世界模型：应用与展望｜世界模型读书会第八期

报告简介

在之前第二期的分享中，我们追溯了世界模型的思想源流——从亥姆霍兹的"无意识推理"、Craik 的"小尺度模型"到 Ashby 的"好调节器定理"，并梳理了世界模型的计算范式——从 Dyna、PlaNet 到 Dreamer 系列，从生成式世界模拟器到 JEPA 潜空间预测路线。由于时间所限，第二期分享的后半部分未能展开：世界模型究竟如何在真实世界中落地？它如何与具身智能、复杂系统相结合？又将走向何方？本次分享将接续这一未完的话题，把目光从"思想与范式"转向"应用与展望"。

在具身智能领域，世界模型正在改变智能体学习与环境交互的方式。DayDreamer 让四足机器人无需仿真器、直接在真实世界中用一小时学会行走；GAIA-1 与 DriveDreamer 等生成式世界模型为自动驾驶构建了可控的"想象引擎"，能够根据动作和文本条件生成多样化的驾驶场景。与此同时，RT-2 等视觉-语言-动作模型（VLA）将互联网规模的知识迁移到机器人控制。世界模型与 VLA 的合流，正在催生统一状态预测与动作生成的"世界动作模型"（World Action Models）这一新兴范式。

在复杂系统领域，世界模型的思想同样展现出独特价值。脑网络、交通流、传染病传播等真实复杂系统普遍面临三大挑战：动力学机制未知、干预实验成本高昂、状态与干预空间维度巨大。本次分享将介绍主讲人博士期间的三项递进式工作：其一，在已知网络结构下，基于图神经网络学习系统动力学，结合分层干预动作空间与模型预测控制实现高效调控；其二，在网络结构未知时，通过基于信息增益的主动干预探索，同时发现系统的网络结构与动力学方程，并结合符号回归还原可解释的数学形式；其三，针对高维系统，构建潜在状态-动作空间世界模型，通过状态与动作的粗粒化降低模型复合误差，在大脑神经网络调控、集群行为引导等任务上验证了方法的有效性。

面向未来，世界模型仍面临诸多根本性挑战：高维感知与部分可观测性、因果推理与相关性学习的鸿沟、长期依赖与记忆架构、组合泛化与抽象表征、系统性评估基准的缺失等。围绕这些挑战，本次分享最后将探讨四个话题：表征抽象的三层阶梯、世界模型与语言的结合、压缩、预测与智能之间的内在联系，以及仿真与 AI 深度融合所开启的科学研究新范式。

本次分享将尝试回答：

世界模型如何从"预测世界"走向"行动与调控世界"？它在具身智能与复杂系统中的应用面临怎样的挑战？预测、压缩与智能之间的关系，又将如何指引下一代通用智能系统的发展？

分享大纲

1. 世界模型与具身智能：从预测到行动

• DayDreamer：让机器人直接在真实世界学习

• 自动驾驶中的生成式世界模型：GAIA-1 与 DriveDreamer

• 视觉-语言-动作模型（VLA）

• 从世界模型到世界动作模型（WAM）：状态预测与动作生成的统一

2. 世界模型与复杂系统：从预测建模到主动调控

• 工作一：已知结构下基于观测与干预数据的复杂系统调控

• 工作二：基于主动探索的网络结构与动力学发现

• 工作三：基于潜在状态-动作空间世界模型的高维复杂系统调控

3. 展望与讨论：世界模型与通用智能

• 世界模型的九大挑战

• 表征抽象的三层阶梯：image-centric → object-centric → task/value-driven

• 语言与世界模型：用语言更好地预测未来

• 压缩、预测与智能：最小描述长度视角

• 仿真智能：科学计算 × 仿真 × AI 的融合路线图

核心概念

世界模型（World Model）：智能体对世界结构、状态变化和因果关系的内部建模，用于预测、规划和行动。

视觉-语言-动作模型（Vision-Language-Action Model, VLA）：将机器人动作表示为 token，与视觉-语言数据联合训练，实现互联网知识向机器人控制的迁移。

世界动作模型（World Action Models, WAM）：统一预测性状态建模与动作生成的具身基础模型，对未来状态与动作的联合分布建模。

图神经网络动力学模型（GNN Dynamics Model）：利用网络结构归纳偏置学习复杂系统的状态转移规律。

主动探索与信息增益（Active Exploration & Information Gain）：通过主动设计干预实验最大化模型不确定性约减，加速科学发现。

潜在状态-动作空间世界模型（Latent State-Action World Model）：在粗粒化的潜在空间中学习世界演化与干预效果，应对高维复杂系统。

主讲人介绍

主讲人：牟牧云，北京通用人工智能研究院高级研究工程师，北京师范大学系统科学学院博士，研究兴趣涵盖复杂系统建模与调控、强化学习与世界模型、具身智能以及认知科学等领域。