第二大脑 / Knowledge Bank

world_model

11分钟阅读

世界模型（World Model）

世界模型是指智能体在内部建立的一套”世界如何运转”的模型，让它能预测”如果我做了 X，接下来会发生什么”——不用真的去做，在脑子里就能”推演”后果。它是规划、想象、深谋远虑的基础，也被很多人（包括 Yann LeCun）看作通往更高级自主 Agent / AGI 的关键缺口。

本质：把外部环境的”运行规律（动力学）“压进模型内部，于是智能体可以离线地在想象中试错，而不必事事在真实世界里付出代价。

一句话类比：你过马路不会真的走上去试试会不会被撞。 脑子里有个世界模型——车速多快、多久到、我走过去几秒——你在想象里预演一遍，推断”现在走安全”，才迈步。这个”在脑内预演后果”的能力，就是世界模型。

0. 统一视角：智能体的”三重建模”

世界模型不是孤立概念，它和你研究线里的两块拼成一张图。智能的核心母题就是建立内部模型来预测：

建模对象概念笔记
外部环境世界模型 (World Model)本篇
他人的心智心智理论 (ToM)../research/emotional-intelligence/theory-of-mind.md
自己自我模型 / 自我认知../research/emotional-intelligence/emotion-as-skill.md KP4/5

一个真正通用的 Agent 三样都需要：懂世界（才能规划）、懂别人（才能协作）、懂自己（才能反思）。三者共享同一个机制——用内部模型预测外部。

1. 核心价值：预测 → 想象 → 规划

有了世界模型，智能体能做两件反应式系统做不到的事：

  • 规划 (Planning)：在脑内模拟多条行动路径的后果，挑最优的再真正执行（而不是走一步看一步）。
  • 样本高效 (Sample Efficiency)：大量学习可以在”想象/做梦”里完成，不必在真实环境里反复试错——现实中的试错往往很贵、很慢、甚至危险。

对比：没有世界模型的智能体是反应式 (reactive) 的——看到当前状态直接给动作；有世界模型的是深思式 (deliberative) 的——先在内部推演”如果……那么……”，再决定。

2. 经典结构：V-M-C（Ha & Schmidhuber, 2018）

“世界模型”这个词流行起来很大程度来自这篇论文。它把 Agent 拆成三块：

观察(一帧画面) ─▶ [V 视觉编码] ─▶ 压缩成精简隐向量 z
                                    │
                    [M 记忆/动态模型] ─▶ 由 z + 历史预测"下一刻的 z"
                                    │      (这就是"世界怎么演变"的模型)
                    [C 控制器] ─▶ 看 z + M 的状态，输出"做什么动作"
模块作用关联
V (Vision)把高维观察（整张画面）压成低维”要点”向量呼应 embedding_model.md 的表征压缩
M (Memory/Model)核心：学环境的动力学——“当前状态 + 动作 → 下一状态”世界模型的”模型”就在这
C (Controller)很小的决策模块，基于前两者选动作呼应 agent.md 的决策

论文的惊艳演示：Agent 可以完全在自己学出来的”梦境”（世界模型模拟的环境）里训练，再把学到的策略搬回真实环境，居然能用。这就是”在想象里学习”的雏形。

3. 关键分野：Model-Based vs Model-Free（强化学习）

世界模型最直接的战场是强化学习 (RL)，核心区分：

无模型 (Model-Free)有模型 (Model-Based，用世界模型)
怎么学直接试错，记”什么状态做什么动作得分高”先学环境模型，再用它推演/规划
样本效率低，要海量真实交互高，能在想象里练
稳定性通常更稳依赖模型质量，模型错则规划错
代表DQN、PPODreamer 系列、MuZero

MuZero 值得单记：它不需要人告诉它游戏/围棋规则，而是自己学出一个”够用来规划”的世界模型，再在脑内搜索最优招法。AlphaGo → MuZero 这条线，内核就是”世界模型 + 前瞻搜索”。

4. 和大模型（LLM / Agent）的关系——争论最热处

这块直接连到 Agent，而且和 ToM 那场争论同构。

问题：大语言模型内部有没有”世界模型”？

观点主张证据/代表
有，涌现了预测下一个词的训练中，模型自发学出了对世界的内部表征Othello-GPT：只喂棋谱文本，模型内部竟自发形成了”棋盘”的表征
没有，是模式匹配纯预测下一词学到的是语言统计规律，非真正的因果世界模型Yann LeCun 的批评；主推 JEPA：在抽象表征空间预测世界，而非逐词/逐像素

核心质疑与 ../research/emotional-intelligence/theory-of-mind.md 第 5 节完全同构：通过行为测试（会下棋、会推理）≠ 真的拥有内部模型？还是高级模式匹配？判断标准之争（看行为 vs 看内部机制）悬而未决——这也是 ../research/emotional-intelligence/emotion-as-skill.md KP2”功能 vs 体验”之分的又一次现身。

“世界模型”的新形态：

  • Sora / Genie 这类视频生成/可交互环境生成模型，被称为”世界模拟器”——能生成物理上大致合理的画面，似乎隐含了对世界的建模。但”真懂物理”还是”学了表面规律”，同样在争。

5. 为什么 Agent 尤其需要它

呼应 loop_engineering.md 和 ai_predictability.md：

  • 当前 LLM Agent 大多是反应式的（看当前状态 → 下一步动作），缺乏深谋远虑。
  • 有世界模型的 Agent 能向前推演多步（“我这样改代码，测试会不会挂？部署会不会出问题？”），做真正的规划。
  • 更好的世界模型 → 更少的盲目试错 → 行为更可预测（呼应 ai_predictability.md：能预判后果的 Agent 更可控）。

这被不少研究者视作从”会聊天的 LLM”迈向”会办事的自主 Agent”的关键一环。

6. 常见坑 / 误区

  • ❌ “世界模型就是 3D 场景/游戏引擎” → 那是显式模拟器；这里的世界模型是学出来的、可能是抽象隐空间的预测模型，不一定长得像世界
  • ❌ “LLM 会推理就证明它有世界模型” → 行为通过 ≠ 具备内部模型，可能是模式匹配（见第 4 节，同 ToM 之争）
  • ❌ “世界模型 = 强化学习专属” → RL 是主战场，但认知科学的”心智模型”、LLM 的内部表征、视频生成都属这个大概念
  • ❌ “有世界模型就一定更好” → 模型不准时，基于它的规划会系统性犯错（garbage in, garbage out）；model-free 有时反而更稳
  • ❌ “世界模型和 ToM/自我模型没关系” → 三者同构，都是”用内部模型预测外部”，只是建模对象不同（见第 0 节）

7. 延伸阅读 / 关联概念

关系图谱

反向链接