世界模型的物理模拟能力：AI 如何学会“万物归地”

可视化演示

动态演示世界模型的物理模拟能力的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

世界模型定位

想象一位从小跟组学戏的导演助理。他最大的本事不是扛机器，而是“心里有戏”：编剧只给了前三页剧本，他低头踱两步，就能把主角进门、落座、端茶、水洒了一桌的后续一气呵成演给你看。这不是玄学，而是他日复一日泡在片场，把“世界接下来会发生什么”内化成了直觉。他脑中的这座“排练场”，就是世界模型的雏形。

世界模型（World Model）是让神经网络学会“心里有戏”的技术路线：给它一段视频开头，它要在内部把接下来的画面“排练”出来，输出一串连贯的未来帧。所以它天然是视频生成模型的底座——Sora 一类的模型之所以能续写出令人惊叹的片段，底层都离不开对未来画面的预测能力。

形式上，世界模型学习一个条件概率：给定过去 t 帧，预测未来 k 帧。视频生成的本质，就是从这套概率里“采样”出一段最像样的续篇。物理模拟能力之所以成为核心评判标准，正是因为“排练场”里预演的因果越接近真实世界，续写出的视频就越难被观众挑出穿帮。

导演的排练场一天不塌，是因为他见过一万次“水洒必湿桌”；世界模型的排练场能不能立住，就要看它有没有从视频里学会同样的物理因果。接下来我们走进排练场的后台，看看物理规律是怎么被“泡”出来的。

物理规律学习

导演助理第一次独立排戏，排的是“茶杯从桌上跌落”。他自信满满地让道具师把茶杯悬在半空，然后喊一声“落！”——茶杯纹丝不动。全场憋笑。他这才明白，自己在片场看过的“落下”从来不是一句咒语，而是成千上万次真实观察累积出的规律。物理不是背出来的，是泡出来的。

世界模型和这位助理一样，不读牛顿的课本，而是在海量视频里“泡”出三大物理规律：重力让物体失去支撑时往下掉；碰撞让物体相遇后弹开、停下或碎裂；遮挡让靠前的物体挡住靠后的物体。再加上一条惯性：运动的物体倾向于保持原来的运动。模型反复看“球抛起→落下”“推倒积木→散落”“人走过镜头→遮住又露出”，逐渐在参数里沉淀出这些因果。

以最常见的自由落体为例。一个物体从静止开始下落，位移和时间的关系是 s = ½gt²；如果它有初速度，则总位移还多出一项初速度贡献。真实视频里每一帧物体的位置都暗合这条曲线。世界模型不必背公式，但它的预测必须“长成”这条曲线的形状，否则生成的视频就会飘。

助理后来闭着眼都能说出茶杯落地的时间，不是因为心算加速度，而是“泡”得够久。世界模型亦然——它不会在显存里写一行 g=9.8，却能在预测时本能地让苹果下落、让球弹起。规律一旦学偏，穿帮就藏在每一帧里。

潜在空间推演

排一场婚礼戏，导演助理不会在脑中把上千宾客的每根头发丝都画一遍再模拟移动；他只需要记下几个关键状态：新郎在门口、伴娘在舞台、摄像机在二楼。脑子里的“排练”是提纲挈领的，不是逐像素较真的。这份提纲，就是潜在空间。

世界模型同样承受不起逐像素模拟整段视频的计算量。它的做法是：先用编码器（Encoder）把每一帧画面压成一个低维的状态向量，在“状态”层面预测下一时刻的状态，再用解码器（Decoder）把状态还原成画面。这样，物理推演发生在压缩后的潜在空间里——相当于导演在提纲上改戏，而不是重画整幅分镜。

这种“压缩-推演-还原”的架构有个著名代价：误差累积。预测每一帧都有微小偏差，偏差又被当作下一帧的输入，像滚雪球一样越滚越大。导演在提纲上记错一个站位，整场戏就全乱了；世界模型在潜在空间里推演得越久，画面就越可能偏离物理现实——这正是长篇视频生成困难的结构性原因。所以排练场省力的秘诀，同时也埋下了翻车的种子。

物理评测方法

导演助理的排练场到底行不行，得有人把关。剧组里最较真的角色是场记：他拿着剧本逐条核对，演员走位偏了三厘米、茶杯落点错了两步都逃不过他的眼睛。世界模型的物理模拟能力，同样需要一组“场记”来评测。

评测不是一句“看起来真不真”，而是一套组合拳。首先是客观指标：FVD（Fréchet Video Distance）在特征空间比较生成视频与真实视频的分布差异，分布越接近，整体风格越像；其次是人工评测，让真人观看并标记“穿帮”；再是专项物理测试集，刻意构造“违反常识”的场景看模型会不会上当，构造“符合物理”的场景看模型能不能复现；最后是一致性检测，比如物体被遮挡后再次出现是否依然“活着”、位置是否连续。

以 FVD 为例，它在特征空间里把两批视频分别看成一个“分布团”，再比较这两个团的中心距离和形状差异：

四个手段各有分工：客观指标管“整体像不像”，人工评测管“细节真不真”，物理测试集管“规律对不对”，一致性检测管“逻辑顺不顺”。物理测试集尤其有趣——它像给导演出突击考题：一辆车驶过画面被大树完全挡住，几秒后重新出现，它应该还在原来的车道上，而不是凭空换了一辆车。模型要是答错，就说明它只是“背”下了好看的画面，没懂遮挡背后的因果。场记越严格，排练场的成色越藏不住。

现有能力水平

学徒导演终于出师，第一单活儿是拍一部“单球弹跳”的短片，他信手拈来；第二单是拍“保龄球撞散球瓶、球瓶又碰倒后续一排瓶子”的连锁镜头，他直接卡壳。这个反差，正是当今世界模型物理能力的真实写照。

目前的世界模型在简单物理场景上表现可圈可点：单个小球自由落体、滑板沿坡下滑、皮球落地反弹，这类“单幕戏”的预测已经相当可信，生成的视频很难被观众立刻挑刺。可一旦进入复杂物理——液体飞溅、布料褶皱、多物体链式碰撞、刚体与柔体耦合——模型就开始露怯。动作像是“照着画”而非“算出来”，因果链条一长，后半段就失控了。

与之相伴的是两个更深的问题。一是推理短板：模型缺乏反事实推理能力，没见过的物理情境它想象不出来，比如“把杯子放到月球上再松手”，它会照地球的常识让杯子直接下落，而不理解月球无空气阻力时轨迹应当不同。二是幻觉问题：为了把画面“圆”下去，模型会无中生有，凭空让物体改变形状、穿越彼此，甚至从遮挡物背后变出一个本不存在的物体。衡量这些缺口，业界常用物理可信度这类比率型指标：

导演的盲区，恰好标定了世界模型的成长空间。如果以“物理通才”为满分，今天的模型大概刚修完“单幕戏”这门课，距离驾驭“连环大戏”还需跨过复杂因果与反事实推理两道门槛。

训练与应用

导演助理是怎么从“悬空茶杯”成长到“单球弹跳”的？靠的是一句朴素的真理：看得够多，才懂得够准。他把自己泡在成百上千小时的纪录片、监控录像和日常生活素材里，眼睛被真实世界的物理反复“喂养”。

世界模型的训练哲学如出一辙：喂海量视频，用自监督的下一帧预测作为主任务。损失函数最朴素的形式是让预测帧尽量贴近真实帧——像素误差小，说明模型学到了隐藏在画面背后的因果；误差大，说明它还在“背台词”而非“懂剧情”。数据规模与多样性直接决定了物理规律能学到多广、多深。

训练策略上，研究者还会加入多种辅助手段：在潜在空间做多步推演以抑制误差累积、对遮挡区域加大惩罚权重以强化“物体恒存”、用物理一致性损失约束碰撞与落体行为。这些手段相当于导演的专项训练：单练走位、单练落点、单练连续性。

学会了物理的世界模型，走出排练场就是生产力。最直接的应用是视频生成：让“小球弹跳”这类镜头一次成型，不再需要后期逐帧抠穿帮；更远的是具身智能——机器人先在模型预演中确认“推倒这摞积木后，落点避开了花瓶”，再动手执行；自动驾驶则用它预判“前车急刹时，后车会怎么跟”，把风险掐在发生之前。排练场越懂物理，现实世界的动作就越有把握。这也正是世界模型物理模拟能力被反复强调的终极原因：预演对了，现实就不会错。

AI 应用场景

Python 演示

import math  class TinyWorldModel:    """极简"世界模型"：用运动学公式学习并预测小球弹跳轨迹。     use_physics=True 时，模型内置重力与地面反弹，能预演真实轨迹；    use_physics=False 时，模型不懂物理，只会让小球匀速直飞。    """     def __init__(self, use_physics=True, gravity=9.8, damping=0.7):        self.use_physics = use_physics        self.gravity = gravity        self.damping = damping     def predict_trajectory(self, v0, steps, dt=0.05):        """从初速度出发，逐帧预测小球的高度序列。"""        traj = []        y = 0.0        v = v0        for _ in range(steps):            if self.use_physics:                v -= self.gravity * dt                y += v * dt                if y < 0:                    y = -y * self.damping                    v = -v * self.damping            else:                y += v0 * dt            traj.append(y)        return traj  def physical_plausibility(pred, ground_truth, tol=0.02):    """物理可信度评测：预测轨迹与真实轨迹逐帧吻合的比例。"""    assert len(pred) == len(ground_truth)    ok = sum(1 for p, g in zip(pred, ground_truth) if abs(p - g) < tol)    return ok / len(pred)  if __name__ == "__main__":    real_model = TinyWorldModel(use_physics=True)    real_traj = real_model.predict_trajectory(v0=3.0, steps=60)    physics_model = TinyWorldModel(use_physics=True)    naive_model = TinyWorldModel(use_physics=False)    score_p = physical_plausibility(physics_model.predict_trajectory(3.0, 60), real_traj)    score_n = physical_plausibility(naive_model.predict_trajectory(3.0, 60), real_traj)    print("懂物理的模型物理可信度:", round(score_p, 3))    print("不懂物理的模型物理可信度:", round(score_n, 3))

1. class TinyWorldModel:定义一个极简世界模型，用运动学公式模拟模型内部的“排练场”。
2. self.use_physics = use_physics开关物理规律：True 代表模型学过重力，False 代表只会“假漂浮”。
3. v -= self.gravity * dt每帧给速度叠加重力影响，对应自由落体的加速度规律。
4. if y < 0:触底检测，撞到地面后按阻尼系数弹回，模拟碰撞中的能量损耗。
5. physical_plausibility(pred, ground_truth, tol)逐帧比对预测与真实的偏差，输出物理可信度得分。
6. for p, g in zip(pred, ground_truth)同时遍历预测轨迹与真实轨迹，逐点判断是否在容差内。
7. if __name__ == "__main__":可执行入口，分别用“懂物理”与“不懂物理”两个模型生成轨迹并对比得分。

常见误区

面试题