「核心提示」
李飞飞们在搞的世界模型，大家都交了怎样的答卷？

作者 | 周可

编辑 | 王珊

2026年，世界模型是AI最热的战场之一。

四年前，ChatGPT掀起了生成式AI浪潮，让机器理解和生成语言的能力受到广泛关注。但当AI开始走向现实场景（比如具身智能、智驾），仅仅理解语言还不够，它还需要感知空间、理解环境变化，并预判行动的后果。

世界模型正是实现这类能力的重要技术路径，因此被业内视为下一阶段的“必争之地”，不同的探索也因此展开。

AI“教母”李飞飞离开斯坦福创办的World Labs，一年内估值升至约50亿美元，近期发布了新的世界模型Atlas；谷歌DeepMind的Genie 3，通过实验性产品Project Genie提供体验，可生成支持实时探索、持续交互数分钟的虚拟环境；英伟达则在今年6月，正式发布开放世界基础模型Cosmos 3。

在国内，9月10日高德发布世界模型ABot-Earth 0.7，作为全球首个3D原生城市世界模型，着重于还原并推演真实世界。

当AI走出屏幕、进入物理世界，它要如何应对真实时空里那些不可预设的变化与意外？

1、世界模型热起来，答案不止一种

世界模型、物理AI、空间智能，这些概念为什么突然火了起来？

因为大语言模型再强，也只是学会了表达，但它没有真正理解物理世界。举个简单例子，小孩在还不会说话时，就已经开始认识世界了，他们伸手抓住玩具，推倒积木，再俯身寻找。这些看似简单的动作，包含着对距离、方向、遮挡和物体运动的学习。

也就是说，对世界的认识，并不完全依赖语言。

2025年11月，李飞飞在万字长文《从语言到世界：空间智能是AI的下一个前沿》中表示：空间智能在我们与物理世界互动的过程中至关重要，比如人们停车时判断间距、接住抛来的钥匙、在人群中避让。空间智能关乎的不只是识别图像，而是将感知、想象、推理与行动联系起来。

这是AI需要继续突破的地方，而世界模型正是实现这一目标的核心路径。

这一视角让世界模型的价值不再局限于构建逼真的场景，而是进一步指向创作、模拟与现实互动。越来越多的企业开始押注世界模型。

在此背后，空间智能与世界模型的关系也更清晰。空间智能是AI感知空间、理解环境变化并辅助行动的能力，世界模型则是实现这类能力的重要技术路径之一。前者描述能力、目标，后者探索如何建立对环境及其变化的内部认知。

李飞飞在文章中对世界模型提出了三项要求：能够生成在几何、物理和动态层面保持一致的世界；能够处理图像、视频、深度、语言与动作等多模态信息；能够根据动作预测环境的下一状态。

不过，如何实现这些目标，行业尚未形成统一答案。

World Labs在9月1日发布了新模型Atlas，尝试在统一模型中结合空间生成、真实场景重建与时空模拟。据官方介绍，它能根据少量照片生成新视角、输出三维几何，也能辅助构建机器人训练与测试所需的模拟环境。而谷歌DeepMind的Genie 3更强调实时交互，让环境随着用户的探索持续生成。

在众多玩家中，高德把重点放在真实世界的时空数据上，将物理世界本身重建出来。9月10日亮相的ABot-Earth 0.7，被高德定义为“3D原生城市世界模型”，着重于城市空间的三维表达与交互。

这依赖于高德多年的时空数据积累，过去一年，高德全面转向空间智能能力建设，此次发布的ABo-Earth 0.7，既是高德空间智能能力的重要体现，未来也将成为高德空间智能的重要核心引擎。

2、如何理解这个世界？

实际上，当前世界模型尚未收敛为单一的技术范式。

行业都在探索如何让AI认识环境、预测变化，但对于模型应该学习什么、怎样表示世界，以及输出什么结果，仍有不同答案。

李飞飞和她的World Labs是从三维结构切入，强调生成、重建与模拟的结合。在她提出的框架中，模型不仅要形成对环境的内部认识，还应能够输出可观察的世界状态，并在交互中维持几何、物理与动态上的一致性。

长期担任Meta AI首席科学家的杨立昆，倡导的联合嵌入预测架构JEPA，则将重点放在抽象表征中的预测。它不要求模型还原未来画面的每一个像素，而是尝试学习环境中有用的结构与变化。例如，行动规划，物体的位置及运动趋势很重要，表面的纹理和光影细节却未必需要被逐一预测。

不同路线各有侧重，却指向同一个问题：该如何理解世界，模型对环境的认识，最终要服务于怎样的交互与行动？如果无法回答这个问题，世界模型就仍停留在技术推演层面，难以在真实场景中产生实际价值。

高德的思路，是将“如何理解世界”放回到具体的出行任务中，在构建世界模型前，先打磨出空间智能底座，这个底座由三层能力支撑。

第一层是动态感知，读懂路况、人流、天气和现场环境的实时变化。

地图上的道路和门店位置相对稳定，路上的车流、临时施工、目的地的人流却随时在变。同一个地址，工作日与周末、晴天与雨天，可能对应截然不同的出行体验。系统只有及时获取这些变化，才能避免用过时的信息指导当下的行动。

此次发布会上公布的导航Live，也是这类能力更直观的应用，它能结合位置、方向和摄像头画面识别用户眼前的街景，连前方施工、行人横穿等动态细节都能实时察觉。

第二层是时空推演，基于长期积累的道路与行为数据，对未来状态做出预测。

用户熟悉的预计到达时间，就是时空推演的典型应用。它不是简单地用路程除以车速，而是结合路网、历史交通规律和实时状态，对接下来各路段的通行情况作出估计。

此次发布的避雷指南，就是结合实时动态感知与时空推演验证整段行程，从营业时间、行程节奏、停车提示、拥挤预测等15个维度，提前识别时间冲突、拥堵、闭店等风险。

第三层是三维表达，将真实世界立体呈现。

此次升级后的飞行街景2.0，将目的地变为一个可自由探索的三维空间，用户在出发前便能够进入其中，自行调整观看角度与位置，看清店内外环境。

感知提供依据，推演帮助判断，三维表达降低理解成本，最终落实为更可行的出行建议。同一场发布会上，全面AI化的扫街榜，为理解高德的空间智能能力提供了一个更贴近日常的窗口。

据高德公布的数据，扫街榜上线一年已服务超过8.8亿用户，上榜商家累计导航里程达366亿公里。榜单以真实导航与到店行为为依据，不接受付费上榜。此次升级，它不再只看一家店来了多少人，还进一步结合专程前往、回头客、本地人及行家评价等信号，辨别每次选择的不同分量：是顺路经过，还是特意绕远；是旅游时打卡，还是日常食堂。

这些判断，需要将地点与人的行动放回具体的时空情境中理解。扫街榜的变化，也由此显露出高德空间智能的价值：不仅知道一家店在哪里，还尝试判断它为何吸引人、适合谁，以及何时值得前往。

由此也可以看到，空间智能让高德在世界模型的探索上走出了更务实的路。也只有进入这样的具体任务，世界模型才有机会从技术展示走向实际价值。

3、高德如何走通？

世界模型越往前走，越多人意识到，真正的瓶颈往往不是算法，而是真实世界数据的匮乏。

现实中的许多信息，比如力的反馈、复杂路况的动态变化，几乎无法通过合成数据获得。为了弥补这一缺口，自动驾驶公司需要靠车队一公里一公里采集真实路况，机器人公司则需要依靠人工遥操作一点点积累真机数据，既慢又贵。

换言之，真实世界的数据正在成为世界模型竞争中最高的壁垒，谁掌握了更多、更真实、且持续更新的物理世界数据，谁就能占有先机。而这恰恰是高德的长板。

过去，很长一段时间里，高德做的是最笨重的事：一寸寸把路网、POI、定位、实时路况记录下来。

据《晚点LatePost》报道，这二十年沉淀出数十万亿级的时空样本，覆盖道路、建筑、地形、卫星与无人机影像，以及车与人的动态；10亿活跃用户产生的海量真实反馈，又持续回流进模型训练。按高德官方表述，它是全球范围内处理定位、点云、视觉等时空信息规模最大的科技公司之一。

高德的优势就在于这份真实、合规数据的积累。真实世界每天都在生长：路在修、店在开、人流在变。高德的这套系统的价值，也在跟着现实同步更新，在日复一日的变化里持续建模、不断校准。积累得越久，对真实世界的理解就越深、越完整。

据新华网报道，今年6月的ABot-Earth 0.5，已能用单张图片在十分钟内重建一座3D城市；这次的ABot-Earth 0.7，则把全球的空间、时间与现实组织成一个可连续进入、实时可交互的三维数字孪生世界，覆盖超过196个国家和地区。

高德把模型直接放进真实世界，让系统在每天持续发生的出行、路况、到店、人流这些真实时空中，去学习物理世界的运行规律。

壁垒一旦形成，就不再只是防御，而是向外生长的根基。依托这套空间智能和世界模型，高德所做的早已不止一份榜单：按其AMAP-AI Inside战略，智能汽车、智能眼镜、具身智能、低空飞行都已陆续接入，奔驰还成了扫街榜全球首个汽车合作伙伴。

当AI开始走出屏幕，坐进汽车、戴上眼镜、装进机器人，它需要的将不只是表达，而是在真实世界里感知、判断、行动的能力。这种能力，只能从真实世界里长出来。