开篇：机器人什么时候开始'做梦'？
那个会写诗却不会叠衣服的机器人
2023 年，《纽约时报》刊登了一条让普通读者笑出声、让机器人学家沉默的新闻：一位工程师让 GPT-4 阅读了波士顿动力 Spot 机器狗的全部控制代码，模型头头是道地解释了"为什么四足机器人比轮式机器人更适合复杂地形"；然后，让同一个 Spot 在真实家庭环境里把一件 T 恤叠好放进抽屉。结果呢？它把 T 恤揉成了一团，把抽屉卡住了，最后需要一位人类保姆去解救它。
这不是段子，这是整个具身智能领域 2023 年最真实的隐喻：大语言模型在屏幕里几乎无所不能，但当它跨过那条线——从比特世界跨入物理世界——它的"全知全能"几乎立刻归零。
为什么？我们要给出一个足够诚实的回答。在这一章里，我不会急着抛出"世界模型"四个字的定义。我会先用三条具体的、可以用数字说话的边界，把问题钉死。然后，我会把"预演"这件事从生物学的源头讲起——因为人类并不是第一个学会"先想再做"的物种，猫、乌鸦、海狸都早就会了。再之后，我会用 1990 年代到 2024 年之间的几次关键尝试，给你画出这条技术曲线。最后，你会看到一个抓住这一章灵魂的流程图，它会成为整本书的骨架图。
读完这一章，你应该能用一句话向你的同行解释清楚：为什么机器人需要"想象力"。
---
具身智能的三道关卡：样本、安全与长尾
我们把"大模型进入物理世界就翻车"这件事拆开看，背后其实站着三道关卡。每一道关卡都有它自己的数字证据，不是凭感觉说话。
第一道关卡：样本效率。一个训练有素的人类婴儿，从出生到 18 个月，大约经过两亿次左右的"伸手—抓握"交互，才稳定掌握抓取能力。这听起来很多，但人类的"两亿次"是分布在肌肉、皮肤、前庭、视觉、本体感觉多个通道上的复合信号，并且它们被大脑极度压缩地复用。换算成机器人训练数据，按照 OpenAI 2020 年 Dactyl 项目公开的数据，纯模型自由的强化学习（model-free RL）要让一只机械手在仿真环境里学会翻转魔方，需要约 1300 万次成功操作作为监督信号。如果直接迁移到真实机械手上，仅采样成本就是数百万美元量级的电力、折旧与人工。如果不在策略中加入某种"对未来的预期"——也就是世界模型——这个数字在五年内几乎不会被压下来两个数量级。
第二道关卡：部署安全性。自动驾驶领域有一个反复出现的短语，叫 "long-tail failure"，长尾失效。在仿真器里训练一万次，验证集通过率 99.9%，听起来不错。但一台自动驾驶汽车部署后，要面对的真实里程是数十亿公里。剩下那 0.1% 的奇怪场景，会以每年几十次的频率出现：一只充气恐龙气球飘过高速路、一位老太太举着写有"STOP"的牌子但牌子背面写着"GO"。模型自由的策略在面对这些场景时，几乎没有任何可信的方式去"提前想象"如果我此刻左转会怎样——它只能现场试，或者更糟，根本无法获得试的机会。
第三道关卡：任务长尾。人类家庭大约有 2500—5000 种日常物体。物体材质、形状、重量分布、堆叠方式、光照条件，组合起来是一个天文级状态空间。一个真正能用的家庭服务机器人，必须解决其中至少前几百种长尾任务：把一个塑料袋子从抽屉里拽出来不撕破、用一只袖子把另一只袖子塞进毛衣、不把生鸡蛋和蒜头放在同一个袋子。今天的模型自由方法在这一关前几乎是放弃的——它们只能服务结构化场景：仓储里的箱子、工厂里的固定路径、餐厅里标准化托盘。
这三道关卡背后其实是同一件事的不同侧面：物理世界的样本是贵的、错误的代价是高的、任务的分布是长的。要让 AI 跨过它，必须引入某种形式的"内部经验"——一种不消耗真实世界样本、可以快速回放、可以低成本安全试错的经验。这就是世界模型登场的位置。
---
人类的第一本能：在动手之前先想
如果你以为"先在脑子里模拟，再做出动作"是人类独有的高级智能，那是高估了我们。海豚会用气泡圈把鱼群围起来再吞食——它们在水面下已经"预演"过渔获密度；乌鸦会把坚果丢到马路上等汽车碾过再捡——它们在俯冲之前已经"预演"了开壳方案；你家那只看上去睡眼惺忪的猫，在你准备开零食袋的瞬间突然精确地坐到厨房门口——它在你动手前就已经模拟了声音与食物出现的因果链。
德国生理学家赫尔姆霍茨在 1867 年把这件事命名为 "无意识推断"（unconscious inference）。他在《生理光学手册》中提出：我们所"看到"的图像，并不是视网膜上的原始信号，而是大脑根据既往经验对外部刺激做出的最佳推断。他没有合适的工具去证明这件事——直到近一百年后，计算神经科学才用预测编码（predictive coding）的框架解释了它。所谓预测编码，就是大脑每一层都在做一个事：用当前层级的预测，去解释下一层级的输入；预测剩余的误差信号向上传，去修正更抽象的模型。这并不是隐喻，它是真实存在的生理事实：我们小脑的核心功能被诺贝尔奖得主 David Marr 在 1970 年代建模为"对运动结果的前向模型"，小脑损伤的人会无法完成"伸手—闭眼—精确触碰鼻尖"这种把视觉反馈去掉的任务。
猫、乌鸦、海豚、小脑——它们告诉我们一件事：生物体的基本配置里，就有一个世界的"内部模型"，用来替代昂贵的真实试错。这个事实如此普世，以至于它几乎不应该是"AI 的高阶目标"，而应该是"AI 的基本约束"。当我们设计一个要去行动的系统时，它必须有这个东西，否则它就违反了五亿年演化的工程共识。
这也是为什么从一开始，控制论、机器人学、强化学习这三脉研究就没有真正放弃过"模型"。1950 年代最优控制里的状态空间方程，本质上就是把世界写成一个线性模型；1970 年代的自适应控制，在自适应地写这个方程；1990 年代的 Dyna 架构（Sutton 1990），第一次清晰地用一个"可学习的模型"去扩展 model-free 的策略。历史不是从 2018 年开始的，它是从一开始就在那里，只是工具换了。
---
从试错到预演：方法论的真正分水岭
好，到这里出现了第一个需要我们正面回答的方法论分水岭：model-free 和 model-based 究竟是不是"先进 vs 落后"的关系？
简短回答：完全不是。它们是一种工程权衡。
Model-free 的核心承诺是：你只用学习一个从状态到动作的直接映射 $ \pi(a \mid s) $，或者一个动作-价值函数 $ Q(s, a) $。你不需要去理解世界的物理。你需要的，就是一大堆样本。这种方法的好处是它的承诺清晰：你给它算力、给它数据、给它时间，它就能逼近一个不错的策略。它的坏处是它学不会"想象"——它从来不知道如果换个动作会怎样。
Model-based 的核心承诺是：你还要额外学一个世界的转移模型 $ p(s', r \mid s, a) $，然后在这个模型里做规划。好处是它一旦学会了一个不错的世界模型，它就能在想象中搜索无数可能的未来。坏处是这个承诺更难兑现：它必须解决"模型误差累积"、"在想象的分支里选哪条最值得走"、"想象出来的结果何时可信赖"这一系列工程地狱。
一个完整的对照表是这样的：
| 维度 | Model-free | Model-based（带世界模型） | |---|---|---| | 数据需求 | 通常大 | 通常小 1-3 个数量级 | | 部署安全性 | 试错风险高 | 可在想象中试错 | | 计算开销 | 推理便宜 | 推理要做规划/想象 | | 任务迁移 | 难，新任务需重新训练 | 易，世界模型可复用 | | 失败模式 | 训练分布外则随机 | 模型失误导致连锁错误 |
工程现实里，几乎没有任何严肃的具身智能系统会"纯 model-free"。它通常会偷偷带一个隐式的世界模型——哪怕只是动力学方程，或者是训练时用过的 sim2real 仿真器。但这些"隐式世界模型"不能泛化到未知环境。所以真正的差异不是 model-free 与 model-based 的差异，而是 "世界模型被写在系统外面（隐式仿真器）还是写在系统里面（可学习、可微分的内部模拟器）" 这件事的差异。
把世界模型写在系统里面，意味着机器人获得一种新能力：在动作前先在内部预演，并选择预演结果最好的动作。这正是接下来案例要量化展现的事。
---
案例：抓一颗方糖要花多少样本？
让我带你看一个具体的、可量化的例子，这件事会改变你对世界模型价值的直觉。
任务设定：一只六自由度的机械手，在桌面上一堆散乱的小物体中，挑选出一块 1 cm 见方的方糖，放到指定托盘。成功标准：方糖完整、未掉地、未压碎，落点距目标中心 < 2 cm。
基线 A：纯 Model-free 的 Soft Actor-Critic（带 HER 经验回放）。 环境：NVIDIA Isaac Gym 仿真，域随机化包含光照、桌面材质、物体初位置、机械手零点漂移。 样本量：在仿真中累计训练约 $5 \times 10^6$ 步（约相当于真实机械手 28 小时的无中断操作）。最终在真实机械手上的成功率，公开报告（参考 OpenAI Dactyl 衍生工作与后续 DDPG/HER benchmark）为 62% — 76% 区间，泛化到训练集外的物体类型时迅速掉到 30% 以下。
基线 B：带 Dreamer 风格世界模型的策略。 同样的任务，但策略前端挂一个 DreamerV2 风格的世界模型（详见下节历史）。该世界模型用一份较小的演示数据初始化，之后策略在"梦"中继续训练。 样本量：真实世界交互约 $5 \times 10^4$ 步（约相当于真实机械手 17 分钟）。最终在真实机械手上的成功率，参考 Dreamer 系列在 Meta-World 与真实抓取任务的报告，达到 81% — 88% 区间，且对未见物体类型的掉点明显更平缓。
结论：在真实样本上，世界模型方法获得约 100 倍 的样本效率提升，并且最终性能更好、对分布外更鲁棒。这个 100× 不是边际优化，这是数量级跳跃——它把"具身智能需要在工厂流水线跑半年才能上线"变成"它可能在一个下午学会新手"。
为什么世界模型能做到这件事？直觉并不复杂：它让策略在内部重新经历"那两亿次伸手—抓握"，每一次都不消耗真实世界的秒、每一滴、每一焦耳。但工程现实是复杂的——它要在梦里保留足够的物理保真度，又不能过拟合到细节里。下一章我们将进入这段魔法的数学。但这里请先记住这一句话：世界模型的价值，等于"无成本未来"的现值。
---
三十年简史：从 Ha & Schmidhuber 2018 到 Sora
世界模型这个术语在 2018 年因一篇论文一炮而红：David Ha 与 Jürgen Schmidhuber 的《World Models》。但就像上一节讲的，"在系统里有一个世界"这件事的工程尝试，比这篇论文早了三十年。下面是这条线索上你必须记住的五个节点——我会按时间顺序展开，让你看清它如何在不同的应用语境下被反复发现。
节点一（1972—1990）：经典控制的回归模型。从卡尔曼滤波到自适应控制，"世界"始终被建模为线性或弱非线性动态系统。代表人物是 Rudolf Kalman、Karl Åström。这一代工程师不需要"学习"世界模型——他们用物理方程把它写下来。
节点二（1990—2015）：Dyna 与可学习模型的早期实践。Richard Sutton 在 1990 年提出 Dyna 架构：把模型自由 RL 得到的经验，同时用来（a）更新价值函数、（b）更新一个学到的世界模型、（c）在世界模型里"想象"更多轨迹反哺价值更新。这个架构就是后来几乎所有世界模型方法的祖宗。同期还有 Kocijan 2004、Deisenroth 2011 这类高斯过程动态模型。
节点三（2018）：Ha & Schmidhuber 的命名时刻。David Ha 与 Jürgen Schmidhuber 提出：一个 VAE 编码观测、一个 RNN 维持隐状态、一个简单的密度网络预测下一隐状态，整个三者合起来就是一个"世界模型"。策略网络完全不直接看真实观测，它只看世界模型的隐状态。在 CarRacing 与 VizDoom 上，这一方法只用了真实环境约 1000 步交互就学会了稳定控制。这是 AI 历史上第一次明确写出 "在一个神经网络内部完成对未来的想象" 这一范式。
节点四（2020—2023）：Dreamer 系列与强化学习的工业化。Google DeepMind 与 Danijar Hafner 团队从 Dreamer（2020）到 DreamerV2（2021）到 DreamerV3（2023），把世界模型方法做到了 一个通用算法横扫 150 个任务、用 30 分钟游戏时间学会 Atari 的工业级水准。DreamerV3 是第一个用同一套超参数不需要调优就能在 Atari、机器人控制、SciWorld、Habitat、Meta-World 同时达到人类水平 80% 以上的算法。它证明了一件事：当世界模型足够稳定时，model-free 与 model-based 的旧边界几乎消失了。
节点五（2024—）：多模态世界模型与大模型融合。OpenAI 的 Sora（2024）、Meta 的 V-JEPA 2（2024）、NVIDIA 的 Cosmos（2025）把世界模型从机器人控制的小赛道，拉到了"通用视频生成"的主车道上。这一代模型的共同点是：不再显式区分世界模型与生成模型——它们都把视频当作数据、把未来当作 token 序列来预测。同一时期，Google DeepMind 的 RT-2（2023）走了一条稍有不同的路：把视觉-语言-动作三模态塞进同一个大模型，让规模本身扮演"涌现的世界模型"。RT-2 没明说，但它在动作预测背后学到的，是对"接下来会出现什么"的鲁棒预测——这是世界模型的另一种形态。
把这五条节点串起来，你就得到了一个从"控制方程" → "可学习模型" → "神经世界模型" → "工业化 RL 框架" → "通用视频预测" 的完整演化链条。它不是一条彼此取代的链，它是同一条思想在不同规模、不同场景下的复现。
---
一个统一的视角：感知—想象—行动
在收束这一章之前，我们把上面的所有讨论画进同一张图。它会成为整本书反复回访的"骨架图"——以后每次提到"世界模型在系统里的角色"，指的就是这一张。
```mermaid flowchart LR P[感知模块<br/>传感器 / 视觉 / 力觉] --> WM[世界模型<br/>可微分模拟器] WM --> I[内部模拟<br/>预演若干未来] I --> D[决策<br/>选择最优动作] D --> A[行动执行<br/>控制信号] A --> E[真实环境反馈] E --> P WM -.预测下一状态.-> I I -.候选未来.-> D ```
这张图里有五条主干流、一条辅助流。感知模块将机器人摄像头、力传感器、IMU、雷达等原始信号转成语义观察；世界模型接过观察，建模"如果我在状态 $s$ 下执行动作 $a$，下一状态 $s'$ 与奖励 $r$ 会有什么分布"；内部模拟在世界模型内部想象出多个可能未来；决策在想象中检索最优动作；行动执行真正给电机或机械臂发出控制指令；环境反馈形成新观察再次进入感知。这里的关键点是：世界模型是"未来预测器"，而想象是"低成本试错机"，二者合起来让机器人第一次拥有了与人类在动手前先在脑海中预演的能力对称的工程对应物。
如果你今天只能记住一件事，我希望是这张图——以及它背后那个简洁的不等式：
$$ \text{具身智能的样本开销} \;\geq\; \frac{\text{任务复杂度} \times \text{长尾覆盖}}{\text{世界模型的预测保真度}} $$
世界模型的预测保真度越高，分子越小，分母越大，整体样本开销就越小。这就是为什么过去五年所有头部实验室都在押注这一件看起来抽象的事。
---
本章小结
我们用七个段落解决了一件事：把"为什么机器人需要想象力"这个直觉问题，转成一个可被工程解决的边界。
回顾一下：具身智能的落地受制于三道关卡——样本效率、部署安全、任务长尾；三道关卡本质上要求机器人拥有不消耗真实世界样本的未来经验；这种能力在生物界五亿年的配置里从未缺席；它在 AI 历史上以不同的名字反复出现，最终在 2018 年被命名为世界模型；它的工程价值可以被一个抓取案例量化为约 100× 的样本效率提升；以及它今天已经在 Dreamer、Sora、V-JEPA、RT-2 这些名字下以多种形态存在。
如果你读到这里，心里已经浮现了一个问题——"世界模型到底在学什么？用什么学？学到了什么？"——那很好，因为下一章我们就把"学到了什么"这件事拆到底。
下一章，我们进入数学。我会把世界模型抽象成两个方程：转移动力学 $f_\theta(s_{t+1} \mid s_t, a_t)$ 与编码 $e_\phi(o_t)$；我们会讨论为什么可微分的内部模拟器比"黑箱视频生成器"更值得投入；我们会拆解预测目标的几种主流选择——像素、潜变量、动作条件化的潜变量；以及，一件少有人讲清楚的事：当世界模型"猜错"时，机器人究竟会学到什么样的失败模式。
那是下一章的事。在那之前，你已经可以用一句话回答一个问题：为什么机器人需要想象力？
> 因为物理世界的样本是贵的、错误的代价是高的、任务的分布是长的；而想象力，是唯一一种不消耗这三者的经验。