# World Model-世界模型也有Scaling Law吗？ 屠龙之术 · 2026-06-29 · 54 min · https://www.xiaoyuzhoufm.com/episode/6a40c46d9d2f5743683f00a8?utm_source=rss ## 逐字稿 庄明浩 今天这期我们聊一个最近特别热，也特别容易被滥用的词：世界模型。 过去几年，AI 行业的主线基本上是大语言模型。我们关心大语言模型的参数量、token 消耗、上下文窗口和推理能力。过去一两年，大家开始关心 Agent、编程和自主进化。其实回顾这一轮大模型的发展，本质上来讲，它的核心议题就是：机器到底能不能理解语言，能不能在符号世界里实现所谓的推理。 ### AI Enters the Physical World 但到了 2026 年，一个新的叙事正在被打开，或者说变得越来越被提及：AI 似乎不能只活在数字世界，它要进入物理世界。它要开车、搬箱子、操作机械臂，要理解空间几何、预测碰撞、避开行人，和真实环境发生交互。于是，物理 AI 似乎成了新的关键词，而世界模型被认为是物理 AI 的底座。 所以，引出今天的议题：当我们去研究所谓的世界模型时，回看大模型的发展路径，那个核心的议题就是，世界模型是否也有所谓的 scaling law？换句话说，我们过去这些年在大语言模型上获得的成功经验，能不能迁移到物理世界？ 大语言模型是靠一个极其简单但极其强大的范式，也就是预测下一个 token 来实现的。所以，只要数据足够多、算力足够强、模型足够大，在算法已经基本收敛的前提下，能力，也就是大语言模型的能力，就会沿着某种规模不断提升，甚至在某些阶段会出现所谓的涌现。这就是过去这些年我们在大模型上看到发生的事情。 那么，自动驾驶、机器人、具身智能这些物理世界的智能系统，有没有类似的路径呢？它们是不是也可以通过大量真实世界的数据，训练出一个可以预测下一个物理状态的模型？如果有，这个模型会不会就是物理世界的 AI 的 GPT？ 那我为什么决定在这个时间点做这期节目？我觉得是看到了一些打引号的信号，这些信号刺激了我，觉得应该做了。 第一个信号是什么呢？比如最近六一八刚过，在六月中左右，影视飓风更新了一期广告片，是天猫找到他们做的一期广告。你想，天猫是为了推六一八，然后找影视飓风做了一个视频。如果你是 Tim，你应该怎么给天猫这个甲方交一个比较满意的答卷？ 最后这个视频出现了，大家有兴趣可以去 B 站看一下。这个视频其实讲的就是今天我要讲的世界模型。它的标题特别有意思，叫《在 AI 里抛硬币，概率是百分之五十吗？》 你想想，这个问题其实非常有意思。它让我想到了另外一个之前碰到的、发生在世界模型领域的有意思的问题。李飞飞老师的 World Labs 刚刚成立的时候，她在接受采访时说，她身边一位多年的好友问她：在 World Labs 的世界模型里，他在现实世界里是晕 3D 的，或者说晕车，那么在那个新生成的世界里是否也会晕？ 然后，Tim 他们这个视频叫《在 AI 里抛硬币，概率是百分之五十吗？》。你细想一下，这两个问题其实是一个问题。 Tim 他们的团队在视频当中大概做了 100 多次实验，最后得出的数据是，百分之七十多的硬币是正面，而不是百分之五十。100 多次，我觉得这个数量级基本也够了。那为什么是百分之七十？这就可以延伸到，比如这个模型的数据来源，以及这些数据来源当中硬币正反面的比例问题，包括可能在后训练过程中，大家所谓的偏好和强化学习过程导致的倾向，等等。 这是一个信号：连 Tim 给天猫做六一八的视频，都要讲世界模型。 第二个信号是我的好友王天凡，BAI 基金的合伙人。他在 4 月和 6 月分别发了两条帖子。4 月那条的意思是：目前看来，主流基金有几个合伙人，就有几个主流融资的世界模型。主流基金是红杉、IDG、高瓴，这些基金可能有 7、8 个，甚至 10 个左右的合伙人。也就是说，在这些基金内部，就可能有 7、8 条线同时在看不同的 7、8 个世界模型项目。 这是他 4 月发的。然后他在 6 月中，也就是上周，又发了一条，说每天至少收到一个世界模型的 BP，有种回到 B 轮的感觉。就是在今天这个时间点，世界模型似乎是所有在做模型相关项目的 AI 公司，都要写在 BP 里的一个关键词。 这是第二个信号。 第三个信号我觉得更有意思，也是引发今天做这期播客的一个核心原因。其实我在标题里，在第三段放了一段小字，叫“从 Momenta 招股书看世界模型的路线之争”。 国内领先的自动驾驶公司 Momenta 最近通过了港交所的聆讯。我看了一下 Momenta 的招股书，他们此前一直是做自动驾驶的，那他们是如何看待世界模型发展的？我觉得也蛮有意思，因为自动驾驶公司也是这一波世界模型公司的重要参与者。 有了这 3 个信号，我开始做今天的内容。 今天的内容分 4 个章节。我本来是想按 10 个问题那种方式来展开的，但是我通过跟 AI 对话，几个模型都不建议我这么做，它们会觉得这种方式不太利于结构展开，最后还是按正常的章节展开了，一共 4 个章节。 第一个章节，为什么世界模型在这个时间点突然热起来了？为什么是现在？第二个问题，世界模型跟大语言模型到底像不像？它有没有所谓的 scaling law，也就是标题的问题？第三，Momenta 作为自动驾驶的代表公司，为什么值得放在这个语境下来做单独讨论？第四，物理世界所谓的世界模型的 AI 的 GPT 时刻，到底来了没有？ 这是一个偏向这个时间点结论的问题。所以，今天会讨论 4 个问题：为什么是现在，和大语言模型的对比，Momenta 的主张，以及 GPT 的时刻是否到来。 先说结论：世界模型我觉得确实有些像大语言模型，但是它比大语言模型更贵、更慢，更依赖真实世界的数据。Momenta 的故事，本质上是在讲自动驾驶这个场景里的 AI 飞轮，但是放在泛通用领域来看，所谓物理世界的 AI 的 GPT 时刻，我觉得截至 2026 年中这个时间点还没有到。这是我的结论。 我们一张张来看。 ### Why World Models Are Hot 先看第一章，为什么是现在？这个热度从何而来？为什么今天这个时间点所有人都在讲世界模型？ 一个直观的背景其实是，语言模型的边界已经非常清楚，或者说越来越清楚。大模型在过去这半年，我经常用的说法叫“挡不住了”，对吧？OpenAI 跟 Alphabet 两家公司已经要去碰万亿美元的估值了，它们已经马上去上市了。 AI 领域的融资，尤其是集中在模型领域的融资，可能占整个美国一级市场的 60% 甚至 70%。这个数字大到所有人都忽略不了。 今天这个时间点的 AI 模型，尤其是语言模型，可以写作、编程、总结、推理，甚至可以调用工具，大家甚至还在研究自主进化。所有的一切都推向了一个非常大的极端。最头部的 AI 公司已经到了几百亿美元的体量，两家公司加在一起可能已经开始碰到千亿美元的体量了。 但所有这些事情，可能还是局限在语言这个领域。又因为这两家公司已经大到，对于很多早期基金来讲，已经没有办法再投资了。也是因为这两家公司已经走到很多事情的极限，在这种情况下，其他可能性是否会出现呢？ 当然会。 所以，其实从去年大概下半年开始，出现了一堆我们叫 New Lab，也就是新的研发工作室。美国和中国这边，基本上从去年上半年就已经有一些了，去年下半年特别多。这些公司的创始人大部分来自那几家最头部的 AI 科技公司。 然后，大概在 5 月份的时候，门洛帕克的基金 Menlo Ventures——这家基金应该是每半年会出一份非常有名的 AI 行业报告——那张非常有名的 SOP、在 To B 领域超过 OpenAI 的那个饼图就是他们做的，就是那个橙色 logo 的基金。这家基金的 GP 在 5 月份做了一个统计。在他们能够覆盖的范围内，已经有大概 63 家 New Lab 这样的公司，融了可能几百亿美元。 这家基金应该是上上周刚刚募集了他们的第 17 期早期基金和第 4 期成长基金，一共募集了 30 亿美元。上一个周期里大概只募了 13 亿美元，那为什么这一期能够超募？也是因为环境发生了变化。 今天这个时间点，所有 New Lab 一出来就是融几千万美元、几亿美元，甚至很多最头部的 New Lab 一出来可能就融 10 亿美元、20 亿美元。所以这也逼着这些基金变大。 然后我们也在这些 New Lab 里面看到了一堆绝对意义上的、这一轮 AI 创业的明星创业者：伊利亚、Mira、杨立昆、李飞飞，我觉得都是。 这些 New Lab 出来做什么？其实我觉得已经形成了一些共识。那些关键词或者核心议题，在过去大半年里也被无数媒体报道过。比如，大家在研究能不能让模型自己进化、自己改进。无论是 Luma，还是 H Company，还是其他很多项目，都是最头部的模型厂商和最前沿的 New Lab 在尝试用自己的 thesis 来实现所谓的自主进化。 我今天会无数次提及这个词：主张。我觉得今天这个时间点，New Lab 也好，最头部的模型公司也好，都有自己的主张。今天的主张似乎已经不再是做 AGI 什么，而是在讲自己认为的路径应该是什么样。 自主进化是一波，物理 AI 是一波，人形机器人、具身智能，当然世界模型也是非常重要的一步。而且世界模型跟物理 AI 本身来讲，界限非常模糊。当然还有一些做 AI for Science 的，以及一些做 AI 模型基础设施的。大概就是这四五个关键词，几乎可以涵盖这六七十家 New Lab 公司。 然后我们再把目光聚集到所谓的世界模型上。世界模型热到这个程度，所以出现了非常多的主张。 在这个时间点，作为行业绝对意义上的大咖和核心创业者，李飞飞老师在上个月发了一篇文章。这篇文章其实在我上一期讲 AI 内容创作的那期播客里也提到过。关注这个行业的人应该都看过那篇文章：当世界模型，World Model，成为所谓的 buzzword，它变成了一个框，什么都能往里装。 类似这样的角色或者关键词，上一个可能还真的是元宇宙。所以，李飞飞老师发了一篇文章来尽可能地溯本清源。 在文章最开始，李飞飞老师有一个很形象的说法，大意是：语言模型像一个身处黑暗中的语言大师。就是说，大语言模型能言善道、博学多闻，但缺乏真实的经验，也缺乏根基。 很简单的说法是：“The world is not made of words。”这是她的原文。我觉得这个说法特别准确。 一个语言模型可以读过无数关于杯子的文字，它知道杯子可以装水，杯子摔在地上可能会碎，推倒杯子水会洒出来。但它知道这些，很大程度上是因为文本是这么描写的。它不是通过持续观察光线、几何、力、摩擦、重力和液体流动，而学到这些东西的。 周庆[?]有个说法，说大语言模型是瞎子。也就是说，大语言模型学的是文本的统计规律，而世界模型要做的是时空和物理的统计规律。 光线打到杯子上面会怎么折射和反射？一个杯子推倒之后，它的轨迹会怎么变化？甚至还要考虑摩擦和材质：它是在桌子上、水泥地上，还是冰面上？ 一辆车在变道的时候，旁边的车辆跟行人的反应会怎么样？会慢下来还是会加速？机器人的手指碰到一个鸡蛋，想剥鸡蛋壳的时候，会发生什么样的形变？需要多大的力度？是煮熟的鸡蛋，还是生鸡蛋？就像当年《天下无贼》里的黎叔那样，可以用手去剥生鸡蛋。 所有这些东西都不是语言的问题，而是物理世界的问题。 所以，世界模型不单纯是一个视频生成模型，不是生成一段看起来很真实的视频就结束了。很多时候，它可能要回答的是：如果我在这个世界里做一个动作，接下来会发生什么？ 如果一个模型只是根据提示词生成一段很漂亮的视频，它其实还是在视频模型这个领域。它能编出一个看起来很合理的画面，但它不理解物体的结构，也不一定能够保证所谓的物理真实性。今天我们在视频模型的很多厂商的示范视频里，已经看到这样的状态了。 但如果一个模型能够让 Agent 在里面行动，并且根据行动做实时的物理反馈，那它似乎就更接近一个可交互的物理世界模拟器。 举个例子，如果我输入“一辆车在雨夜高速上突然避让突然出现的障碍物”，我觉得今天这个时间点的视频模型几乎都可以处理好这个提示词产生的结果。镜头的晃动、雨水的反光、车灯扫过路面的效果，都非常好。 但是，这个东西能拿来给自动驾驶公司用吗？我觉得不太能。因为这个模型本身生成的结果，并不知道什么时候该踩刹车，踩完刹车会不会追尾，后面有没有人。如果往左打方向，会不会进入旁边的车道？如果要保持车道但减速，障碍物是不是会碰到？碰到障碍物会产生什么样的效果？在不同速度下，这个障碍物会对车产生什么样的影响？不同策略下的风险到底是什么？ 所以，这些问题都不是渲染的问题。 ### Renderers Simulators and Planners 李飞飞老师这篇文章非常清楚地把世界模型分成了 3 类：渲染器、仿真器、规划器。这 3 个名字一放在这里，大概就知道它们在讲什么了。 一类是渲染器，也就是输出像素，主要服务于人的眼睛，追求视觉的逼真。Sora、Sora 2、Google 的 Veo 3，以及我们今天看到的很多视频模型，号称在做世界模型的，都是这个方向，也就是渲染器。 它们的优势确实是好看，能生成人眼看起来可信的东西。但问题在于，它只是看起来 OK，实际上可能并不对。 第二类叫仿真器，它输出的是环境状态，要求这个输出状态里面的几何、物理和动力学，都符合人类现实世界的状态。比如一个自动驾驶仿真系统，不能只要求画面真实，还要保证车辆轨迹、碰撞关系、交通法则，所有这些事情都合理。 第三类叫规划器。也就是说，光仿真还不行，我们还要做规划，还要处理未来的事情。它要输出动作，比如下一步机器人该怎么抓这个东西、怎么去拧，自动驾驶的车怎么转弯、怎么加速、怎么减速，还要感知所有可能发生的情况。 这 3 个东西看起来不太一样：一个是生成画面，一个是模拟状态，一个是生成动作。但它们底层需要的知识其实是一套。如果我们按预训练数据的储备来看，其实都是几何、物理、动力学，以及环境当中各种对象互动的规律。 所以现在行业最重要的事情，其实在李飞飞老师的文章里也讲了，就是这 3 条线正在融合，它们之间的界限越来越模糊。 一个理论上相对接近理想状态的世界模型，应该是真的理解一个杯子放在桌子上的状态。它应该同时能做 3 件事情：能从任意角度渲染这个杯子的光影效果，能模拟推倒它之后的运动状态，也可以规划一只机械手把它拿起来，并且保证它不碎。 这就是理论上我们理想状态的世界模型。 所以，世界模型看起来是一个非常大的概念，它既能连接生成式 AI，又连接机器人和自动驾驶。这个故事又跟我们所熟悉的游戏、娱乐，甚至工业仿真结合在一起。它甚至可以被看作是 AI 从数字世界走向物理世界的底座，所以这个故事为什么这么大，也是这个原因。 这个方向一路走来，火成这个样子，并不是过去这一小段时间突然火起来的。其实在过去几十年 AI 行业的发展过程中，这个方向上的探索也非常多。 沿着上面的逻辑，我们会发现，过去一年有非常多的厂商做了大量尝试。比如去模拟人类的梦境。为什么是梦境呢？梦境在很多时候可能不那么符合人类的物理学，但它大概是合逻辑的。 比如规划各种各样的路径，比如 Sora 刚出来时那个水杯的视频，很多人应该也很有印象。波士顿动力这样研究机械狗和机械臂的公司，也在研究模型。前一段时间，视频模型已经可以直接通过一句话生成类似《Doom》那样的、可以操作的游戏。 比如今天这个时间点，让机器人去叠衣服。本质上来讲，所有这些公司的努力，都是在推动所谓的世界模型。 然后你会发现，自然而然地，在过去这段时间，最头部的这些所谓世界模型初创公司拿了非常多的钱。杨立昆老师的公司、李飞飞老师的公司，都已经是几十亿美元的公司了。 前两天我没记错的话，另外一家之前就在做世界模型的公司叫 Odyssey，也就是“奥德赛”那个奥德赛，最近应该也拿了三四亿美元，估值也成独角兽了。 更多初创公司加入进来。你会发现，DeepMind 一直在做这件事情，英伟达也在做这件事情，OpenAI 的 Sora 之前其实也是在做这件事情，只不过 Sora 现在不做了。 很多公司未必一开始就叫自己在做世界模型，但似乎它们都在做同一件事情，就是让 AI 进入真实世界。 在这件事情上，中美基本也是同步的。美国 CB Insights 2026 年第一季度的报告已经出来了，第二季度还没有，因为现在第二季度还没有结束。AI 当然是最重要的主题，在 AI 的细分板块里面，有 11% 的项目投入到这个方向上，这是最大的分类。 因为它非常分散，但在这个分散的状态里，物理 AI 和世界模型拿走了将近 11% 的融资额。 中国这边其实也一样。IT 桔子最近出了一份专门写中国世界模型初创公司的行业报告。如果大家有兴趣，可以去看一下，我会把它放在 show notes 里。它统计了大概 30 多家在今天这个时间点、在 AI 领域做所谓世界模型的初创公司。 其中 85% 以上成立于 2023 年之后，已经融了几百亿元人民币。这个方向在中美两国之间基本是同步的，非常热。 那世界模型这么热，大家会说，是不是又一次泡沫呢？ 泡沫这个词我也解释过很多遍了，我不想在这里展开，也不想回答是不是泡沫。但大家能够看到，这个热度背后代表的是非常真实的行业焦虑。 ### The Scaling Law Question 大语言模型已经证明了一件事情：如果你找到了正确的预测任务，再把数据、模型和算力堆上去，能力就会得到提升，也就是所谓的 scaling law。 那问题就来了：物理世界能不能这样？大语言模型预测下一个 token，世界模型预测下一个物理状态。如果这个类比成立的话，那是不是物理 AI 的世界就被打开了？ 自然而然，我们进入第二章：它到底跟大语言模型是不是一样，像不像？ 预训练的数据要求像不像？数据环境的搭建像不像？强化学习的过程能不能导出更好的结果？能不能实现 scaling law？能不能在某些地方出现意外的涌现，甚至泛化？ 这几个关键词，就是我们回头去看大语言模型发展过程时会提到的东西。 我们再回到今天可能会无数次提及的事情：大语言模型预测下一个 token，压缩的是我们所谓的常识和知识。只要数据够多、算力足够强、合适的训练环境搭建起来，就会实现涌现和泛化。 给定上下文，预测下一个 token。这个任务看起来，今天回头来看，打引号地说特别简单。为了预测下一个词，大语言模型已经可以模仿人类的语法、知识、常识、逻辑、风格，各种各样的东西都可以，甚至某种程度上的推理也可以。 那世界模型呢？这个循环能够建立吗？预训练、后训练、强化学习、 scaling law、涌现、泛化，这些在世界模型里可以吗？ 世界模型压缩的是物理世界的规律。那这些原始数据从哪儿来？训练环境怎么搭？搭好了之后，我们用所谓人类偏好的强化学习，能够提升效果吗？我们是否看到了涌现？ 比如在自动驾驶这个世界里，当前的摄像头、雷达、地图、车速、周围车辆的状态，这些数据应该都能拿得到。那给定一个动作——刹车、加速、变道——模型要预测几秒之后世界发生了什么，这个状态达到了理想状态吗？ 机器人也一样。给定机械臂当前的状态、视觉画面、目标物体的位置，再给模型一个动作，它要知道这个动作指令下发之后，要抓的东西能不能抓起来，会不会抓落、掉下来、滑倒，或者碰到旁边的东西。 那么问题自然而然就来了。 ### The Data Cost Problem 很多人会说，语言其实只是现实世界的极度压缩。一个很简单的类比是，人类所有的语言和数据加在一起，跟一个 4 岁小孩所接受的所有感官数据相比，完全比不了。整个物理世界的数据太复杂，也太贵了，打引号地说，是非常贵。成本是非常重要的。 我们会想，大语言模型的数据从哪儿来？互联网文本、网页、书、代码、百科。虽然我们对数据质量的要求越来越高，但这些数据几乎都相对容易得到，而且规模很大。 但是，世界模型的数据从哪儿来？真实世界的交互。自动驾驶要在路上真的跑，机器人真的要去做很多工作，工业仿真要依靠传感器、设备和流程。 你想想，每一条数据背后涉及的硬件、场地、人力、安全、合规，各种各样的成本，这件事情跟爬一个网页不可能是一个数量级的。 而且还有一点问题：物理世界数据的数量和数据本身的信息密度可能更低。 为什么这么想？你看，一句话里其实包含的信息密度是很多的。比如说：“司机看到前方儿童突然跑出来，急刹并且向左避让。”这是一段语言。你用视频来记录这件事情，就是几秒钟，然后还要加上摄像头、雷达、轨迹和标注，数据量就非常大。但这里面真正的事实，可能只有那一瞬间。 这就是说，视觉的密度其实比语义的密度低。很多人原来认为是反的，但其实视觉的密度更低，语言的密度更大。 所以，要训练出对标大语言模型的世界模型，所需要的数据量可能不是多一点，而是要多几个量级。因为光靠视频是不够的。 物理世界的世界模型的 scaling law，可能不会像大语言模型那么简单地“越多越好”。因为它需要大量真实数据，然后还要筛出其中所谓的高质量数据，而且高质量的长尾数据要足够多，才可能保证模型的安全边界。 前面也说过，世界模型对安全的要求更高。 接下来问题就出现了。今天这些数据确实很难拿到，成本很高，但毕竟还是可以拿到一些的。那在一定程度上数据 OK，或者说阶段性 OK 的情况下，能出现涌现吗？ 截至这个时间点，我觉得还没有出现涌现。还是回到数据这一层，首先麻烦的是数据供给的问题：能不能持续获得真实世界的数据？数据样本是不是足够多样，包不包含长尾场景？哪些是高质量的？能不能闭环反馈，把强化学习放到所谓模型的数据环境里？ ### Why Autonomous Driving Leads 这件事情听起来就特别像，为什么大家一次又一次地把这件事情跟自动驾驶关联得这么深？自动驾驶应该是世界模型最先落地的场景，这没有任何意外。 因为相较于机器人，车已经真正意义上跑在路上了。每一辆量产车都是一个非常强的数据采集点。它每天要开不同的路，经历不同的天气，在不同的城市，面对不同的交通环境。真实世界一次又一次地给它喂数据，用户生成的内容，就是用户开这辆车所产生的数据。 当然，这件事情能不能直接套用刚才我们说过的大语言模型那种乐观叙事，我觉得也比较难。 因为在大语言模型里面，数据要大到一定量级，到了一定的阈值之后，才出现涌现。那在世界模型里，这个“大”要到什么程度？也就是说，那个阈值到底在哪里？现在大家我觉得还没有观察到。 从结果来看，现在世界模型确实有很多模型公司可以生成所谓打引号的世界，可以预测一些简单的状态变化，甚至可以在一些特定的任务场景里，指挥机器人或者自动驾驶系统行动。 但是，这件事情距离自主理解整个物理世界的因果关系，并且在开放世界当中可靠行动，还有很长的距离。 所以最近也有厂商在主张所谓的因果模型，把因果强调得比较高。我觉得这也是一种主张。你也很难说谁对谁错。 如果一定要用所谓 GPT 来做对比的话，我会觉得今天的世界模型很像 GPT-2。GPT-2 的时刻还没有到 GPT-3，GPT-3 已经基本是曙光了，因为 GPT-3.5 就出现 ChatGPT 了。 现在的状态就是，大概率这个方向越来越多人相信，演示起来也比较兴奋，资本也在密集投入。但是距离 ChatGPT 那样一个大众级别认可的状态，我觉得还有一段时间。 所以我的结论也一直在今天非常多次地提及：物理世界的世界模型可能存在所谓的 scaling law，但它不会像文本世界的语言模型那样平滑、快速。它更像一个高摩擦版本的 scaling law：数据更贵，反馈更慢，安全要求更高，长尾更复杂，而且看起来每一个垂直场景在这个时间点都有所谓的数据壁垒。 每一个垂直场景都有壁垒，会造成什么样的结果呢？我们在今天这个时间点，自然而然看到了参与世界模型这一主张的各种各样的角色。 前面提到了一些初创公司，比如李飞飞老师、杨立昆老师他们的公司，真正意义上在做这一波新世界模型的初创公司；还有一堆具身智能公司、机器人公司。自动驾驶公司刚才已经提过很多次了，视频模型公司当然也会参与，甚至之前在做 AI 3D 模型的公司也会参与。 其实这个逻辑，我在去年的年终总结里也讲过。我说，多模态战场正在经历从垂直战场到统一战场的变化。那个统一战场就是世界模型。 我原来给这个定义的时候，只是把多模态视频和多模态模型厂商放进来了。今天这个范围进一步放大了，它出现了自动驾驶公司和具身智能公司。 这很正常，因为大家远期的目标确实差不多。每一个厂商都有自己的主张。 ### Three Competing World Model Theses 我们简单看一下，把这个领域目前名头最大的 3 家公司的主张拉出来。 先看杨立昆老师的 JEPA。杨立昆老师想做的世界模型是不生成像素的，而是在潜在空间里预测状态的变迁。它不跟像素走在一起，优势是计算效率比较高、泛化性强，但劣势是可解释性会比较差。 然后是哈萨比斯和 DeepMind 他们在做的，还是偏多模态加演进的状态。所以你看 DeepMind 的 Genie 3 的很多演示，还是基于视频生成加可操作的角度去演化。它保留了大语言模型底层的基础架构，然后叠加视觉、空间感知和强化学习的过程。 我觉得这是一个相对务实的路线，而且看起来确实已经出现了一些比较好的效果。我也用过很多次 DeepMind 的视频来做我 PPT 的示范案例。 然后就是李飞飞老师他们做的 World Labs，他们叫 3D 空间表征派。先把世界本身生成出来。他们赌的，我觉得就是空间的概念，或者说空间物理表征这件事情的基座。 3 位绝对意义上最明星、最前沿的科学家，都有自己的主张。在技术路线上出现了所谓的分野，你很难说谁对谁错。 那我们就进入第三章。 既然大家都有自己的主张，也很难在这个时间点说谁对谁错，那我们就看看自动驾驶派的代表公司 Momenta，它的主张是什么。我们去看看它作为自动驾驶公司，内部所谓 AI 模型的演进过程、最新一代世界模型的架构设计，以及为什么这样一家公司能够在这个时间点拥有所谓的壁垒。 ### Momenta Builds a Data Flywheel 聊 Momenta 的时候，我建议大家如果有兴趣，可以去翻一翻它的招股书。其实并不长，尤其是核心业务部分并不长。 你可以看到，一家自动驾驶公司对世界模型的理解，不是说“我也能做世界模型”，而更多是在说，怎么持续拿到真实世界的数据，并把这些数据用到模型上，提升模型的能力。 它更像是一个物理 AI 在这个时间点的商业样本，因为它已经有商业实施，不是一个纯 Lab。 所以我们正好看一看 Momenta 的主张是什么。 今天早上应该是他们已经开始招股了，基石投资人也差不多已经定了。我看了一眼新闻，都是一些长线投资者和大家非常熟悉的对冲基金，比如富达。富达应该是之前重仓了宁德时代吧，我没记错的话。寒武纪他们也投了不少，重仓的比较多，还有光模块和算力的公司。 然后贝莱德可能是全球目前最大的资产管理机构。腾讯、阿里、比亚迪，应该也都是非常长期的投资者。 还有橡树资本，也就是传奇投资人霍华德·马克斯的资产管理公司。他们可能跟中概股合作很多年了，是一家对冲基金。他们之前应该参与了宁德时代港股的二次配售，如果没记错的话。 再比如富兰克林邓普顿基金、药明康德、宁德时代、蔚来、中际旭创，应该也都是比较长期的持有者。 所以你看，这个基石投资者的构成，基本上牌面拉满了。 作为当前这个时间点自动驾驶行业的代表公司，我们看一下 Momenta 在业务角度上，是否已经实现了刚才我们前面提到的飞轮状态。 如果把这个飞轮放到模型角度来看，它是一家做自动驾驶方案的公司，跟所有车企合作做自动驾驶汽车。这些量产车的业务，基本上负责规模化部署，给公司带来收入，同时也带来最重要的真实世界驾驶数据。 然后，他们把这些数据用来训练和优化模型。模型迭代之后，再反哺自动驾驶业务，以及未来要做的 L4 业务。L4 的相关尝试可能又会回来反哺量产车方案。 简单讲就是：更多的车带来更多数据，更多数据带来更好的模型，更好的模型带来更多车企合作，更多合作带来更多的车。这是一个听起来非常简单、很容易理解的飞轮。 但是，能够实现这个飞轮转起来的前提条件其实很多。飞轮的解释并不难，但这个飞轮怎么转起来，我觉得是难的。 那 Momenta 的壁垒到底在哪里呢？ 我觉得，你要先有车企客户，然后有量产车。你要先有量产车，才有数据；你要先有数据，才有模型进步。所以它是一个鸡生蛋、蛋生鸡的问题。 第一个壁垒是数据规模。招股书上显示，截至 2025 年底，Momenta 安装的车辆超过 68 万辆。目前搭载 Momenta 系统的量产车辆规模已经超过 90 万台，市占率应该超过 65%，这个数字已经接近三分之二了。 然后，它和全球 24 家车企合作，覆盖全球前十大车企中的 9 家。很多车企都是它们的战略投资人，绑定关系非常深。 这里面就出现一个变化：今天这个时间点，特斯拉也在做自己的自动驾驶，而且做了很多年，也很强。国产车企里的蔚来、理想、小鹏、华为，也都在做自己的自动驾驶。 Momenta 跟它们的区别在于，它不是跟单一厂商合作。它带来的数据来自不同车企、不同车型、不同价格带、不同区域和不同驾驶风格。这种多样性要比任何一家车企自己拥有的数据复杂得多。 模型训练大家最怕的，就是训练数据的分布太窄。如果你只熟悉一种车、一个城市，或者某一类驾驶行为，那很难期待训练好的模型泛化能力变得更好。模型的泛化，可能更多跟数据的多样性呈正相关。 这是第一个壁垒。 第二个壁垒是商业规模。 今天很多公司讲着非常远大的故事，但这些公司在这个时间点并没有稳定的现金流。机器人公司、具身智能公司、世界模型初创公司，本质上都还在烧钱阶段。 当然，现在资本市场热，大家可以融到很多钱。但万一资本环境出现变化，这些公司可能还在研发过程中，就出现非常大的现金流问题。 Momenta 的好处是，在世界模型的演化过程中，现有的基础自动驾驶业务已经为公司提供了稳定的现金流。Momenta 招股书上显示，从 2023 年到 2025 年，它的营收数据从 7 点几亿元增长到了 2025 年的 20 多亿元。 更重要的数字是，Momenta 的毛利率从 2023 年的 17.5% 提升到了 2025 年的 71.6%。这个毛利率其实是一个非常可怕的数字。如果没记错的话，英伟达的毛利率也大概是 70% 多。 还有一点变化是，Momenta 的许可收入变得越来越多。它非常像软件行业的 SaaS，毛利率会提升得更高，它的收入结构正在从项目制变成软件许可制。软件的毛利当然会比项目执行制更高。 当然，Momenta 今天还在亏损，但它的亏损规模在收窄。历史上应该总共融了接近 100 亿元，再加上这次上市，我觉得资金基础本身也是一个基础。 所以，他们 CEO 曹旭东说了一个说法，叫“门票理论”：物理 AI 一定要有所谓的现金流业务作为支撑。 因为物理 AI 不单纯只是软件生意。你要上车测试、部署、合规、维护，还要跟厂商磨合。它不像一个 App，上线之后就可以全球分发。没有现金流，我觉得很难熬过非常长的周期。 刚才我们说过，我的判断大概是 GPT-2。什么时候到 GPT-3、GPT-3.5，到 ChatGPT，不知道。所以这个周期可能会很长。 这是第二个壁垒：商业化能力。 第三个壁垒是工程化能力。 今天的自动驾驶已经不单纯只是纯粹意义上的论文比赛了。你有算法也没有太多意义，难的还是工程化部署。要部署到不同车型、不同传感器配置、不同车企的流程里，还要满足量产的要求，包括质量、安全、成本和交付周期。 招股书里显示，Momenta 已经交付了超过 100 款量产车型。更夸张的是部署速度：从 2022 年完成第一个 10 万台量产用了 24 个月，到今天最快可以不到 40 天完成 10 万台交付。 这个变化意味着，它已经把量产交付变成了一种平台能力。很多公司可以做一个 demo，但很难在很短时间内做到这么大规模的部署。 这是第三个壁垒，工程化能力。 第四个壁垒，我觉得是技术路线上的选择。 Momenta 的算法演进非常清楚。从 2022 年开始做深度学习和模块化系统，到 2024、2025 年左右开始引入端到端大模型，把感知和决策放到统一架构里，然后从真实世界的自动驾驶数据中做强化学习。 到 R6，也就是 2025 年真正意义上把强化学习引入全流程，提升系统能力。再到现在最新的 R7，R7 的主张就是端到端大模型加强化学习，再加上世界模型的方向。 2026 年的重点，是让系统不单纯只是模仿人类驾驶，而更多是在仿真环境中通过奖励机制，学习更优秀的驾驶行为。这是非常典型的强化学习，奖励覆盖安全、舒适和效率的目标。 这非常关键，因为强化学习能不能产生好的结果，直接影响后面所有的事情。就跟 AlphaGo 讲了五十次一样，模仿人类总会有极限，但强化学习一旦开启就起飞了。 到了 R7，我觉得 Momenta 真正意义上把 R7 定义成了世界模型的方向。它设计了 R7 这个世界模型的 3 层架构。 第一层是世界模型的预训练，也就是通过海量真实驾驶数据，把物理规律、常识和因果关系压缩进模型里，让模型对世界形成基础认知。这跟我们通过预训练把语言模型训练出来是一样的。 然后第二层是世界模型的仿真。我觉得这更像大语言模型里的数据环境搭建，让模型在闭环仿真环境中推演：如果车采取某个动作，周围世界会怎么变化？ 尤其是在长尾场景当中，一些比较少见、很难复现的情况，可以在仿真中做评估。 第三层就是前面提到的，真正意义上让模型在进化中进行强化学习。也就是让模型不那么依赖人类是怎么开车，而更多地在一个高度接近真实世界的虚拟环境里反复试错，学习更安全、更高效的决策。 这就是 Momenta 在讲的所谓物理世界 AI 的故事。 这似乎也是为什么 Momenta 的招股书在当下这个时间点值得聊一聊。它可能原来被很多人认为只是一家自动驾驶公司，但今天它讲的是物理 AI 基座模型公司的故事，也就是世界模型公司的故事。自动驾驶只是这件事情第一个大规模落地的场景。 所以，纯粹从投资人的角度来讲，如果你只把它看成一家自动驾驶公司，你当然会问：车企自研你怎么看？价格会不会被压下来？毛利会不会出现问题？ 但如果你把它当成一家物理世界的 AI 世界模型公司来看，那你当然就会关心我今天这个看起来不太合理、但其实很重要的问题：真实世界的数据飞轮能否持续？能否把这个模型的能力泛化到自动驾驶之外，甚至泛化到机器人和其他领域？ 这两个叙事逻辑完全不一样。 但也正因为如此，这件事情的风险也变大了。单纯只是一家自动驾驶公司，它的风险可能更多集中在那些细节问题上。但如果我们想的是一个更远期的故事，这件事情的风险可能就变得更复杂。 所以，在这个时间点上市，我觉得阶段性证明了它在自动驾驶领域的能力状态达到了一个里程碑。再往后的故事变得更重要。它确实是目前自动驾驶行业里非常少有的、把数据商业化、工程部署、强化学习和世界模型的整个趋势组合在一起的样本。 如果物理世界的 AI 真的存在所谓的 scaling law，那么 Momenta 打造的这个飞轮，我觉得是一个非常值得观察的案例。 所以，最后一个问题就来了。 ### The GPT Moment Comes Gradually 我们的标题问的是 scaling law，在更深层次或者更针对性地问，应该就是：世界模型是否到了所谓的 ChatGPT 时刻？ 前面我说过，还没有。 我们展开一点来聊。我会觉得，AI 世界模型的 GPT 时刻不会像文本或者说语言模型那样突然。它可能是一个渐进式的过程，会在一个一个场景里面跑通，然后慢慢拓展。 最先落地的，今天已经无数次提到，很有可能是自动驾驶。因为自动驾驶这个行业有最多真实世界的数据，有最强的安全需求，当然也有最清晰的商业模式。 再往后可能是交互内容，也就是影视内容创作。这里面的容错率会更高，它不需要对物理世界负那么高的责任，用户也愿意接受所谓生成式的体验。 李飞飞老师的 World Labs、哈萨比斯的 DeepMind，以及 Genie 3，大概率会在游戏开发、虚拟世界和影视这个板块找到比较多的价值。这件事情其实已经在发生了。 更远的可能性就是机器人和具身智能。世界模型可以成为机器人的训练场，很多人都在讲这个故事，希望降低机器人训练的成本。 但机器人听起来应该比自动驾驶难得多。车本身还是在一个偏二维的路面上行驶，但人，尤其是具身机器人，对于三维空间、动力学、柔性物体、手眼协调、不同材质的形变，这些东西要求更多。 再远的可能性，是当年元宇宙讲过的很多故事，比如工业仿真、数字孪生，甚至可能跟前面提到的共识、AI for Science 相关。大家甚至可以通过 AI 的方式做科学发现。 当然，这些都是更远的议题。 ### Why GPT Has Not Arrived 所以，单纯只是在世界模型这个叙事上来做终局判断，我觉得今天可以下一些判断。 第一个判断是，三线合一。也就是说，李飞飞老师所讲的渲染、模拟和规划 3 条线正在融合，边界正在消失。 理想中的世界模型，对那个杯子的理解，应该能同时做到这 3 件事情：渲染、模拟和规划。这 3 个能力其实是同一件事情的 3 个不同投影，彼此的边界正在消失。三者合一，可能将定义机器智能跟物理世界的关系。 第二个判断是，大概率这个行业不会像语言模型那样，最后只有几家公司形成垄断和赢家通吃。 文本和语言基本上是相对通用的，但是我们前面提过，物理世界的多样性太复杂了。自动驾驶的数据、机器人的数据、工业的数据、仓库的数据、手术机器人的数据，都不一样，甚至游戏世界的数据也不一样。 至少在这个阶段，我们看起来每一个场景里都有自己的传感器、动作空间、风险承受程度，甚至有自己世界的物理规律和商业约束。 所以至少这个时间点，我们会觉得，物理世界的 AI 和世界模型，可能不会像通用语言模型那样，由少数几家模型公司完全垄断。 自动驾驶有自动驾驶的视觉模型，机器人有自己的机器人模型，游戏和 3D 可能有自己的模型，工业仿真可能也有自己的模型。它们底层可能共享一套视觉、空间、物理和几何的表征，但彼此之间的数据壁垒会非常强。 这我觉得也是为什么像 Momenta 这样的公司可能会有机会。它未必会成为最大的物理世界 AI 技术平台，但它能在自动驾驶这个高价值的垂直场景里，建立自己的世界模型飞轮，并且看起来已经在建立的过程中。 第三个判断，也是最后的判断：GPT 时刻没有来。 为什么这么说？我们回头想，当年的所谓 ChatGPT 时刻符合哪些规则？ 第一，大众用户有直接的感知。我印象特别清楚，连我们这些对 AI 没有什么理解的人，第一次用到 ChatGPT 的时候都会感知到巨大的冲击。它对大众用户有比较明确的感知。 第二，产品的门槛极低。ChatGPT 打开网页就能用。 第三，通用性足够强。你问它任何问题，它都能做。 第四，整个产业链的各个层级开始出现爆发。 世界模型我觉得没有完全达到这些条件。某些条件可能正在达到，但远远没有达到理想中所有条件都具备的状态。 它的进展可能更多发生在学术界、工业界，以及我们这些做投资的人关注的场景里。大众用户现在看到的更多是一些很酷的视频，比如北京的机器人马拉松，但还没有一个像 ChatGPT 那样，人人可用、人人震撼的产品。 更重要的是，世界模型面对的是物理世界。物理世界不允许你差不多。预测下一个 token 是有概率的，但是物理世界对于概率的要求要高得多，因为一点点闪失可能就是一个事故。 所以我会觉得，物理世界 AI 的 GPT 时刻可能不会像语言模型那样突然到来，它可能是一个渐进式的过程。 世界模型提供了一条让 AI 从语言进入物理世界的可能路线。但经过今天的这期播客，你会发现，它需要真实的数据、工程化的系统，甚至商业闭环和长期持续的投入，才能把这条路铺出来。 回到今天的最后一页：过去几年，AI 最强的能力大家已经看到了，是处理语言，所以叫大语言模型。它能读、能写、能总结、能推理、能编程。 但人类的世界似乎不单纯只是语言。我们生活的这个世界里，有重力，有光线，有材料，有速度，有摩擦，也有因果链条。 大语言模型更多是让机器理解人类如何描述世界，也就是语言。那么世界模型做的事情，就是让机器理解世界本身到底是如何运行的。 所以回到今天播客的标题，到底有没有 scaling law？ 我的答案是，可能有，但它不是语言模型 scaling law 的复制。 前面说过，语言模型的 scaling law 是低摩擦的、通用的。但是物理世界的 scaling law 可能是高摩擦的，它需要非常复杂的多样性：需要车，需要机器人，需要传感器，需要场景，需要安全，需要监管，需要客户实施，也需要世界每天持续给它反馈。 它可能是一个巨大的飞轮，慢慢启动，越来越重，越来越重，越来越重。但是当它真的转到一定速度之后，就可能会非常快。 所以，世界模型还没有到 GPT 时刻，但它可能正在经历类似 GPT-2 的时间点。方向已经非常清楚，能力已经在很多细分场景里出现，资本已经下了重注，一些小的商业样本也开始出现了。 接下来真正要看的，不是谁的 demo 更强，而是谁能把整个飞轮转起来，谁能把模型真的放到真实世界里，在安全、成本、性能和商业化之间找到稳定的平衡点。 从语言到世界，AI 的下一段路才刚刚开始。