一个让AI"社死"的实验
2026年5月，斯坦福大学的一个研究团队做了一个实验。他们让GPT-5（当时最强大的大语言模型）控制一个机器人手臂，完成一个简单的任务：从桌子上拿起一杯水，端到3米外的另一张桌子上放下。
结果是灾难性的。机器人手臂用力过猛，把杯子捏碎了。水洒了一地，机器人还在"犹豫"下一步该怎么做——因为它看到的画面和它"想象"的画面完全不一致。
这个实验揭示了一个残酷的事实：AI可以写出关于"如何端一杯水"的5000字论文，但它在物理世界中连一杯水都端不稳。 这就是世界模型（World Model）的缺失——AGI的最后一块拼图。
金句：大语言模型学会了"说"，但没学会"做"。前者只需要语言，后者需要对物理世界的深度理解。
什么是世界模型？
世界模型不是一个新概念。早在2018年，DeepMind的David Ha和Jurgen Schmidhuber就提出了"世界模型"的概念——AI需要在"大脑"中建立一个对物理世界的模拟，理解物理规律（重力、摩擦力、碰撞）、因果关系（推杯子→杯子会倒→水会洒）和直觉物理（如果你松手，东西会掉下去）。
3岁的人类儿童已经具备了基本的"世界模型"——他们知道杯子掉在地上会碎，水洒了会湿，球滚下桌子会掉。这些"常识"对于人类来说是天生的，对于AI来说是极其困难的。
为什么？因为LLM学习的是"文本中的世界"，而不是"真实的世界"。LLM可以通过阅读海量文本，学习到"杯子掉在地上会碎"这个句子，但它不知道"碎"意味着什么——意味着碎片会飞溅，会发出声音，会伤人。这些"物理体验"是文本无法传达的。
2026年，世界模型研究的三大路线
路线一：视频生成模型（Sora路线）。 OpenAI的Sora和Google的Veo，通过大规模视频训练，让AI学习"像素级别的物理规律"。Sora生成的视频中，物体运动已经相当逼真。但问题是：视频生成中的"物理正确"是"看起来对"，而不是"真正对"。Sora不知道"为什么球会弹起来"，它只知道"在训练数据中，球弹起来的样子是这样的"。
路线二：世界模型+强化学习（DeepMind路线）。 DeepMind的Genie和SIMA，通过让AI在3D环境中"互动"来学习世界模型。AI不是被动地"看"视频，而是主动地"行动"——推动物体、碰撞障碍、跌落悬崖。通过"行动→观察→学习"的循环，AI建立对物理世界的"直觉理解"。这个路线更接近人类学习世界模型的方式，但计算成本极高。
路线三：联合嵌入预测架构（JEPA路线）。 Yann LeCun提出的JEPA架构，是AGI的"第三条路"。JEPA不预测"像素"，而是预测"抽象表示"——它不试图预测"下一个视频帧是什么"，而是预测"下一个视频帧的抽象特征是什么"。这种"抽象预测"比"像素预测"更高效、更鲁棒，也更接近人类的世界模型。
世界模型为什么这么难？
因为世界模型需要"常识推理"，而"常识推理"是AI领域最难的"硬骨头"。常识不是"知识"——AI可以"知道"重力加速度是9.8m/s²，但它不知道"如果你把一摞盘子放在桌子边缘，它们会掉下来"。
这种"常识"，需要AI在物理世界中"生活"——像人类婴儿一样，通过无数次的"试错"来学习。但AI没有"童年"，它没有机会在真实世界中"尝试"和"学习"。这就是为什么"世界模型"可能是AGI最后被攻克的堡垒。