什么是世界模型？——机器人脑海中的小宇宙
第 1 章 什么是世界模型？——机器人脑海中的小宇宙
想象你的好朋友小机器人"豆豆"戴着眼罩，被蒙着眼睛带到你家客厅的中央。眼罩拿开后，它必须回答三个问题：我在哪儿？这是什么地方？接下来我会做什么？
没有地图、没有 GPS、没有记忆，豆豆要怎么回答？它会在脑子里"画"一张关于这个房间的地图——哪里有墙，哪里有门，沙发大概在哪个方向——然后用这张地图去预测：往前走三步会不会撞到茶几？左转会不会走出阳台？
这就是世界模型。它不是真的一张纸上的图，而是机器人对"此刻世界是什么样子"以及"做这个动作之后世界会变成什么样子"的内部刻画。就像你第一次去一个新学校，会在脑海里默默记下"教室在走廊尽头左拐，厕所在楼梯口对面"——这张"心理地图"就是你的世界模型；而机器人也有它自己的世界模型，只不过机器人那张地图是用数学和代码写的。
1.1 "猜猜我在哪"——一个让世界模型现身的小游戏
让我们玩一个游戏。我来描述，你来猜。
> 你正站在一个房间里。左边是一面墙，墙上有窗户；右边是一张桌子，桌上有台灯；前面是一扇开着的门；后面是另一面墙。你的面前地上有一块蓝色的小方块。
根据这段描述，你能猜出这个房间是什么房间吗？卧室？书房？教室？答案可能没那么确定。但如果你接着听到：
> 这个房间里有上下铺，有衣柜，有书桌，桌上还有课本和铅笔盒。
现在你能猜到了吗？大多数人都会猜——这是一个儿童卧室。
你刚才做了什么？你把听到的零散信息（左边、右边、前面、上铺、书桌），在脑子里拼成了一幅完整的画面，并且用你过去的经验去"填充"那些没听到的部分（比如你知道上铺通常靠墙、衣柜通常很高）。
机器人做的几乎是一模一样的事情！它通过传感器收集信息——摄像头看到画面，激光雷达测到距离，麦克风听到声音——然后把这些信息"拼"成一个内部的、统一的"世界的样子"。这个内部的世界，就是世界模型。
那世界模型有什么用呢？注意，刚才你只听到了"前面有一扇开着的门"，但是你已经能预测：如果你往前走，应该会走出这个房间，而不是撞上一面墙。因为门是开着的，后面就不应该有墙。
世界模型让机器人（也让我们）能够在不真正执行动作的情况下，预测未来会发生什么。 这就是它最厉害的地方：它相当于给机器人装了一个"想象未来的引擎"。
为了让你更具体地理解，我们来看一个最简单的例子——一个在一间只有墙、门和地砖的房间里巡逻的小机器人。这个机器人只有两个轮子，眼睛是一台能拍到前方 $180^\circ$ 画面的摄像头。它的世界模型需要回答四个核心问题，我们一个个来看。
1.2 世界模型的四大核心组件
世界模型看似神秘，其实拆开看，它就是由四个部分组成的。我们用一个例子把这四块拼起来看：小机器人豆豆正在一个走廊里，左边是墙，前面 2 米有一扇关着的门，地上贴着橙色和蓝色两种颜色的瓷砖，它准备走向那扇门。
第一块：状态表示——机器人怎么"记住"自己在哪里、周围什么样
"状态"是一个听起来很严肃的词，其实它就是"一串数字"。比如豆豆的状态可以写成：
$$s_t = [x,\ y,\ \theta,\ v,\ \text{门的状态},\ \text{灯光},\ \dots]$$
其中 $x,\ y$ 表示机器人在房间里的位置坐标（假设房间左下角是原点），$\theta$ 表示它面朝哪个方向（用角度表示，比如 $0^\circ$ 是朝东，$90^\circ$ 是朝北），$v$ 是当前移动速度，"门的状态"是一个数字——0 表示关着，1 表示开着，0.5 表示半开。
你可以把状态想象成一张"表单"。这张表单记录了"现在一切是什么样"。表单上每一栏都是一个数字，机器人随时可以读到这张表单。这就回答了"我在哪儿？这是什么地方？"。
但表单不是随便填的。设计一个好的状态表示是机器人学里最难的工作之一。你可以用很少的数字（比如只用 $(x, y, \theta)$ 三栏表示位置和朝向），也可以用很多数字（比如把整个房间画成一张 $32 \times 32$ 的灰度图，那就有 1024 个数字）。用得越少，机器人算得越快；用得越多，世界模型的细节越丰富。怎么选？这正是后面我们要讨论的权衡。
第二块：转移方程——世界是怎么"动"的
状态表示回答的是"现在什么样"，转移方程回答的是"动一下之后会变什么样"。
假如豆豆现在的状态是 $s_t = [2,\ 3,\ 0,\ 1]$（位置 $x=2$ 米、$y=3$ 米、面朝东、以每秒 1 米的速度前进），它做了一个"再走 1 秒"的动作 $a_t = \text{前进}$。新的状态应该是什么？答案由一个数学公式给出：
$$s_{t+1} = f(s_t,\ a_t) + \epsilon_t$$
其中 $f$ 是"转移函数"，$\epsilon_t$ 是"噪声项"（一个表示意外的小随机数）。在我们的例子里，$f$ 可能是这样：
```python def f(state, action): x, y, theta, v, door, light = state if action == "前进": new_x = x + v * cos(theta) new_y = y + v * sin(theta)
速度和朝向不变
return [new_x, new_y, theta, v, door, light] elif action == "左转":
把朝向增加 90 度，速度不变
return [x, y, theta + 90, v, door, light] elif action == "开门":
如果门关着，可以打开
if door < 1.0: door = 1.0 return [x, y, theta, v, door, light]
... 其它动作
```
你看，是不是和现实很像？朝东走，$x$ 增加、$y$ 不变；左转，朝向变大。这就是物理的"游戏规则"。
注意最后那个 $\epsilon_t$。真实世界充满意外——轮子打滑、地板有个凸起让机器人抖了一下、风让门轻轻动了一下。这些小意外没法用一个干净的小数表示，所以我们要"加一点噪声"。承认"我没法预测到所有事"，是世界模型诚实的标志。
第三块：观测编码——机器人怎么"看"和"听"
豆豆能看见摄像头拍到的画面，能听见麦克风录到的声音。这些"看"和"听"的原始数据，就是观测 $o_t$。但是原始观测对机器人"思考"来说太复杂了——一张照片有几百万个像素，机器人没法直接用这些像素去算下一步该怎么走。
怎么办？把观测"压缩"一下。用一个数学函数 $h$ 把原始观测变成一个简洁、好用的"摘要"：
$$z_t = h(o_t)$$
$z_t$ 叫做"特征"或者"潜变量"。它是一个比 $o_t$ 短得多的数字串，但是抓住了对机器人决策有用的关键信息。
举个例子。豆豆用摄像头看到一幅 $128 \times 128$ 的彩色照片（这意味着有 $128 \times 128 \times 3 \approx 49000$ 个数字！）。它把照片经过一个"编码神经网络" $h$ 处理后，变成一个只有 64 个数字的小向量 $z_t$。这 64 个数字并不是随便编的——经过训练，它们可能编码了"前方有一扇关着的门"、"门把手是银色的"、"地上的瓷砖是蓝色的"等等信息。机器人接下来就用这 64 个数字去推断它自己在哪、决定下一步怎么做。
这个过程和人类很像。你听到一段话，不会记住每一个声波的频率，而是记住"这是一个儿童卧室"。你做的，就是把听觉观测"压缩"成了一个简洁的内部表示。
第四块：不确定性估计——承认"我不知道"
最后一块可能是最微妙、也是最重要的。世界模型永远不可能完美知道真实世界的一切。所以一个合格的世界模型，必须诚实地承认自己的"不知道"。
怎么做？用概率。比如，豆豆走过一扇门，它发现门关着。它现在的"世界模型"应该这样描述这件事：
$$p(\text{门的状态} = \text{关}) = 0.95$$
也就是说："我认为门是关着的，我有 95% 的把握。"剩下那 5% 给的是"我可能看错了"的余地。这非常重要——如果没有这个不确定性，机器人可能会非常自信地做出错误的事情，比如撞上一扇它以为开着的、其实关着的门。
不确定性估计让机器人做决策时变得"聪明"。比如：
- 如果机器人非常确定门是开的，它会高高兴兴穿过去；
- 如果它只有 60% 的把握门是开着的，它会犹豫一下——先用更慢的速度、伸出一个"触手"去试探一下；
- 如果它 50% 都不知道门是开还是关，它甚至可能决定"我不走这条路了"。
这就是"知道自己不知道"的力量。一个会骄傲地说"我不知道"的世界模型，比一个自信满满但经常犯错的模型，要可靠得多。
四块积木怎么拼起来
小结一下，世界模型的四个组件是这样配合工作的：
```mermaid flowchart LR O[观测] --> E[编码] E --> S[状态] S --> P[预测] P --> U[更新] U --> S S --> A[选择动作] A --> O ```
观测经过编码变成一个紧凑的状态；状态结合动作通过转移方程预测下一步的状态；新观测进来后又会更新状态估计；这个循环一直转下去，机器人就在脑子里形成了一个"流动的、和真实世界同步的小宇宙"。
1.3 人类大脑的世界模型 vs 机器人的世界模型
读到这里你可能会想：这听起来怎么那么像……人类的大脑？
是的！科学家发现，人类大脑里也有一套"世界模型"。当你伸手去抓桌上的杯子时，你不需要等手碰到了才知道杯子在哪——你的大脑在 0.1 秒前已经"预测"了杯子在你手里的感觉。这种"内部模拟"的能力，正是世界模型的核心。
但是，人类大脑的世界模型和机器人的世界模型有三个非常重要的不同。
不同一：表示方式不同
你脑子里的"地图"是分布在一千亿个神经元上的电活动模式。你没办法精确说出"我现在对房间的认知是第几个数字是多少"，但是你能感觉到"门在前面"。
机器人正好相反。它的世界模型就是一组非常精确的数字。比如 $[x = 2.345,\ y = 1.087,\ \theta = 47.2^\circ]$——它能精确告诉你自己在哪、朝哪，但没有一个"感受"。
这带来了一个有趣的后果：人类擅长"模糊地对"，机器擅长"精确地算"。你在陌生房间里大致知道门在哪；机器人则要么知道得极其精确，要么因为一个小数点的误差而彻底迷失。
不同二：学习方式不同
一个孩子走进一个新房间，可能只需要几秒钟就能大致形成"心理地图"。他不需要看一万次不同的房间。
但机器人需要"训练"。要让机器人学会预测门的状态变化，研究者可能要给它"看"几千、几万次不同的门开和关的视频。每一次训练，机器人内部那些数字（神经网络里成千上万的参数）都会被调整一点点。
这就引出了一个非常重要的工程问题：怎么让机器人学得更聪明、用更少的数据学会更多？世界模型的研究者们一直在想办法。
不同三：能"想象"的范围不同
你可以在脑子里想象"如果我去月球会怎么样"。这种想象没有真实数据支撑，全靠你已有的经验"拼"出来。
传统机器人的世界模型只能预测它"见过"或"会算"的事情。如果工程师没有给它写"月球引力"的公式，它就没法预测在月球上"跳一下"会发生什么。
新一代的世界模型正在突破这一点。比如大语言模型驱动的机器人，已经能进行某种程度的"想象"——它们能用语言描述"如果这里有一杯水，我应该左转避开它"，即使它们从未真的"看过"那杯水。
理解这些不同非常重要。它告诉我们：机器人不是"另一种大脑"，机器人是一种新的、有它自己优缺点的认知系统。当我们设计机器人的世界模型时，我们要充分利用它的长处（精确、快速、可重复），弥补它的短处（需要大量数据、难以想象未见过的场景）。
1.4 为什么机器人需要世界模型？——三个无法替代的理由
可能有的小朋友会问：机器人不会直接"试试"吗？撞几次墙不就学会了？这话有道理，但是有三个原因让世界模型变得不可或缺。
理由一：现实世界太贵
假设你想让一个机器人学会煎蛋。让它直接用真实鸡蛋练手——保守估计，机器人要打碎 200 个鸡蛋才能学会不会弄破蛋黄。一个鸡蛋大约 1 元钱，这就是 200 元；还不算浪费的时间和厨房的清理。
如果机器人先在它的"世界模型"里虚拟地练手 10000 次，发现"翻面角度超过 30 度蛋黄会破"，再真正煎蛋——可能只要 5 个就够了。这能省多少钱、多少鸡蛋啊！
这就是"在想象里练习"的力量。世界模型把机器人的学习速度提升了几百倍、几千倍。
理由二：现实世界有危险
有些事，机器人绝对不能在真实世界乱试。比如自动驾驶汽车要是"试试看撞人会不会出事"，那可就是真的人命关天了。
世界模型提供了一个"沙盘"。工程师可以在沙盘里让虚拟汽车撞虚拟行人、撞虚拟墙，然后在真的上路之前修好所有可能的漏洞。
天气预报也是一样的道理——气象学家不能为了预测明天的天气而让地球"先下雨试试"。他们用大气模型（一种超复杂的世界模型）来模拟。
理由三：规划需要想象未来
当你在下棋（比如围棋）的时候，你会想"如果我走这步，对手会怎么走；然后我再走这步，对手又会怎么走……"。你"想"了好几步，但并没有真的在棋盘上下过这些子。
机器人也需要这种"多步前瞻"的能力。比如一个扫地机器人，它会想"如果我先去客厅，再去卧室，最后去厨房，效率会怎样？"它不会真的依次走一遍再做决定——它会在世界模型里"模拟"这几种走法，然后选出最高效的那条。
这叫"基于模型的规划"。它的实现，离不开一个靠谱的世界模型。
复杂度的权衡：奥卡姆的剃刀
世界模型不是越复杂越好。这里面有一个微妙的权衡：
- 一个太简单的模型（比如"机器人只会走直线，不知道有墙"）不能帮上忙；
- 一个太复杂的模型（比如"机器人要预测每个空气分子的运动"）算得太慢，根本来不及做决定。
好的世界模型要刚刚好——既准确到能避免撞墙，又简洁到能在一秒以内完成计算。这就像画地图——一张只有"哪里有墙"的粗略地图，已经能帮你从客厅走到卧室；你不需要画出每一块地砖的纹路。这就是工程上的"奥卡姆剃刀"——在能解决问题的前提下，模型越简单越好。
记住这句话：好的世界模型既要"准确"，也要"简洁"。
1.5 动手做：画出你的卧室世界模型
现在轮到你了。我们要做一个项目：画出你自己卧室的"世界模型"——但是注意，我们画的不能 100% 还原卧室，我们要画的是一个"够用就好"的地图。
步骤一：准备材料
你需要：一张 A4 白纸，一支铅笔，一把直尺，一块橡皮。
步骤二：选择"状态"
想一想，你希望在地图上"记下"哪几样东西？给你一个清单参考：
- **家具**（必选）：床、书桌、衣柜
- **门窗**（必选）：卧室门、窗户
- **可移动路径**：你晚上从床走到门口的路线
- **未知区域**：床底下有没有什么东西？你没看清的角落
步骤三：标比例尺
在纸的一角写：1 格 = 50 厘米。然后用直尺画格子，每个格子代表实际空间 50 厘米见方。
步骤四：动手画
按你选的"状态"在纸上画。用方块代表家具，用线条代表墙，用箭头代表你的路径。请至少包含：
- **3 类对象**（比如床、门、窗户）
- **2 条可行路径**（从床到门口的两种不同走法，比如一条经过书桌、一条不经过书桌）
- **1 个未知区域**（比如衣柜后面、床底，或者你看不清的某个角落）
步骤五：和真实卧室对比
现在你拿着这张图，走进你的卧室亲眼看一看：
- 你的地图上画的"床"，床脚的方向画对了吗？
- 你标的"未知的床底"，现在你能看清里面到底有什么了吗？
- 你设计的两条路径，哪条其实走不通（比如有条路径经过一个你没想到的小凳子）？
- 真实卧室比地图多了什么？比如突然多出来一只猫、一件脏衣服、一根掉在地上的数据线。
步骤六：回答三个问题
1. 你的地图错在哪？ 它和真实卧室有什么不同？这些不同说明了什么？ 2. 地图少了什么？ 哪些信息你的地图没记下来？你觉得需要记下来吗？ 3. 如果机器人用你的地图在卧室里走，会发生什么？ 它会撞到什么东西吗？为什么？
这个练习会教给你一个机器人学的核心矛盾：模型永远只是真实世界的一个"简化版"，它不可能 100% 准确。但只要这个简化版"够用"——能帮机器人完成它的任务——它就是好的。
你画的卧室世界模型越简单、越能说明问题，你就越能体会到世界模型工程师们每天都在做的权衡取舍。
本章小结
这一章我们认识了一个新朋友——世界模型。它是机器人对"世界现在是什么样"和"做这个动作之后世界会变成什么样子"的内部刻画。我们把它拆开成了四块积木：
- **状态表示**：用一串数字记录"现在的一切"；
- **转移方程**：用数学公式告诉你"动一下之后怎么变"；
- **观测编码**：把复杂的传感器数据压缩成简洁的特征；
- **不确定性估计**：诚实地承认"我不知道"，用概率说话。
我们还把它和人类大脑的世界模型做了比较，看到了它们的相同（都会预测未来）和不同（人类靠感觉、机器靠数字）。我们讨论了为什么机器人需要世界模型——为了省钱、为了安全、为了提前规划。最后我们用一个卧室地图的小练习，让你亲手感受到了"模型 vs 真实世界"的差距。
但有一个问题我们一直没有正面回答：机器人到底是怎么"看到"和"听到"这个世界的？
摄像头拍出来的照片，对机器人来说只是几百万个数字；麦克风录下来的声音，对机器人来说只是一段波形的起伏。这些数字和波形，是怎么变成我们说的"状态表示"和"观测编码"的呢？
下一章，我们就来揭开这个谜底——一起走进机器人的"感官世界"，看看它是如何把光和声变成想法的。