世界模型正走向復(fù)雜智能行為生成的關(guān)鍵過渡期，正成為推動物理AI與虛擬世界融合的關(guān)鍵基礎(chǔ)設(shè)施，助力中國在全球AI競爭中占據(jù)領(lǐng)先地位。當前，世界模型在自動駕駛領(lǐng)域正從研發(fā)測試走向量產(chǎn)賦能，通過生成海量高保真場景，推動自動駕駛系統(tǒng)持續(xù)學(xué)習(xí)、自主驗證并快速迭代優(yōu)化，驅(qū)動L3/L4系統(tǒng)落地，大幅降低實車測試成本與時間。在具身智能領(lǐng)域，世界模型則作為合成數(shù)據(jù)引擎，破解物理交互數(shù)據(jù)短缺瓶頸，為機器人提供高效、安全的虛擬訓(xùn)練環(huán)境，加速其適應(yīng)真實世界任務(wù)。兩大應(yīng)用均凸顯世界模型通過仿真與生成，推動AI從感知向行動閉環(huán)演進的核心價值。

本報告聚焦“世界模型”（World Models）這一前沿人工智能技術(shù)，分析其發(fā)展現(xiàn)狀、技術(shù)路徑、市場格局及未來趨勢。世界模型是理解現(xiàn)實世界動態(tài) (包括其物理和空間屬性) 的生成式 AI 模型。它們使用文本、圖像、視頻和運動等輸入數(shù)據(jù)來生成視頻。通過學(xué)習(xí)，它們能夠理解現(xiàn)實世界環(huán)境的物理特性，從而對運動、應(yīng)力以及感官數(shù)據(jù)中的空間關(guān)系等動態(tài)進行表示和預(yù)測，加速物理AI的虛擬世界生成，生成可擴展的增強型數(shù)據(jù)，從而消除數(shù)據(jù)瓶頸，實現(xiàn)更高效的基礎(chǔ)模型訓(xùn)練。本白皮書的研究目的在于全面梳理世界模型的發(fā)展歷程、現(xiàn)狀、核心技術(shù)及其在智能駕駛、具身智能中的應(yīng)用，并通過對不同廠商能力的對比分析，探討世界模型未來的發(fā)展趨勢。

01

2025年世界模型：從感知現(xiàn)實到?jīng)Q策未來的AI躍遷

世界模型（World Models）作為一種生成式AI模型，其核心在于通過構(gòu)建內(nèi)部表征來理解真實世界的動態(tài)規(guī)律（包括物理特性與空間屬性），并借助多模態(tài)輸入（文本、圖像、視頻、運動數(shù)據(jù)等）生成視頻內(nèi)容，實現(xiàn)對現(xiàn)實環(huán)境物理屬性的理解并通過生成環(huán)境及動作，從而模擬、指導(dǎo)及實施決策。World Labs創(chuàng)始人、斯坦福大學(xué)教授李飛飛指出“世界模型不僅應(yīng)當感知和建?，F(xiàn)實世界，還應(yīng)具備展望可能存在的未來狀態(tài)的能力，從而為決策提供指導(dǎo)?！比欢诎l(fā)展與現(xiàn)狀方面，世界模型仍處于早期階段，大多集中在感知層面的模擬與壓縮，尚未真正實現(xiàn)“感知-預(yù)測-決策”一體化的穩(wěn)定閉環(huán)。盡管在自動駕駛領(lǐng)域已有試點應(yīng)用，但多依賴特定環(huán)境與強先驗，不具備通用性與長期泛化能力。未來的發(fā)展方向?qū)⒓性谌齻€方面：一是通過多模態(tài)輸入增強對世界狀態(tài)的理解；二是引入因果建模與可控生成機制，提升預(yù)測準確性與行為規(guī)劃能力；三是將世界模型與具身智能系統(tǒng)深度融合，實現(xiàn)從“觀察世界”到“理解并參與世界”的躍遷。

資料來源：沙利文分析，頭豹研究院02

不同世界模型廠商根據(jù)其自身戰(zhàn)略與不同維度的技術(shù)優(yōu)勢，打造獨特的世界模型能力及相關(guān)產(chǎn)品

世界模型的技術(shù)能力建立在四大支柱之上。因果推理能力 (Causal Reasoning)： 使AI能夠回答“如果A發(fā)生，B會怎樣？”的假設(shè)性問題，理解動作與結(jié)果之間的深層因果關(guān)系，從而提升在動態(tài)環(huán)境中的自主決策能力。時空一致性 (Spatiotemporal Consistency)： 解決傳統(tǒng)視頻生成中物體扭曲、變形的問題。世界模型通過長期記憶機制、潛在空間建模、對象中心表征等技術(shù)，在更高維度保持空間結(jié)構(gòu)穩(wěn)定和時間演化合理，生成穩(wěn)定、連貫的視頻序列。多模數(shù)據(jù)物理規(guī)則描述 (Physical Rule Description)： 旨在模擬復(fù)雜的物理現(xiàn)象（如流體運動、物體碰撞）。世界模型預(yù)測的是遵循基本3D幾何和物理規(guī)則的3D場景結(jié)構(gòu)，而非簡單像素，從而避免了“夢境般”的不真實感，為后續(xù)交互奠定基礎(chǔ)。執(zhí)行與實時反饋 (Execution & Real-time Feedback)： 通過與強化學(xué)習(xí)結(jié)合，實現(xiàn)“感知→建?！?guī)劃→執(zhí)行→感知更新→模型修正”的動態(tài)循環(huán)。低延遲的實時反饋是實際應(yīng)用的基礎(chǔ)，可通過輕量化技術(shù)與潛空間狀態(tài)生成實現(xiàn)。

行業(yè)通常采用FID、FVD、幀率、時長和一致性等指標來量化評估其性能。不同世界模型廠商根據(jù)其自身戰(zhàn)略與不同維度的技術(shù)優(yōu)勢，打造獨特的世界模型能力及相關(guān)產(chǎn)品。目前，技術(shù)路徑主要分為生成式與非生成式兩類，國際廠商如英偉達（COSMOS）、谷歌（Genie3）和Meta（V-JEPA2）推出了領(lǐng)先模型，而商湯（絕影開悟） 憑借其“首個高分辨率與稀疏控制的多視世界模型”等創(chuàng)新，在技術(shù)指標對比中與這些國際巨頭同臺競技，成為平臺賦能型的代表廠商。

資料來源：沙利文分析，頭豹研究院03

當前超過80%自動駕駛算法使用世界模型進行輔助訓(xùn)練，世界模型推動自動駕駛系統(tǒng)持續(xù)學(xué)習(xí)、自主驗證并快速迭代優(yōu)化。

當前，超過80%自動駕駛算法使用世界模型進行輔助訓(xùn)練。世界模型能通過生成多層復(fù)雜要素結(jié)合的場景，將傳統(tǒng)算法難以覆蓋的“高動態(tài)+高不確定性”場景轉(zhuǎn)化為可控問題，助力自動駕駛系統(tǒng)在產(chǎn)品性能和市場表現(xiàn)的雙重升級。一方面，世界模型能夠快速生成海量高保真場景，覆蓋長尾與極端事件，顯著增強系統(tǒng)魯棒性與安全保障。另一方面，世界模型通過高效仿真替代真實路測，不再依賴昂貴標注和地圖數(shù)據(jù)，在降低研發(fā)成本體系的同時推動產(chǎn)品快速迭代和市場拓展。其通過構(gòu)建“真實數(shù)據(jù)→模型訓(xùn)練

→仿真場景驗證→模型部署”的閉環(huán)反饋機制，并提供統(tǒng)一的潛在世界狀態(tài)表征，從而為感知、預(yù)測、規(guī)劃、控制等模塊提供一致的認知語境。因此，世界模型能夠推動自動駕駛系統(tǒng)持續(xù)學(xué)習(xí)、自主驗證并快速迭代優(yōu)化，從而顯著提升端到端自動駕駛表現(xiàn)。世界模型是突破L4（如Robotaxi等）規(guī)?；渴鹌款i的加速器，是構(gòu)成自動駕駛智能體走向類人認知與判斷模式的關(guān)鍵基礎(chǔ)。

資料來源：沙利文分析，頭豹研究院04

世界模型是重塑具身智能開發(fā)范式的核心引擎，為具身智能提供高質(zhì)量、低成本、易擴展的合成數(shù)據(jù)生成路徑，解決當前數(shù)據(jù)瓶頸，未來世界模型將成為具身智能的“認知核心”

具身智能代表著AI從純粹的信息處理轉(zhuǎn)向物理世界的交互。其核心痛點在于物理交互數(shù)據(jù)的“千倍級缺口”，缺口超過99%。具身智能所需的數(shù)據(jù)需要整合文本指令、 多視角視覺、關(guān)節(jié)運動軌跡及物理交互等多維信號，復(fù)雜度遠超純文本或單一視覺模態(tài)。采集真實的物理交互數(shù)耗時長成本高，使得技術(shù)研發(fā)速度嚴重滯后。而世界模型能生成視覺逼真、物理精確的合成數(shù)據(jù)，有效克服了傳統(tǒng)仿真數(shù)據(jù)與真實世界之間的差異。同時能夠大幅降低數(shù)據(jù)獲取的時間和經(jīng)濟成本，并輕松實現(xiàn)數(shù)據(jù)規(guī)模的擴展。通過世界模型生成的海量、多樣化合成數(shù)據(jù)進行訓(xùn)練，能顯著提升具身智能模型在未知環(huán)境中的適應(yīng)能力和任務(wù)執(zhí)行成功率。

當前，自動駕駛領(lǐng)域的世界模型應(yīng)用成熟度高于具身智能領(lǐng)域；而未來，世界模型將成為具身智能的“認知核心”。世界模型不僅為具身智能提供數(shù)據(jù)支持，更正在重塑其整個開發(fā)范式。世界模型作為平臺的預(yù)測與生成引擎，無縫整合了從數(shù)據(jù)合成、算法訓(xùn)練到仿真驗證的全流程，形成了一個高效的閉環(huán)迭代系統(tǒng)。通過提供集成化的工具鏈，消除了自行構(gòu)建基礎(chǔ)設(shè)施的復(fù)雜工程障礙，讓開發(fā)者能專注于算法與應(yīng)用創(chuàng)新，從而大幅提升研發(fā)效率。為“感知-決策-執(zhí)行”全流程提供安全、可解釋的閉環(huán)驗證，通過精確模擬物理交互，系統(tǒng)性提升智能體的適應(yīng)性和可靠性。深度整合開發(fā)工具鏈，消除了傳統(tǒng)割裂流程帶來的效率損耗，支持對主流模型進行高效的開發(fā)、訓(xùn)練和性能優(yōu)化。

資料來源：沙利文分析，頭豹研究院05

案例分析:商湯‘開悟世界模型’綜合能力在獨立第三方及主機廠中處于領(lǐng)先地位

商湯“開悟”世界模型綜合能力在獨立第三方及主機廠中處于領(lǐng)先地位，可以媲美世界領(lǐng)先的世界模型廠商。在智能駕駛方面，商湯為自動駕駛廠商提供低成本海量仿真數(shù)據(jù)與極端場景覆蓋，助力加速訓(xùn)練迭代與量產(chǎn)落地。與智己汽車共建端到端數(shù)據(jù)工廠，通過生成高風(fēng)險長尾場景補足訓(xùn)練和驗證數(shù)據(jù)，顯著加快智駕量產(chǎn)落地。以及在上海自動駕駛實訓(xùn)場支撐數(shù)據(jù)到模型上車的全鏈路，規(guī)?；啥嘁暯欠抡鏀?shù)據(jù)，降低數(shù)據(jù)成本并提升研發(fā)效率。

此外，商湯構(gòu)建了以商湯“開悟”世界模型為核心引擎的悟能具身智能平臺，實現(xiàn)視覺感知、精準導(dǎo)航與多模態(tài)交互，并通過端側(cè)與云側(cè)算力支撐，實現(xiàn)智能體在真實環(huán)境中的自主理解與行動。該平臺是首個支持高分辨率與稀疏控制的多視世界模型，突破了具身智能數(shù)據(jù)合成技術(shù)瓶頸。同時展現(xiàn)了其領(lǐng)先的合成數(shù)據(jù)能力，支持一鏈生成場景多樣性可控泛化場景要素可控耦合、任意編輯3D技術(shù)控制生成逼真軌跡。

關(guān)鍵詞：