一个"无法评估"的困境

2026年，OpenAI宣称Sora"理解物理世界"，DeepMind宣称Genie 2"是真正的世界模型"。但如何验证这些宣称？如何客观地评估一个世界模型"懂"物理？

答案是：我们还没有一个完美的评估方法。

金句：评估世界模型比训练世界模型更难。 因为"理解物理"不是一个可以用单一数字衡量的概念。

2026年的评估方法

方法一：FVD（Frechet Video Distance）。 从FID（图像质量评估）扩展到视频领域。FVD衡量生成视频和真实视频在"特征空间"中的距离。FVD越低，生成的视频越"真实"。优点： 可自动化、可量化。缺点： FVD衡量"视觉质量"，不衡量"物理正确性"。一个物理上错误的视频，可能FVD很低。

方法二：物理一致性评分。 人工或AI评估生成视频的"物理一致性"——物体的运动是否符合物理规律，场景是否在物理上可能。优点： 直接衡量"物理理解"。缺点： 主观性强，无法大规模自动化。

方法三：交互式评估。 在交互式环境（如Genie 2）中，评估世界模型的"物理响应"——当用户"推"一个物体，它是否以物理上正确的方式响应？优点： 最接近"真实世界模型"的定义。缺点： 只适用于交互式世界模型。

方法四：下游任务评估。 在世界模型上训练一个机器人策略，然后在真实机器人上测试——如果机器人在真实世界中表现好，说明世界模型"理解"物理。优点： 最有说服力的评估。缺点： 成本极高，需要真实机器人。

方法五：物理测验。 设计一系列物理问题（如"一个球从斜坡上滚下来，会滚多远？"），让世界模型生成"答案视频"，然后检查答案的物理正确性。优点： 可设计、可量化。缺点： 只覆盖有限的物理现象。

2026年，评估的"不可能三角"

世界模型的评估面临一个"不可能三角"：自动化的评估不准确，准确的评估需要人工，人工评估无法大规模。2026年，研究者正在寻找"AI辅助评估"的方法——用AI评估AI生成的视频——但这本身就是一个"鸡生蛋"的问题。

结论：世界模型评估是一个"未解决"的问题。 但在评估方法完善之前，我们需要谨慎对待"世界模型理解物理"的宣称。没有可靠的评估，就没有可靠的进步。