world model 是什麼？讓 AI 在腦內先跑一次世界

2025 年 11 月 18 日，Yann LeCun 確認離開待了 12 年的 Meta。65 歲、圖靈獎得主、深度學習三巨頭之一，下一步是去巴黎開一家叫 AMI Labs 的公司。2026 年 3 月，這家還沒有產品的公司募到 10.3 億美元，投前估值 35 億美元。

同一個冬天，李飛飛的 World Labs 在 2026 年 2 月募了 10 億美元，估值約 50 億。兩家公司賭的是同一個詞：world model（世界模型）。2026 年第一季，光這兩筆就有超過 20 億美元押在這條 LLM（大型語言模型）之外的路線上。

這個詞到底是什麼？

世界模型（world model）是 AI 系統內部的一個「環境模擬器」：它學會預測「如果做了某個行動，世界接下來會變成什麼樣」。有了這個模擬器，AI 可以在真的行動之前，先在內部推演各種可能的後果，再挑最好的那條路。它從影片和感測資料學世界怎麼運作，支撐的是規劃、物理推理與因果理解——這些正是純語言模型最弱的地方。

用一個生活比喻：桌邊的杯子被撞倒，你伸手接住它。你沒有解拋物線方程式——你腦內有一個「世界怎麼動」的模擬器，自動預演了杯子的軌跡，手就到位了。世界模型派的主張是：要讓 AI 在真實世界做事，就得先給它這個腦內預演的能力。

起源故事：在自己的夢裡學開賽車

「世界模型」不是 2026 年發明的詞。學術源頭通常指向 2018 年 3 月，David Ha 與 Jürgen Schmidhuber 發表的論文，標題就叫《World Models》。

這篇論文做了一件當時聽起來很科幻的事：讓 agent 先把賽車遊戲環境壓縮成一個內部生成模型，然後整個訓練過程搬進這個模型生成的「夢境」裡進行——agent 在自己想像出來的賽道上練車，練完再把策略搬回真實遊戲環境，居然能用。論文原話叫「在自己幻覺出的夢裡訓練 agent」。

另一條學術脈絡來自 LeCun 本人。他從 2022 年起持續推銷 JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）：與其在像素層面預測影片每一格長什麼樣，模型應該在抽象表徵層預測——學場景的語意結構，跳過表面細節。他的論證是：要規劃物理行動，就必須能在內部預測行動的後果。這個「必須」，就是世界模型。

2026 年爆紅的四個節點

概念放了七八年，為什麼 2026 年突然人人都在講？四件事疊在一起。

節點	時間	發生什麼
DeepMind Genie 3	2025 年 8 月	第一個可即時互動的通用世界模型：文字生成環境，720p、每秒 24 幀，一致性維持數分鐘。2026 年 1 月以 Project Genie 開放美國 Google AI Ultra 訂戶試用
World Labs 推出 Marble	2025 年 11 月	李飛飛團隊的首個商業產品：文字、照片轉可編輯 3D 場景，freemium 定價。2026 年 2 月再募 10 億美元、估值約 50 億，Autodesk 以 2 億美元領投
LeCun 出走創業	2025 年 11 月	確認離開 Meta，創辦 AMI Labs（Advanced Machine Intelligence），總部巴黎。2026 年 3 月募得 10.3 億美元，歐洲史上最大種子輪之一
NVIDIA Cosmos 放量	2025 年 9 月－2026 年 5 月	開源世界基礎模型下載量破 300 萬次（2025 年 9 月官方數字）；2026 年 5 月在台北 GTC 發表 Cosmos 3，主打機器人與自駕的物理精準模擬

看這四家的組合：一個學術巨頭、一個 AI 教母、Google、NVIDIA——一整條產業線在同一個冬天成形，各自帶著自己的商業理由。

跟 LLM、影片生成模型的邊界在哪

三個常被混在一起的東西，差異可以用「學什麼」和「能不能介入」切開。

LLM 學文字序列。它預測下一個 token，對語言裡承載的知識極強，但它對「推一下杯子會發生什麼」沒有直接經驗——它只讀過別人描述這件事的文字。

影片生成模型（如 Sora 這類）學畫面怎麼延續。輸出是好看的影片，但你不能中途介入。它負責「看起來像真的」，不必保證物理正確，也不接受你的行動輸入。

世界模型學狀態轉移——給定目前狀態和一個行動，預測下一個狀態。可介入是關鍵特徵：Genie 3 的賣點正是你能即時在生成的環境裡移動、行動，環境跟著你的輸入演變。判斷一個產品是不是世界模型，先問這一題：我的行動會不會改變它預測的後果？ 不能互動的，比較接近影片生成。

三者也不是互斥零件。Cosmos 3 就同時是視覺語言模型和世界模型的混合體；多模態模型（可看 what-is-multimodal）常是世界模型的感知前端。

論戰：「LLM 是死路」對上繼續 scale

這條線最熱鬧的部分是路線之爭。兩邊論述並列如下，各自有依據，還沒有裁決。

LeCun 這邊：他在 2026 年 3 月布朗大學的演講說得很直接——LLM 路線「本質上是死路」，並且批評「幾千億美元投在一個賭 LLM 會達到人類水準智慧的產業上，這完全是鬼扯」。論證核心：只處理語言的架構，再怎麼放大也學不到物理世界的結構；能看、能預測後果的系統才可能規劃和安全行動。他用行動背書——離開 Meta，把自己的下半場押在 AMI Labs 上。

繼續 scale 這邊：OpenAI、Anthropic 與 Google 的主力產品線仍在擴大 LLM 與推理模型（reasoning model），而且拿得出成績——推理模型在數學、程式碼上的分數持續墊高（可看 what-is-reasoning-model），agent 產品的商業收入也是 LLM 路線在賺。另一個常被忽略的事實：做出 Genie 3 的 DeepMind，同時也在做 Gemini——同一家公司，兩條路線並行押注。

還有一個內部人的清醒劑。AMI Labs 自己的執行長 Alexandre LeBrun 對 TechCrunch 說：「我預測 world model 會是下一個 buzzword。六個月內，每家公司都會自稱 world model 來募資。」連押注這條路線的人都提醒你，接下來看到的「世界模型」標籤，很多會是包裝。

現在能做什麼、還不能做什麼

能做的，目前集中三塊：

1. 互動式生成環境——Genie 3 可以從文字即時生成可探索的世界，遊戲與訓練場景是最直接的用途。
2. 機器人與自駕的合成資料——Cosmos 系列的主戰場：真實世界資料貴又危險，先在物理精準的模擬裡生成訓練資料。NVIDIA 宣稱能把物理 AI 的訓練評估週期「從幾個月縮到幾天」。
3. 3D 場景生成——Marble 把文字、照片轉成可編輯、可下載的 3D 環境，吃的是遊戲、影視、建築視覺化的需求。

還不能做的，同樣具體：

• 長時間一致性還沒解。Genie 3 的環境維持幾分鐘就會漂移，離「持久世界」很遠；場景裡的文字渲染也常是亂碼。
• 通往通用規劃的證據還沒出現。LeCun 版本的願景——有常識、會規劃、能安全行動的 AI——目前沒有任何世界模型展示過接近的能力。現在的產品是遊戲環境、模擬資料、3D 資產，跟「取代 LLM 成為通用智慧基座」之間隔著好幾個未證明的假設。
• 評測標準未定。LLM 有一整套 benchmark 文化，世界模型的「物理正確性」怎麼量、跨場景怎麼比，業界才剛開始建（NVIDIA 引用的 Physics-IQ 等榜單都很新）。

想親手感受這個詞，Marble 有 freemium 版可以直接玩文字轉 3D；美國的 Google AI Ultra 訂戶可以試 Project Genie。十分鐘就能建立比讀十篇文章更準的體感——包括它驚人的地方和它露餡的地方。

判斷準則帶一條走：接下來一年你會在無數募資新聞稿裡看到「world model」。先問那兩個問題——能不能互動？行動會不會改變後果？答不出來的，把它歸類成影片生成或 3D 工具就好。

真正的未解問題是：世界模型還沒等到自己的「GPT-3 時刻」——一個讓所有人閉嘴的能力展示。20 億美元已經進場，賭的就是這個時刻會在誰手上發生。

資料來源：arXiv、Brown University、Google DeepMind、NVIDIA Newsroom、TechCrunch、CNBC

矽基前沿 · 大百科線（編輯：廖玄同），《world model 是什麼？讓 AI 在腦內先跑一次世界》，矽基前沿 [Si]gnals，2026-07-05。https://signals.tw/articles/what-is-world-model/