这两年世界模型（World Models）是 AI 里最烧钱的赛道之一，想做机器人、想让 AI 真正走进物理世界的，基本都绕不开它。但你只要多看几个 Demo 就会发现一个通病：这些模型很会“看”——画面能生成得足够逼真，几乎骗得过眼睛；可你真让它回答“我现在动这一下、接下来会连锁出什么”，它常常就卡住了。 说白了，它们学的多半是“相关”——什么和什么经常一起出现、下一帧大概长什么样。在屏幕里写写画画、生成视频，这套绰绰有余；可真实世界是要“动手”的，光知道相关、不懂因果，环境稍微一变就掉链子（它记住的是答案，没记住答案背后的道理，换一道题就露馅）。 一个真正顶用的世界模型，得能在动手前先把事情“想一遍”：它推这一下、抓那一把，会引出什么后果？换种做法，结果又会不会不同？这种“先设想、再验证”的本事，跟数据喂得多不多关系不大，关键在懂不懂因果。 Aether 这次融资要补的，正是世界模型最缺的这块。他们把这条路线叫因果世界模型（Causal World Models），也是全球第一家拿因果当核心架构来做的公司：让模型先把“这么做会怎样”推演明白再决定动作，做错了能顺着结果回头改自己，不用每次推倒重来。 在他们看来，这可能就是 AI 下一代的范式——世界模型从“相关”走到“因果”。这条路好不好走？我老实说，不好走，因果一直是 AI 里最难啃的骨头之一，难到不少人宁可绕开它、继续卷参数。但越是这种硬骨头，越值得有人正经啃一回。能不能成我不敢打包票，可这个方向本身，我觉得值得长期盯着。 公司由黄碧薇 @huang_biwei 创立，她在因果这块磨了整整 12 年——UCSD 助理教授，Causal-Learn 作者之一，百余篇顶会论文，还入选过 Apple Scholar。对世界模型、对这个新范式感兴趣的，可以去看看： @huang_biwei ｜

做大世界模型研究的人很需要这个工具：stable-worldmodel 它做的就是这一块。这个仓库提供可复现的 world model 研究与评测平台，文档、测试、PyPI 包和论文入口都在一处，适合想把实验、对比和结果复核放到同一套流程里的人。 GitHub 现在约 1.5k stars，今天新增 318 stars。 仓库地址：

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#

🔥赛博修仙哪家强？书生、画家、建筑师、禅师和梦游者 ，趣味解读“世界模型”五大门派 2026年，AI圈最热的话题就是世界模型。过去一年半，上百亿美金砸进去，光今年前7个月就冒出来20多家新公司。 要是把这股热潮比作修仙，那各路门派选的功法可太不一样了。书生、画家、建筑师、禅师和梦游者各有其道。 先说最早火起来的那拨书生，即语言中心派。他们的思路特简单：大语言模型不是已经能预测下一个词了嘛，那把图像、视频、动作统统转成文字，不就能接着预测了？小鹏汽车就这么干，把驾驶视频和指令全塞进语言模型里。 但问题也明显。智源的王仲远说得直白：这玩意儿学的是“用语言描述的世界”，不是世界本身。就像个熟读兵书的书生，嘴上头头是道，真上了战场连马都骑不稳。换个摩擦系数或者重力参数，立马抓瞎。 第二拨画家们走的是像素路线。代表人物就是Sora那帮搞视频生成的。他们的想法更直观：世界长什么样，我就让AI看海量视频，学会预测下一帧画面该长什么样。用扩散模型直接生成像素，看起来特华丽。 可这路也有硬伤。业内现在有句话叫“视频生成不等于世界模型”。一个能生成熊熊烈火的模型，可能根本不懂燃烧的物理过程。它学的是像素的统计规律，不是因果逻辑。看得见，摸不着。 第三拨建筑师务实一点，搞三维结构。李飞飞管这个叫“空间智能”，让AI理解三维空间里物体怎么摆放、什么关系。World Labs就在做这个。 但光有形状也不够。你能重建一个杯子的3D模型，却很难告诉AI它摔下来会怎么碎。离真正的“理解”还差得远。 第四拨禅师就有点玄了。LeCun推的JEPA系列，走的是视觉表征路线。它的核心心法是：理解世界，不必重构像素。别人在临摹名画，它偏要去悟画家的笔法逻辑。在潜空间里预测状态变化，不生成任何画面。 好处是参数少、速度快、不怕噪声。但坏处也在这——它到底“悟”到了啥，外人根本看不懂。就像修仙小说里那种闭口禅，外人只道他修为高深，真问他却一个字说不出来。 第五拨梦游者更像梦中证道。以Dreamer为代表的强化学习派，先在脑子里建一个虚拟世界模型，然后在里面反复做梦、模拟、试错。等练得差不多了，再出来实战。蔚来的智驾就是这么搞的，让算法先在模拟的未来里跑个几千遍再上车。 五条路，各有各的牛逼，也各有各的坑。 那为啥到现在还没人能“飞升”？ 第一，连“世界模型”到底是个啥都没吵明白。 视频生成也叫世界模型，物理引擎也叫世界模型，概念乱得很。李飞飞专门写了篇长文来厘清，说明这行业连渡劫标准都没统一。 第二，数据根本不够。 大语言模型能从网上扒无穷无尽的文本，但物理世界的数据呢？一个杯子掉地上碎了，人类看一眼就懂，可要让AI学会这个因果，得需要带精确几何和物理标注的多模态数据。这种东西比互联网文本稀缺好几个数量级。 第三，架构还在乱战。 到底是重建像素还是预测潜空间？是生成式还是判别式？到现在没人知道答案。2026年虽然被叫成“世界模型元年”，但元年嘛，就是刚起步的意思，别指望大成。 有意思的是，各家掌门人最近都开始往一块凑了。 李飞飞觉得，渲染、模拟、规划这些知识本质上是同一套，最后应该融成一个统一模型，既能生成照片级画面，又能理解物理因果，还能规划行动。 上海AI Lab那边也在推新思路，世界建模不该只是预测世界，而是服务Agent。说白了，模型得帮AI干活，不能光会看。 我觉得这事最后大概率不是某一条路线胜出，而是谁能把各派功法打通。修仙小说里真正飞升的，往往都是在看似矛盾的功法交汇处找到机缘的。 #WorldModel# #PhysicalAI# #EmbodiedAI#