想象一位蒙眼下棋的盲棋大师，他看不见棋盘，却能同时应对十位对手。秘密在于：他的大脑里存着一张不断更新的“脑内棋盘”。落子之前，他已经在脑中推演过好几步——如果我跳马，对方可能飞象，我再炮打底士……每一步棋的利弊，都在手指碰到棋子的那一刻之前被“模拟”过了。 今天的主角——世界模型（World Model），就是给机器人装上这样一张“脑内棋盘”。拿到一张照片、一段激光扫描，机器人不只是“看”，还要在脑中回答：如果我往前走半步，这个世界会变成什么样？如果伸手去抓那个杯子，是稳稳握住，还是会滑落？世界模型从海量数据中学会“环境会如何变化”，让机器人能像棋手推演棋局一样，先想后动。 这套思路正在重塑机器人领域：导航小车用它避开突然出现的行人，机械臂用它挑出最稳的抓取姿势，双足机器人靠它预判下一步踩在哪里最安全。背后是一整套“脑内模拟 + 规划选择”的机制。让我们一起跟着这位盲棋大师，看看机器人在行动之前，脑子里到底在“想”什么。

岗位关联

理解世界模型，是从“让机器人照着脚本走”升级到“让机器人自己预演再决策”的分水岭——这是具身智能算法岗位最核心的技能树之一。

目录
  1. 可视化演示
  2. 世界模型基础
  3. 导航规划应用
  4. 操作抓取任务
  5. 预测规划机制
  6. 传统控制对比
  7. 代表工作数据集
  8. 挑战发展趋势
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示世界模型在机器人导航轨迹预测、抓取动作模拟、以及传统控制与世界模型方法的对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

世界模型导航预测 机器人：当前位置与朝向 预测轨迹：模型想象未来路径 s_{t+1} = f(s_t, a_t) 预测下一步状态 世界模型在脑中模拟环境后果提前规划。

世界模型基础

盲棋大师的高光时刻，不是落子那一瞬，而是落子前的长时间沉默。他脑中飞快闪过无数分支：这步吃马会不会被反将？弃车的陷阱能不能成型？机器人也是一样，真正拉开差距的不是电机的转动力矩，而是“脑内棋盘”的质量——也就是世界模型。

从名字拆开看，世界（world）指机器人所处的动态环境，模型（model）是对环境的简化模拟。世界模型要做的事看起来只有一件：给定当前状态和要执行的动作，预测环境接下来会变成什么样。它不是存储地图，而是掌握一套“变化规律”。

工程上一般把世界模型拆成三个模块：感知编码器把高维图片或点云压缩成紧凑状态 s_t；动力学网络负责“变”——输入当前状态与动作 a_t，输出下一状态；再配一个代价模块判断预测结果是好是坏。三块合在一起，就是机器人的“脑内推演器”。

盲棋大师的输赢，取决于脑内棋盘是否够准；机器人的成败，取决于 f 是否够好。棋手靠棋谱千百遍复盘，机器人靠一条条 (s, a, s') 经验三元组反复拟合——殊途同归。

st+1=f(st,at)\displaystyle s_{t+1} = f(s_t, a_t)
f 就是“世界变化的规律”：给一个现状和一步动作，吐出下一步的世界状态。
  1. 当前状态 s_t机器人此刻对环境的感知压缩表示，相当于盲棋大师脑中“当前棋盘局面”的快照。
    sts_t
  2. 动作 a_t机器人打算执行的一步操作，比如“前进半米”“手腕转 30 度”，对应棋手的一次落子。
    ata_t
  3. 动力学函数 f从数据中学习出的“世界规则”，把现状与动作映射到未来，是脑内棋盘的核心引擎。
    f(⋅)f(\cdot)

导航规划应用

大师落子前会问：“下一步棋盘长什么样？”导航机器人则问：“我往前挪半步，前方道路会被谁占住？”这是世界模型最容易看见价值的地方——路径前瞻与动态避障。

传统导航把地图当作静态图纸，行人、叉车、忽然打开的卷帘门都会让纸上路线当场失效。世界模型的解法是把“周围世界”变成可推演的动态对象：基于当前观测，在脑中连续预测未来几帧的占据情况——谁在哪、谁在动、哪条路正在被堵上。

具体流程是：从当前状态出发，用世界模型批量“幻想”出多条未来轨迹；对每条轨迹算代价——撞上障碍的地方代价巨大、靠近目标代价变小；然后挑代价最小的轨迹，执行它对应的第一个动作。

就像大师不会选一步棋然后傻等对方回应，机器人也不会规划一次就一劳永逸——它每走一小步，就用新观测更新脑内棋盘，重新推演。这正是下一节要细说的滚动时域思想。

at∗=arg⁡min⁡a∈A∑k=1Kc(s^t+k)\displaystyle a_t^{*} = \arg\min_{a \in \mathcal{A}} \sum_{k=1}^{K} c\big(\hat{s}_{t+k}\big)
把“推演 K 步后总代价”最小的动作挑出来执行，代价最高的分支在脑内提前淘汰。
  1. 预测状态序列世界模型依次生成未来 K 步的状态，每一步都是在上一步基础上推演的，像大师在脑中连走 K 个回合。
    s^t+1,s^t+2,…,s^t+K\hat{s}_{t+1}, \hat{s}_{t+2}, \ldots, \hat{s}_{t+K}
  2. 代价函数 c把“会不会撞墙”“离目标还有多远”折算成数值，撞墙得大惩罚，靠近目标得小奖励。
    c(s^t+k)c(\hat{s}_{t+k})
  3. 最小化选择把 K 步代价加起来，选总代价最小的动作，作为当前这一步的执行指令。
    arg⁡min⁡a∈A\arg\min_{a \in \mathcal{A}}

操作抓取任务

盲棋大师判断一步棋好不好，要看完整套攻防；机器人判断“抓不抓得稳”，也要在脑中预演“夹爪接近—接触—托起”的完整过程。抓取是家庭服务、工业分拣中最常见的任务，也是最考世界模型功夫的战场。

抓取的难点在于物体千奇百怪：塑料瓶、香蕉、软布包，材质和形状很难用几何公式描述。传统手写算法按模板找抓点，遇到软趴趴或形状诡异的物体经常翻车——就像背熟棋谱的棋手，一遇到陌生布局就乱了阵脚。

世界模型换了一种问法：把“抓取会不会成功”变成可预测的物理交互效果。对每个候选抓取位姿，用模型估算“成功概率”：这个角度下去会不会滑？会不会碰倒旁边的盘子？概率最高的那个位姿才被选中执行。失败模式会像棋局里“被将死”的分支一样，在代价网络中早早现形。

大师用“我会不会输”淘汰危险的着法，机器人用“会不会滑落”淘汰危险的位姿。比起“看着能抓”的直觉，这种脑内预演显然可靠得多。

pose∗=arg⁡max⁡posepθ(success∣st,pose)\displaystyle \text{pose}^{*} = \arg\max_{\text{pose}} p_{\theta}\big(\text{success} \mid s_t, \text{pose}\big)
不选“看起来能抓”的姿势，只选“脑内模拟最稳”的姿势。
  1. 候选位姿 pose夹爪在空间中的一组位置与角度，对应棋手当前回合可走的每一种着法。
    pose∈P\text{pose} \in \mathcal{P}
  2. 成功概率世界模型基于当前环境状态 s_t，估算用该位姿抓取的成功可能性，相当于大师判断“这步棋的胜率”。
    pθ(success∣st,pose)p_{\theta}(\text{success} \mid s_t, \text{pose})
  3. 取最大值遍历所有候选位姿，挑成功概率最高者执行，其他低胜率的着法通通弃掉。
    arg⁡max⁡pose\arg\max_{\text{pose}}

预测规划机制

盲棋大师的招牌功夫是“多步神算”：我走炮、对方跳马、我吃卒、对方将军……每一条线都在脑中算到底，再回到当前局面，选择总账最优的一步。这背后正是规划的本质——多步前瞻，再算总账。

只贪眼前一步容易掉进局部最优：地面机器人向右走离终点最近，可前面正好是一堵墙，只看一步的贪心只会反复撞墙。而看三步、算总代价，才会发现“先绕开、再加速”其实更优。这一步之差，就是有世界模型和没有世界模型的分水岭。

机器人借用了控制理论里经典的“模型预测控制”（MPC）框架：把世界模型当作脑内模拟器，每次决策时采样一批候选动作序列，用模型把每条序列展开成完整轨迹，按代价总和排序，取最优序列的第一个动作执行，然后下个时刻再重新来一遍。

大师落子前重新算一遍全局，机器人每 0.1 秒也重新规划一次。世界模型让 MPC 从“只能用简单解析模型”扩展到“可以塞进任意复杂的学习模型”，这是它革命性的一面。

J(τ)=∑t=0T−1c(s^t,at),τ∗=arg⁡min⁡τJ(τ)\displaystyle J(\tau) = \sum_{t=0}^{T-1} c\big(\hat{s}_t, a_t\big), \qquad \tau^{*} = \arg\min_{\tau} J(\tau)
一条候选轨迹等于“一连串脑内棋步”，总代价最少的轨迹胜出，但只执行其中第一步。
  1. 候选轨迹一串由动作 a_0, a_1, …, a_{T-1} 组成的行动方案，配合预测状态形成完整路径。
    τ=(s^0,a0,s^1,a1,…,s^T)\tau = (\hat{s}_0, a_0, \hat{s}_1, a_1, \ldots, \hat{s}_{T})
  2. 逐点代价求和每一步预测状态都折算一个代价 c，把所有步加起来得到这条轨迹的“总账”。
    J(τ)=∑t=0T−1c(s^t,at)J(\tau) = \sum_{t=0}^{T-1} c(\hat{s}_t, a_t)
  3. 只执行第一步在所有轨迹里取总代价最小者，但现实世界只执行序列的第一个动作，然后重新规划——这就是滚动时域。
    τ∗=arg⁡min⁡τJ(τ)\tau^{*} = \arg\min_{\tau} J(\tau)

传统控制对比

传统棋谱是“死套路”：开局几步背得滚瓜烂熟，可对手一旦下出陌生的变化，背谱的人就慌了。传统控制论就像棋谱——工程师用物理定律手写系统的运动方程：受力分析、刚体动力学、摩擦系数，全部写成解析式。

手写解析模型在简单、低速、结构化的环境里非常好用，比如固定轨迹的工厂机械臂。可一旦环境杂乱、物体变形、光照变化、接触复杂，“真实世界的力”就远远超出教科书公式的覆盖范围，方程开始失灵。

世界模型换了一条路：模型不从物理书里来，而从数据里来。用神经网络参数 θ 直接拟合“状态 + 动作 → 下一状态”的映射。神经网络能逼近任意复杂的非线性关系，而且更新模型只需喂新数据，不用重新推导物理方程——就像棋手不再背死谱，而是从几十万盘实战中内化出直觉。

世界模型不是“不要模型”，而是把“建模”这门手艺从物理学家手里交给了数据与算力。就像大师的实力不来自背诵棋谱，而来自对无数实战的复盘沉淀。

x˙=g(x,u)vss^t+1=fθ(st,at)\displaystyle \dot{x} = g(x, u) \quad \text{vs} \quad \hat{s}_{t+1} = f_\theta(s_t, a_t)
左边是物理学家手写的解析模型，右边是神经网络从数据里学出来的世界模型。
  1. 解析模型 g由物理定律人工推导的函数，输入状态 x 与控制 u 输出导数，精确但依赖大量假设。
    x˙=g(x,u)\dot{x} = g(x, u)
  2. 学习模型 f_θ用神经网络参数 θ 逼近状态转移，f 的形式不预先限定，数据长什么样它就学成什么样。
    s^t+1=fθ(st,at)\hat{s}_{t+1} = f_\theta(s_t, a_t)
  3. 建模来源差异g 靠人力推导、代价高昂；f_θ 靠数据拟合、可扩展，且对复杂非线性场景适应力更强。

代表工作数据集

大师的脑内棋盘不是天赋，而是几十万局棋喂出来的肌肉记忆。机器人的世界模型也一样——预测得准不准，很大程度上取决于喂过多少经验数据。

代表工作中，论文 World Models 最早把“梦境”机制用于小车自动驾驶；Dreamer 系列在潜空间里做像素级规划，能玩转多种机器人控制任务；UniPi 提出“规划即生成”；RT 系列把大规模互联网数据和机器人操作数据整合成通用策略。训练场方面，Habitat、RLBench、Isaac 等仿真环境提供低成本、可无限重来的“练棋房”；数据集方面，RoboNet、BridgeData 汇集了跨机器人、跨场景的真实操作经验。

这些工作的训练目标高度统一：让世界模型的预测尽可能贴近真实环境的下一个状态。它就像一个学生对着标准答案不断修正自己的“脑内推演”。

每一条 (s, a, s') 都是一次“换位思考”：机器人记住了“这样做，世界就那样变”。数据越多样，棋盘就越接近真实世界；数据集与仿真环境的进步，正是世界模型加速落地的燃料。

min⁡θ  E(st,at,st+1)∼D  ∥fθ(st,at)−st+1∥2\displaystyle \min_{\theta} \; \mathbb{E}_{(s_t, a_t, s_{t+1}) \sim \mathcal{D}} \; \big\| f_\theta(s_t, a_t) - s_{t+1} \big\|^2
把模型预测和真实结果之间的差距当“错题”，反复订正，直到脑内推演逼近现实。
  1. 经验数据集D 里每条样本都是机器人真实经历过的“现状—动作—结果”三元组，相当于一局局复盘棋谱。
    D={(st,at,st+1)}\mathcal{D} = \{(s_t, a_t, s_{t+1})\}
  2. 预测与真值差值对每条样本计算模型预测与真实下一状态的差距，差距越大说明脑内棋盘越失真。
    ∥fθ(st,at)−st+1∥2\big\| f_\theta(s_t, a_t) - s_{t+1} \big\|^2
  3. 平均最小化对所有样本求平均误差再用梯度下降更新参数 θ，相当于把整本棋谱的错误集中订正一遍。
    min⁡θE[⋅]\min_{\theta} \mathbb{E}[\cdot]

挑战发展趋势

大师也有失手的时候：超快棋来不及深算，新规则会打乱直觉。机器人世界模型在现实世界里同样踩坑，而且踩得相当有规律。

三大挑战横在面前：一是泛化，仿真里练出的模型拿到真机容易“水土不服”，因为材质、光照、电机响应全都不一样；二是鲁棒性，真实环境分布一直在漂移，今天见过晴天，明天来场暴雨模型就可能失灵；三是数据效率，机器人交互数据采集又贵又慢，不像图片文本那样唾手可得。

还有一个隐蔽而致命的问题：多步推演时，单步预测误差会被逐级放大。如果每往前走一步都带一点小误差，推演十步之后，脑内棋盘可能已经和现实完全走样——就像大师在快棋中强行深算，中间的每一步小偏差都会让后续判断越来越离谱。

看清误差累积的雪球效应，也就看清了未来方向：世界模型要带上不确定性量化，学会判断“何时该信自己的想象、何时该回到真实观测”，并借助海量视频预训练补足数据短板。盲棋大师也要边想边看，机器人同样如此。

et+1≤L⋅et+ε,eT≤LTe0+LT−1L−1 ε\displaystyle e_{t+1} \le L \cdot e_t + \varepsilon, \qquad e_T \le L^T e_0 + \frac{L^T - 1}{L - 1}\,\varepsilon
误差像滚雪球：只要单步误差 ε 不为零，经过 T 步推演，总误差可能指数级膨胀。
  1. 单步误差传递第 t 步的预测误差 e_t 经过一步推演会被放大 L 倍，同时还叠加新的单步误差 ε。
    et+1≤L⋅et+εe_{t+1} \le L \cdot e_t + \varepsilon
  2. 多步累积上界把递推展开，T 步之后的总误差上界由 L^T 主导，L 大于 1 时指数爆炸。
    eT≤LTe0+LT−1L−1 εe_T \le L^T e_0 + \frac{L^T - 1}{L - 1}\,\varepsilon
  3. 长程任务启示推演步数越长，误差越不可控，所以机器人必须“边想边看”—用新观测不断纠正脑内棋盘。

AI 应用场景

智能仓储机器人导航调度

阶段：规划决策

解决的问题：传统仓储 AGV 按固定轨道或磁条运行，遇到动态变化的人和叉车就会堵死或相撞，调度系统只能事后停线。世界模型让每台小车在脑内模拟多条候选路线，把“会不会撞上移动中的叉车”变成可预测的代价，实时绕行，而非被动等待。

具体案例：某电商仓库引入数百台“货到人”搬运小车。每台车每 0.5 秒用世界模型推演附近车辆的轨迹，预测未来 3 秒的占据情况。上线后路口冲突率下降约 60%，拣选效率提升 20% 以上，高峰期拥堵明显缓解。

家庭服务机器人抓取操作

阶段：动作生成

解决的问题：桌面物品随意摆放、形状材质未知，传统视觉抓取靠模板匹配经常抓空或碰倒物品。世界模型在抓取前逐一预演“夹爪接近—接触—托起”的物理交互，估算每个候选位姿的成功概率，选出最稳的方案。

具体案例：某养老院试点的送餐机器人，需在餐桌上抓起水杯、药盒、果盘等杂乱物品。接入世界模型后，抓取成功率从 62% 提升到 89%，且极少碰倒邻近物品，老人可以放心让它协助取餐。

Python 演示

python115 行
"""用世界模型驱动机器人导航的最简演示 真实环境: 10x6 网格, 有两堵墙状障碍.机器人先用随机动作收集经验, 训练一个查表式世界模型;再通过脑内推演枚举候选动作序列, 绕过障碍到达终点."""import numpy as np GRID_W, GRID_H = 10, 6OBSTACLES = {(4, 1), (4, 2), (4, 3), (7, 2), (7, 3)}START, GOAL = (0, 2), (9, 2)ACTIONS = [(0, 1), (0, -1), (1, 0), (-1, 0)]  # 下 上 右 左  def step(state, action):    """真实环境: 执行动作返回下一状态, 撞墙则原地不动"""    ns = (state[0] + action[0], state[1] + action[1])    if ns[0] < 0 or ns[0] >= GRID_W:        return state    if ns[1] < 0 or ns[1] >= GRID_H:        return state    if ns in OBSTACLES:        return state    return ns  def collect_data(n_episodes=300):    """随机逛环境, 收集 (状态, 动作, 下一状态) 经验"""    data = []    for _ in range(n_episodes):        s = START        for __ in range(20):            a = ACTIONS[np.random.randint(4)]            ns = step(s, a)            data.append((s, a, ns))            s = ns    return data  class WorldModel:    """查表式世界模型: 统计每个 (s,a) 最常见的下一状态"""     def __init__(self):        self.table = {}     def train(self, data):        for s, a, ns in data:            key = (s, a)            if key not in self.table:                self.table[key] = {}            self.table[key][ns] = self.table[key].get(ns, 0) + 1     def predict(self, s, a):        """预测执行动作后的状态, 没见过的情形保守假设原地不动"""        bucket = self.table.get((s, a), {})        if not bucket:            return s        return max(bucket, key=bucket.get)  def plan(model, start, horizon=3):    """用世界模型枚举所有 3 步动作组合, 选总代价最小的第一个动作"""    best_action, best_cost = ACTIONS[0], float('inf')    for a1 in ACTIONS:        for a2 in ACTIONS:            for a3 in ACTIONS:                s = model.predict(start, a1)                dist = abs(s[0] - GOAL[0]) + abs(s[1] - GOAL[1])                s = model.predict(s, a2)                dist += abs(s[0] - GOAL[0]) + abs(s[1] - GOAL[1])                s = model.predict(s, a3)                dist += abs(s[0] - GOAL[0]) + abs(s[1] - GOAL[1])                if s == GOAL:                    dist -= 100                if dist < best_cost:                    best_cost = dist                    best_action = a1    return best_action  def navigate(step_limit=60):    """在世界模型指引下走迷宫: 每步推演后选动作, 交给真实环境执行"""    model = WorldModel()    model.train(collect_data())    s, path = START, [START]    for _ in range(step_limit):        if s == GOAL:            break        a = plan(model, s)        s = step(s, a)        path.append(s)    return path  def greedy_navigate(step_limit=40):    """对照组: 只看一步的贪心策略, 没有世界模型推演"""    s, path = START, [START]    for _ in range(step_limit):        if s == GOAL:            break        scores = []        for a in ACTIONS:            ns = step(s, a)            scores.append((abs(ns[0] - GOAL[0]) + abs(ns[1] - GOAL[1]), a, ns))        scores.sort(key=lambda x: x[0])        s = scores[0][2]        path.append(s)    return path  if __name__ == '__main__':    wm_path = navigate()    greedy = greedy_navigate()    print('世界模型路径长度:', len(wm_path) - 1, '是否到达终点:', wm_path[-1] == GOAL)    print('贪心路径长度:', len(greedy) - 1, '是否到达终点:', greedy[-1] == GOAL)
目的：演示“先训练世界模型，再在脑内推演规划”的完整闭环，并与只看一步的贪心策略对比，直观展示多步前瞻的价值。
  1. data.append((s, a, ns))把真实环境里的一步经验存下来，这就是喂给“脑内棋盘”的棋谱。
  2. self.table[key][ns] = self.table[key].get(ns, 0) + 1查表计数：每种“现状+动作”之后最常出现的下一状态是什么。
  3. return max(bucket, key=bucket.get)预测就是取“过去最常见的结果”，频率最高者胜出。
  4. s = model.predict(start, a1)脑内模拟执行第一步动作后的世界状态，机器人还没有真的动。
  5. if s == GOAL: dist -= 100推演中发现能到达终点就大幅减代价，对应“这条线可行”的强信号。
  6. s = step(s, a)只有这一步才是在真实环境里执行，前面所有预测都发生在脑子里。
  7. scores.sort(key=lambda x: x[0])贪心策略只看一步曼哈顿距离，没有世界模型，最终会在墙前反复打转。

常见误区

误区我以为是给机器人装一张高精 3D 地图，或者把激光雷达扫出来的点云存下来，周围环境一清二楚就行了。

正解地图只是“当前棋盘状态”的快照，世界模型的关键能力是动态预测——“我走一步之后，棋盘会变成什么样”。它回答的是环境动力学问题，而不是感知问题。地图告诉你墙在哪里，世界模型告诉你“撞上去会发生什么”。

为何常见：具身智能的 demo 经常展示“扫描建图”的画面，容易让人把静态建图误认为是世界模型。

误区世界模型是纯数据驱动的，传统控制论那一套迟早被淘汰。

正解模型预测控制（MPC）本身就是经典控制框架，世界模型只是把 MPC 里的“模型”从手写解析式换成学习得到的网络。规划里依然需要设计代价函数、安全约束和执行器接口。数据学来的模型和经典控制框架是协作关系，不是取代关系。

为何常见：媒体爱讲“神经网路取代一切”的叙事，忽略了真实系统里经典框架依然在发挥骨架作用。

误区世界模型单步预测准确率已经到 95% 以上，机器人任务应该稳了。

正解单步准不代表多步推演准。规划依赖的是把成百上千步误差累积起来的总代价，单步误差会随推演深度被逐级放大（见核心内容第七节的误差传播公式）。而且预测准与“选的动作好”之间还隔着代价函数设计，预测再准，代价定义错了照样翻车。

为何常见：单步准确率是一个直观、好刷分的指标，容易让人忽视长程推演中误差雪球效应的杀伤力。

误区世界模型在仿真环境里已经很厉害了，部署到真机无非是换个传感器接口。

正解仿真和真机之间存在不小的 sim-to-real gap：材质摩擦、光照、电机延迟、机械磨损全都对不上。模型学到的是仿真环境的规律，换一个分布就明显失灵。真正落地需要域随机化、在线微调、以及把模型的不确定性纳入规划，而不是“仿真毕业直接上岗”。

为何常见：仿真数据廉价且无限，容易让人低估真实世界分布偏移带来的鲁棒性挑战。

面试题

Q1. 世界模型最核心的能力是什么？

单选题 · easy

  • A.预测环境在给定动作下如何变化← 正确答案
  • B.把摄像头画面渲染成高清视频
  • C.把全部历史传感器数据存下来
  • D.直接给电机输出底层控制电压

答案：A。世界模型的核心是预测环境动力学——“我走一步，世界变什么样”，对应盲棋大师的脑内推演。渲染视频、存储数据、直接输出电机电压都不是它的本职，感知与决策是另外的模块。

Q2. 公式 s_{t+1} = f(s_t, a_t) 中 f 代表什么？

单选题 · easy

  • A.环境的能量回报函数
  • B.状态转移动力学函数← 正确答案
  • C.神经网络训练损失函数
  • D.图像感知的特征编码器

答案：B。f 是把当前状态与动作映射到下一状态的动力学函数，是“世界变化规律”的数学化身。回报函数、损失函数、编码器都是世界模型框架里的其他部件，不是 f 本身。

Q3. 机器人导航中，世界模型如何实现绕开障碍？

单选题 · mid

  • A.用激光雷达直接穿透所有障碍物
  • B.把撞上障碍的后果换算成高代价← 正确答案
  • C.命令机器人停下等待人类来指挥
  • D.把障碍物从内存里面直接删除掉

答案：B。世界模型在脑内预测未来状态，把“撞上障碍”的分支赋予巨大代价，规划器自然避开它——就像大师会早早放弃注定被将死的分支。穿墙、停等、删地图都不是建模与规划的正解。

Q4. 模型预测控制结合世界模型时，“滚动时域”指的是？

单选题 · mid

  • A.每走一步重新推演并重新规划← 正确答案
  • B.一次规划整条路线永远不更新
  • C.只在抵达终点时才重新规划一次
  • D.每一步都用随机动作替代原规划

答案：A。滚动时域的核心是“走一步、看一步、再想一步”：执行最优序列的第一步，然后用新观测更新世界状态，重新规划。这与盲棋大师每步落子前都重新计算全局的思路一致。一劳永逸的规划在动态环境里必然失效。

Q5. 学习式世界模型相对手写解析模型的突出优势是？

单选题 · mid

  • A.能逼近复杂的非线性真实环境← 正确答案
  • B.完全不需要任何训练数据
  • C.计算开销一定比解析模型更小
  • D.在数学上保证全局最优解

答案：A。神经网络能拟合任意复杂非线性映射，这是手写物理方程难以做到的。但学习需要数据、计算开销不一定小、也不保证全局最优——优势的核心在“从数据中涌现复杂规律”。

Q6. 抓取任务中，世界模型如何帮助选择抓取位姿？

单选题 · mid

  • A.随机选一个姿势直接执行抓取
  • B.逐一评估候选位姿的成功概率← 正确答案
  • C.让机械臂悬停等待物体自己靠近
  • D.靠工程师现场手工测量物体重量

答案：B。世界模型把“抓取会不会滑落”变成可预测的物理交互效果，对每个候选位姿估算成功概率再取最高。这与大师淘汰低胜率着法同理，靠预演而不是碰运气或等人帮忙。

Q7. 世界模型在多步推演时，单步预测误差累积的后果是？

单选题 · hard

  • A.误差只影响第一步的预测结果
  • B.微小误差会被逐级放大甚至爆炸← 正确答案
  • C.误差会随推演步数自动完全消失
  • D.误差大小和世界模型本身无关

答案：B。误差传播公式 e_{t+1} ≤ L·e_t + ε 显示，只要单步误差 ε 非零且放大系数 L > 1，推演 T 步后总误差按 L^T 指数膨胀。所以长程任务必须“边想边看”，用真实观测不断纠正脑内棋盘。

Q8. 下列哪些属于世界模型在机器人中的典型应用？

多选题 · mid

  • A.导航中向前多步推演与避障← 正确答案
  • B.抓取前估算各姿态的成功率← 正确答案
  • C.替操作系统调度 CPU 进程
  • D.堆叠任务中生成多步动作序列← 正确答案

答案：ABD。导航推演、抓取概率评估、动作序列生成都属于世界模型在具身智能中的落地场景。进程调度是操作系统领域的问题，与“预测物理世界如何变化”无关。

Q9. 世界模型当前面临的主要挑战包括哪些？

多选题 · hard

  • A.仿真到真实世界的泛化落差← 正确答案
  • B.环境分布偏移下的鲁棒性问题← 正确答案
  • C.真实机器人数据采集成本很高← 正确答案
  • D.长程推演的误差累积已完全解决

答案：ABC。泛化、鲁棒性、数据效率是三大现实瓶颈，误差累积的长程推演问题恰恰远未解决。认为“已完全解决”是对前沿现状的典型误判。

Q10. 训练一个机器人世界模型通常需要哪些数据？

多选题 · easy

  • A.状态动作与下一状态的转移样本← 正确答案
  • B.机器人真实执行过的轨迹数据← 正确答案
  • C.采购食材的开销明细数据表
  • D.仿真环境中低成本采集的经验← 正确答案

答案：ABD。世界模型从 (s, a, s') 经验中学习，真实轨迹和仿真数据都是它的“棋谱”。食材开销明细与机器人环境动力学毫无关系，属于干扰项。