从生成到仿真：世界模型距离“真正模拟器”还有多远？

导语

生成式世界模型正在从“会生成视频”迈向“能让智能体行动的环境”。随着扩散模型和大规模视频模型的发展，业界常把它们与物理引擎、游戏引擎及强化学习环境相比较。但二者的目标并不完全相同：生成模型重在产出视觉上连贯的结果，模拟器则要提供可计算、可操控、可重复的世界状态。

题为《From Generation to Simulation: How Far Are World Models from Being True Simulators?》的研究，尝试用传统模拟器的能力作为外部标尺，系统回答世界模型距离“真正模拟器”还有多远。

核心要点

研究将模拟器能力拆分为八个维度：资产构建、物理引擎、交互、可控性、稳定性、状态反馈、多样性和评测指标。作者进一步梳理了2018年至2026年6月间的200项代表性工作，并将其映射到潜在动力学、视频生成、联合嵌入预测三条主要技术路线。

结论并非简单的“世界模型还不够好”。在特定场景中，世界模型已经能够根据动作产生响应，并支持一定程度的交互和控制，因此具备了对传统环境进行功能替代的基础。不过，这种替代通常依赖任务、数据和场景边界，距离通用模拟器仍有明显差距。

最突出的缺口首先是物理规律。生成结果可以在短时间内看起来合理，却不等于模型掌握了可验证、可外推的物理机制。其次是长期稳定性：当预测不断滚动，误差可能累积，导致世界状态逐渐偏离，因而难以保证长时程演化的可复现性。

研究特别强调状态反馈被长期忽视。传统模拟器通常允许程序查询实体位置、速度或其他物理参数，使控制器能够根据明确状态决策；而世界模型往往主要输出图像或视频，缺少可供运行时调用的结构化接口。论文统计显示，在163篇有实现的论文中，仅有6篇提供了查询实体状态或物理参数的运行时接口。这意味着模型即使“看起来能互动”，也未必能成为机器人训练、策略评估或严谨实验所需的环境。

意义与影响

这项工作提醒研究者，不应只用画质、逼真度或视频长度衡量世界模型。对于具身智能和强化学习，更重要的问题是：动作是否有统一定义，状态能否被读取，结果能否重复，预测是否能服务于下游策略，以及物理约束是否具有明确保证。

作者提出六个方向：形式化物理建模、统一动作接口、将状态反馈作为一等能力、提升长时程稳定性、建立面向下游效用的评测，以及融合不同技术路线。由此看来，世界模型的下一阶段竞争，可能不只是生成更逼真的画面，而是构建一个让智能体能够观察、行动、校验并持续推演的可用世界。

来源：Hugging Face Daily Papers