「看過」或「模擬過」物理世界，它內部沒有重力、沒有碰撞、沒有空間座標，只有文字之間的統計關係。

世界模型走的是另一條路。以 Yann LeCun 提出的 JEPA 為代表，它不去預測原始畫面的每一個畫素，也不預測文字 token，而是在「潛在空間」裡預測未來狀態的抽象表徵。

白話說就是，它會先把不重要的雜訊細節（例如背景牆上一道反光）主動丟掉，只保留理解這個世界所需要的核心資訊，這顆球正在往哪個方向滾、這輛車還要幾秒到路口。因為輸出是建立在一個明確、可檢驗的內部狀態上，一旦模型「內部想的」和「輸出的」對不上，這種不一致相對容易被偵測出來，這是 LLM 難以做到的。

兩者的差異，可以用下表快速對照：

| 比較專案 | | --- | 大型語言模型（LLM） | 世界模型（World Model） | | --- | --- | | 預測目標 | 下一個 token（文字） | 世界的下一個狀態 | | 運作空間 | 文字 / 語言空間 | 潛在空間（latent space） | | 核心架構 | Transformer | JEPA、擴散模型、自迴歸 Transformer 等 | | 是否理解物理 | 不模擬物理，無內部世界模型 | 學習物體移動、碰撞、重力等物理規律 | | 典型錯誤 | 幻覺（多數模型仍在 15% 以上） | 畫面逼真但物理不一定正確 | | 代表應用 | 對話、寫作、程式碼生成 | 自駕模擬、機器人訓練、可探索 3D 世界 |

要提醒的一點是：「畫面看起來逼真」不等於「物理上是對的」。以影片生成為基礎的世界模型，因為訓練目標更直接對準「看起來真不真」，不一定會保證「物理上合不合理」，這在自駕車、機器人這種容錯率極低的場景裡，是個關鍵的區別，也是接下來爭議的核心之一。

世界模型怎麼運作？潛在空間與「預測下一刻」

要理解世界模型的運作邏輯，得先搞懂兩個詞：潛在空間和預測下一刻。

潛在空間，簡單來說就是，AI 把眼前看到的畫面「壓縮」成一組抽象數字，只留下對理解這個世界有用的資訊，丟掉多餘的視覺雜訊。

舉個例子：一段行車紀錄器畫面裡，潛在空間可能只保留「前方有一輛車，距離在縮短，速度中等」這樣的抽象描述，而不去記錄畫面裡每一片樹葉的顏色。這樣做的好處是運算量大幅降低，而且模型學到的是「規律」而不是死記畫面。

有了潛在空間，下一步就是「預測下一刻」：給定目前的狀態，加上一個動作（例如方向盤往左打），模型要預測下一個狀態會長什麼樣子。

這個過程反覆疊代，就變成一個可以「往前推演」的內部模擬器，給 AI 一個當下，它能在腦內先跑過幾種可能的未來，再決定要採取哪個動作，而不必真的去現實世界裡撞一次才知道結果。

JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）是這套邏輯目前最具代表性的架構，由 Yang LeCun 在 2022 年的論文《A Path Towards Autonomous Machine Intelligence》中提出。

JEPA 的核心主張是：與其逼著模型生成每一個畫素的細節（這樣做既浪費算力、又容易被無關緊要的雜訊帶偏），不如直接在抽象層次上比對「預測的未來」和「實際的未來」是否一致。

這也是為什麼 LeCun 會說，世界模型讓錯誤變得「可被偵測」，因為它的輸出必須跟一個明確的內部表徵對齊，對不上就是訊號，而不是像 LLM 那樣，錯誤只會安安靜靜地混在一整串看似流暢的文字裡。

不過潛在空間也不是萬靈丹。模型到底該丟掉哪些細節、保留哪些細節，是個沒有標準答案的工程判斷，丟太多會讓模擬失真，丟太少又會拖垮運算效率，這也是目前各家世界模型架構設計上最大的分歧點之一。

2026 世界模型戰局：四大巨頭在押什麼？

2026 年的世界模型賽道，已經聚集了產業裡分量最重的幾組人馬，資金規模也大到足以說明這不是一時的技術噱頭。

李飛飛創辦的 World Labs 是這波浪潮最早出圈的公司。2024 年 9 月，World Labs 帶著 2,3 億美元募資、10 億美元估值出關；2026 年 1 月傳出正以約 5 億美元估值洽談新一輪募資；到了 2026 年 2 月 18 日，World Labs 正式宣布募得 1 億美元，投資方包含 AMD、Autodesk、Emerson Collective、Fidelity、NVIDIA、Sea，其中 Autodesk 領投 2 億美元，是 Autodesk 有史以來對新創公司最大的一筆投資。

累計下來，World Labs 至今募資總額約 12,3 億美元。旗艦產品 Marble 於 2025 年 11 月開放限量 beta 測試，2026 年 2 月正式商用，輸入可以是文字、照片、影片、全景圖或粗略的 3D 模型，輸出是可導航、可持久儲存、可編輯的 3D 環境，而且單次生成會同時產出兩種網格：高精度幾何用的 triangle mesh，以及專門給物理引擎做碰撞偵測用的 collider mesh。

Google DeepMind 的 Genie 3 則是目前唯一做到「即時互動」的世界模型。2025 年 8 月以研究預覽形式亮相，2026 年 1 月 29 日正式公開，開放給美國地區的 Google AI Ultra 訂閱用戶使用，同時推出 Project Genie 線上 demo，讓用戶可以直接生成世界、進去探索、甚至 remix 修改。

技術規格上，Genie 3 是一個 11B 引數的自迴歸（autoregressive）Transformer，能即時生成可以自由導航的世界，解析度 720p、每秒 24 幀（24fps），一致性可以維持數分鐘不崩壞。

NVIDIA 走的是平台路線。2025 年 1 月推出 Cosmos 世界基礎模型平台，2026 年 6 月 1 日再推出 Cosmos 3，號稱首個完全開放的 omnimodel，採用混合專家式 Transformer 架構，把視覺推理、世界生成、動作預測三件事整合進單一系統，涵蓋文字、影像、影片、環境音、動作等多種模態。

訓練資料規模驚人：約 20 兆 tokens 的多模態資料，包含近 1 億張圖片、4 億支真實與合成影片。NVIDIA 表示，這套系統把 physical AI（實體 AI）的訓練與評估週期，從過去的數個月大幅縮短到數天。Cosmos 3 底下還分出 Super（給機器人、自駕車用的高精度版本）、Nano（追求極速）、Edge 三種變體，NVIDIA 也拉了 Runway、Black Forest Labs、Skild AI 等公司組成 Cosmos Coalition 聯盟。

Yann LeCun 的動作最戲劇性。2025 年 11 月，他離開待了 12 年、原本擔任 FAIR 主任的 Meta，與 Alexandre LeBrun 共同創立 AMI Labs，總部設在巴黎，另在紐約、蒙特婁、新加坡設點。

2026 年 3 月 10 日，AMI Labs 宣布種子輪募得 1.3 億美元（約 8,9 億歐元），投前估值 35 億美元，這是歐洲新創史上最大的一筆種子輪募資。投資方名單包括 Bezos Expeditions、NVIDIA、Samsung、Temasek、Toyota Ventures，以及 Mark Cuban、Eric Schmidt 等知名個人投資者。LeCun 長期公開主張「LLM 走不到通用人工智慧」，如今他把離開 Meta 後的整段生涯，連同 1.3 億美元，全押在世界模型這條路線上。

四家的定位可以簡單對照如下：

| 公司 / 團隊 | | --- | 關鍵人物 | 代表產品 | 最新募資 / 規模 | 技術定位 | | --- | --- | --- | --- | --- | | World Labs | 李飛飛 | Marble | 累計約 12,3 億美元（2026/2 單輪 10 億美元） | 可導航、可持久 3D 空間生成 | | Google DeepMind | DeepMind 團隊 | Genie 3 | Google 內部資源支援 | 11B 引數、即時互動世界生成 | | NVIDIA | NVIDIA 團隊 | Cosmos 3 | NVIDIA 自有資源 + Cosmos Coalition 聯盟 | 開放式 omnimodel 平台，主攻 physical AI | | AMI Labs | Yann LeCun | JEPA 系列研究 | 種子輪 10,3 億美元，估值 35 億美元 | JEPA 潛在空間預測架構，理論路線最激進 |

四家公司的技術路線不完全相同，World Labs 偏重可用的 3D 空間產品、Genie 3 主攻即時互動、Cosmos 3 走開放平台、AMI Labs 專注底層架構研究，但共同的信念是一致的：

下一波 AI 突破，不會只靠把 LLM 做得更大，而要靠讓 AI 真正「理解」它所處的世界。

世界模型能做什麼？自駕、機器人與遊戲的真實案例

世界模型最先落地的場景，幾乎都跟「需要理解物理世界」高度相關，自駕車是最直接的例子。

新創公司 Decart 在 2026 年 6 月推出 Oasis 3，可以即時生成長達數小時、高度逼真的駕駛環境，主打幫自駕車模擬那些現實中很難遇到、卻攸關安全的「罕見場景」，像是暴雨中突然竄出的行人、對向來車失控偏移車道。

Oasis 3 的 API 已經開放使用，價格約每秒 2 美分，目標是搶下 physical AI 供應鏈裡「模擬層」的位置。Waymo 也在 2026 年 2 月發表自家的生成式模擬架構，建立在 Genie 3 之上；Tesla、NVIDIA、Wayve 等公司則各自在做類似的事。這類技術的核心價值很直接：讓自駕車能在「無限多種模擬場景」裡反覆練習，不需要真的把車開上路去撞一次才學到教訓。

機器人領域是另一個重點戰場。Cosmos 3、Oasis 3 這類系統可以生成可控制、多視角的模擬環境，機器人可以在這個虛擬空間裡學習抓取、行走、操作物件，並反覆改進動作策略。用合成資料取代真實世界的資料蒐集，能大幅降低機器人訓練的成本與時間，過去需要實體機器人在真實環境裡試錯數千次才能學會的動作，現在可以先在模擬環境裡跑過一輪。

遊戲與內容創作則是相對「討喜」的應用場景。Genie 3、Marble 都能從一句文字描述生成一個可以走進去探索的世界，這對遊戲原型開發、虛擬場景搭建是直接的生產力工具。同時，Luma、Runway 這類原本做影片生成的新創，也開始把自家「懂物理」的影片生成模型，往世界模型的方向轉型，這說明世界模型不是憑空冒出的新賽道，而是影片生成技術往「可互動、可控制」演化的自然下一步。

這幾個案例有個共通點：世界模型的價值，不在於「畫面多漂亮」，而在於「能不能拿來訓練、拿來模擬、拿來做決策」。這正是它和單純的影片生成工具最大的分界線。

世界模型的爭議與限制：它真的比 LLM 強嗎？

世界模型陣營裡最引人注目的一場賭注，來自 Yann LeCun。他離開 Meta、創立 AMI Labs、募得 10.3 億美元種子輪，本質上是把整個職涯押在一個判斷上：LLM 這條路線永遠到不了通用人工智慧，出路必須是世界模型。這個立場並非業界共識。

反方陣營裡，聲量最大的是 Anthropic 執行長 Dario Amodei。他的主張是，只要持續擴大模型規模、搭配架構上的漸進改進，LLM 本身就足以突破現有限制，甚至樂觀預期 2026 年有機會出現他形容為「資料中心裡的天才之國」的能力躍升。

換句話說，一方認為現有路線的天花板已經看到頂，必須換路線；另一方認為天花板還沒到，繼續往前衝就對了。這場路線之爭，目前沒有任何一方能拿出決定性證據說服對方，某種程度上，兩邊都是在用真金白銀下注一個尚未有答案的問題。

世界模型自身也不是沒有破綻。前面提過，潛在空間架構讓「內部不一致」的錯誤變得容易偵測，但這不代表世界模型不會犯錯，它解決的是「錯誤能不能被抓到」，而不是「錯誤會不會發生」。更關鍵的問題在於：畫面逼真，不等於物理正確。

以影片生成為基礎的世界模型，訓練目標更直接對準「看起來像不像真的」，不見得會對「物理邏輯合不合理」做出同等的最佳化，一顆球滾動的軌跡，看起來自然流暢，但實際的加速度、摩擦力計算未必經得起檢驗。這一點在自駕車、機器人這類「一次出錯就是事故」的應用場景裡，是不能被忽視的風險。

算力與延遲成本也是現實的門檻。以擴散模型（diffusion）為基礎的世界模型，每生成一幀畫面都需要經過多次去噪運算，對於機器人、自駕車這種要求即時反應的場景來說，這種延遲代價相當高，決策慢半拍，在真實世界裡可能就是一次擦撞。

另外，根據 Open-Sora 團隊的估算，想重現一個商用等級的影片生成模型，大約需要 2 juta 美元的算力成本，這還只是「重現」既有成果的門檻，不包含從零開發新架構的研發投入。

世界模型的未來：通往 AGI 的另一條路？

把這些線索拼在一起，可以看出一個清楚的產業訊號：2026 年，世界模型已經從一個學術概念，變成一場動用數十億美元、聚集產業最重量級人物的路線之爭。李飛飛用 Marble 證明「可導航的 3D 世界」能做成產品；Google DeepMind 用 Genie 3 證明「即時互動」技術上可行；NVIDIA 用 Cosmos 3 把它變成一個開放平台，想吃下整條 physical AI 供應鏈；LeCun 則用整段職涯與歐洲新創史上最大種子輪，賭上「LLM 到不了 AGI」這個判斷。

這條路能不能真的通往通用人工智慧，目前沒有人能給出確定答案。但可以確定的是，只要自駕車、機器人這類需要「理解物理世界」的應用持續擴張，世界模型的商業價值就會持續被驗證，而不必等到「AGI」這個終極問題被解答。

對讀者來說，與其糾結「世界模型會不會取代 LLM」，不如換個角度理解：這兩條技術路線很可能會長期並存，LLM 負責語言與知識，世界模型負責空間與物理，各自解決對方解決不了的問題。

總結來說，世界模型（World Model）代表的是 AI 產業一次認真的路線分岔：當 LLM 的幻覺問題遲遲無法根治，一群頂尖研究者選擇把賭注押在讓 AI 直接理解物理世界本身。從李飛飛的 Marble、Google 的 Genie 3、NVIDIA 的 Cosmos 3，到 Yann LeCun 押上整個職涯的 AMI Labs，超過 30 億美元資金已經投入這場戰局。

它會不會是通往 AGI 的另一條路，現在下定論還太早，但可以肯定的是，這場關於「AI 該怎麼理解世界」的辯論，才剛剛開始。