从预测下一个词到预测世界状态：
世界模型与视频生成 3D 空间模型技术综述

摘要

本文系统梳理 2024–2026 年世界模型领域的技术范式与产业格局，综合清华 ACM Computing Surveys 系统综述的两大功能分类（「理解世界」与「预测未来」），评估视频生成 3D 空间模型（video-to-3D）开源工具生态的成熟度，并给出一个分层判断：世界模型代表从「语言智能」向「物理智能」的范式跃迁，但当前多数系统停留在渲染层面；未来 1–2 年是 VLA 规模化 → 世界模型融合 → L3/L4 场景落地的关键窗口。

一、定义：三个特性划出的边界

世界模型与纯生成式视频模型的分界由三个特性划定：

1. 状态表征：以紧凑的潜在向量而非原始像素表示世界；
2. 时间前向预测：能沿时间轴推演未来状态，而非只做帧间插值；
3. 动作条件化（最强形式）：预测以「如果我做 X」为条件——这正是与物理引擎相反的方向：世界的规则不是写定的，而是从数据中学会的。

二、资本地层：三笔融资的地质含义

三笔钱投向同一个方向，意味着产业对「Scaling Law 的下一站」达成了集体预感：语言已近竭，物理刚开垦。这与本专题「数据墙」一文构成互文——当文本数据耗尽，视频与世界状态是最后的富矿。

三、落地剖面：车轮上的世界模型先于双手

最先大规模验证世界模型的不是实验室，而是行驶中的汽车：特斯拉 FSD V14、华为 ADS 4.0、蔚来 NWM 2.0 均已在量产车上运行某种形式的「预测下一状态」堆栈。机器人侧的标志性进展是 π0.7 首次实证组合泛化——把学到的技能重组到未见过的任务组合上，这是从「模仿」迈向「理解」的第一次可测量证据。2026 上海 WAIC 的专档则显示，世界模型发布已从论文报告转向产业发布会的标配章节。

四、根本之争：渲染器还是模拟器

本刊档案中最锋利的一份笔记提出一个二分：多数「视频世界模型」本质是高维渲染器——它们生成的外观符合物理直觉，但从未校验过「桌子背面是否有抽屉」这类不可见属性；而「模拟器本体」要求系统维持一个隐式的因果状态，使任何查询（包括从未见过的视角与干预）都自洽。二者在演示视频里无法区分，在物理部署里天壤之别。判断标准可以很朴素：让模型自己预测「如果我推这扇门会怎样」，然后真的去推。

五、视频到 3D：开源生态的成熟度

video-to-3D 重建工具链（从单目视频恢复可交互 3D 场景）的开源生态在 2026 年已具备生产可用性，本刊调研覆盖了从稀疏重建、高斯泼溅到网格重拓扑的关键环节。其战略意义在于为世界模型提供自监督的物理校验集：真实视频是唯一不会说谎的物理老师。具身智能视角的补充研究（《世界模型的本质》专档）则强调：没有身体的世界模型永远缺一门课——触碰。

六、结论

世界模型的竞赛，本质是把「常识」从生物直觉翻译为可计算状态的比赛。资本已经下注，车轮正在验证，双手尚在学习。对本刊而言，这一方向还牵动一个更深的哲学账：当机器第一次真正「想象」世界，人类讲述了几千年的「理解」一词，将需要重新定义。