世界模型把因果思维链装进AI：从“猜下一个”到“先算一遍”

📦 5 Parts + Conclusion

先说世界模型是什么。

给它一张现在的画面，让它说出接下来会发生什么，这就是世界模型在做的事。

做机器人的需要它。机器每次伸手之前，得先知道这一下会产生什么后果。真去试，代价高，东西会摔坏，机器会撞坏。

以前要算这个，靠人搭物理仿真器，把物体的形状、重量、摩擦一条条写进去。建模费时，而且真机比模型里复杂，仿真里跑通了，真机上未必。

世界模型想绕开这条路，不靠人写规则，直接看视频学。

这次发的这个模型，做的是机器人场景里的这一档事。

绝大多数模型都在猜，猜得像，也会猜错

接触过的模型，不管是文生文、文生图还是图生视频，底层逻辑是一样的：都在预测。

预测下一个字，下一张图，下一个动作。

预测的依据是它见过的东西。见过的结果足够多，下一次就挑一个最像的出来。这就是猜。

猜得出很像的样子，也会猜错。模型更大、数据更多，猜得更像，但性质没变。

它先算一遍中间怎么动、怎么变，再出画面

文章说，这个模型不这么做。它在出画面之前，先把中间发生了什么算一遍：画面里的东西往哪动、动了多少，离相机有多远，在三维空间里的关系怎么变。

这几样东西可以从视频里自动算出来，不需要人一样样标。

它们也比一帧画面简单：一帧画面是密密麻麻无数个点的颜色，运动、距离、位置是把它压小之后的说法。

算完这几样，再照着它们生成画面。这是它和前面那几个模型真正的差别。

算出来的这几步不会扔，要当下一步的条件

这里要交代一句模型干活的方式。

给它一些信息，让它接着往下算，这些信息就是它的输入。

常见做法是，中间那几步算完就先放在一边，最后只用画面来对答案。算出来的运动、距离、位置，不参与后面的生成。

这个模型不一样。

它算完运动，把运动放回输入；下一步算三维关系的时候，能看见刚才算出的运动；算完三维关系，再放回输入，这才开始出画面。

这一串有先后。上一步推出的动，决定了下一步算出的空间关系；算出的空间关系，再决定画面长什么样。前一步偏了，后一步跟着偏。

这套做法，文章里叫因果思维链。

这几步还能被改，改一个条件，未来就跟着变

还有一层我原来没想到。

模型在练的过程中，一直收这类视觉条件，久了它自己学会一件事：只要一个条件能被表示成画面里的信息，就可以塞进去，参与生成。

举个例子。研究人员在仿真器里排好一条机械臂的动作轨迹，机器手该往哪走、什么时候抓，都定好。

然后把这些轨迹画成画面，塞进模型。

模型生成的未来，就跟着这条轨迹走。

这件事的意义在于，普通的预测是“照现在的样子，接下来大概会发生什么”。

塞进轨迹，等于主动改掉一个条件，再看未来怎么变。从“看会发生什么”，挪到了“如果我这样做，会怎么样”。

那个榜考的是三个视角说的是不是同一个世界

它登顶的那个榜叫 TriWorldBench，专门考世界模型在机器人任务上的预测。

机器人身上有三个相机，头顶一个看全局，左右手腕各一个看抓取。这个榜要求：同一次操作，模型要同时生成三个视角的画面，三个画面必须描述同一个物理世界。机器什么时候动、东西有没有被正确抓住、三个视角里的状态能不能对上，都要对得上。

只看一个画面像不像，拿不到分。一个画面可以糊弄，三个画面要自洽就糊不住了。这正好是猜不出来的部分，猜出来的画面各自像，很难像是同一个世界。

也要说清楚边界。它算出来的还是画面上的运动和三维位置，不是物理定律。离“知道一个杯子被推会怎么滑”，还差得远。

文章自己也写了，它距离严格意义上的反事实推理还有一段距离。

我原以为，能算出这些中间步骤，说明模型开始理解物理世界的规则了。看下来并没有。

那套做法说到底是让它把机制和逻辑描述了一遍，运动怎么发生、空间怎么变，一条条写出来。它是不是真的理解了，我们不知道。

它做的是把机制和逻辑翻译成自己认得的信息。翻译过来了，不等于懂了。