01AGI到底是什么？
用最通俗的方式理解"通用人工智能"
如果你关注AI圈，一定经常听到一个词——AGI。它是 Artificial General Intelligence 的缩写，中文叫"通用人工智能"。但要真正理解它，我们得先从它不是什么说起。
当前AI vs. AGI：专科生 vs. 全科生
今天我们身边的大多数AI系统，不管是ChatGPT、Midjourney还是AlphaGo，都属于ANI（Artificial Narrow Intelligence，专用人工智能）。它们就像某个科的"专科医生"——在各自擅长的领域远超人类，但一旦跨出舒适区就束手无策。
🎯
ANI（专用AI）
- AlphaGo：围棋天下无敌，但不会下象棋
- ChatGPT：写文章一流，但不会开冰箱
- Midjourney：画画惊艳，但听不懂你说话
- 自动驾驶：开车很稳，但不会做饭
🧠
AGI（通用AI）
- 能像人一样理解新事物
- 能像人一样学习新技能
- 能像人一样推理因果关系
- 能像人一样解决从未见过的任务
- 一句话：人能做到的，它也能
打个比方：ANI就像一个只会做拉面的师傅，拉面做得天下第一，但你让他炒个菜就不行了。而AGI就像一个全能厨师——不仅会拉面，还会炒菜、烘焙、调味，甚至能根据食材现场发明新菜式。
AGI的四个核心特征
- 理解能力：能"真正"理解语言、图像、声音的含义，而不只是做模式匹配
- 学习能力：能从少量经验中快速学习，就像小孩看一次就会用筷子
- 推理能力：能进行逻辑推理、因果推断，能想"为什么"而不只是"是什么"
- 泛化能力：能将学到的知识迁移到全新的、从未见过的场景中
一句话记住
AGI不是"更强的AI"，而是"不同的AI"。它不是在某一项任务上做到极致，而是像人类一样，在
任何任务上都能快速上手、灵活应对。这就像从"只会背书的机器"进化到"能举一反三的人"。
目前，我们还没有实现AGI。所有的AI系统都还停留在ANI阶段。但李飞飞认为，世界模型可能是通往AGI的关键一步。为什么？让我们往下看。
02为什么大模型不行？为什么要做世界模型？
语言不是世界的全部
大语言模型（LLM）的辉煌成就
先给大模型应有的credit。GPT-4、Claude、Gemini……这些大语言模型确实做到了令人惊叹的事情：写诗、编程、翻译、问答、推理……它们在语言层面的表现已经接近甚至在某些任务上超越了人类。
你可能会想：既然这么厉害，继续做大、给更多数据、更多算力，不就离AGI越来越近了吗？
问题没那么简单。
大模型的致命局限：只懂语言，不懂世界
大语言模型的核心问题是：它们只在语言的海洋里游泳，从未碰触过真实的物理世界。
类比
想象一个人，从出生起就被关在一个房间里，房间里只有书——物理书、化学书、数学书、小说、百科全书……他读了所有的书，能跟你讨论量子力学、能写诗、能解方程。但他从未碰过一颗球，从未看过水流，从未感受过重力。
你问他"把杯子放在桌子上会怎样"，他能用文字描述得头头是道。但如果你真的给他一个杯子和一张桌子，他可能会把杯子从侧面推进去——因为他只是在"复述"书本上的文字，而不是真正"理解"物体之间的空间关系和物理约束。
这就是大语言模型的处境：一个只读过书但从未见过真实世界的人。
没有"状态"概念——不理解物理世界
更技术化地说，大模型缺乏几个关键能力：
- 不理解空间位置：大模型不知道"杯子在桌子上方"意味着什么——它只是见过这些文字组合，但不理解物体在三维空间中的关系
- 不理解物理属性：大模型不知道玻璃杯摔在地上会碎、水会往下流、铁比棉花重——这些物理常识没有被真正"内化"
- 不理解因果关系：大模型能说"A导致了B"，但它不理解为什么A会导致B——它只是在预测下一个token
- 没有持久的状态：大模型每次对话都"从头开始"，它不维护一个持续更新的世界状态
核心问题
大模型擅长
描述世界，但不
理解世界。它能告诉你"下雨了地面会湿"，但它不知道"湿"是什么触感，不知道雨水落在皮肤上是什么温度，也不知道地面湿了之后走路会打滑。
这种"语言层面理解"和"物理层面理解"之间的鸿沟，就是当前AI离AGI最大的障碍。
所以我们需要"世界模型"
正因为大语言模型的这些局限，AI研究者们意识到：要走向AGI，不能只让AI处理语言，必须让它真正理解物理世界。
这就是"世界模型"（World Model）概念的由来。
世界模型是一种能够理解和模拟物理世界的AI系统——它不仅知道世界"看起来什么样"，更知道世界"怎么运作"：物体怎么运动、力怎么传递、因果关系怎么传递、时间怎么推进。
—— 世界模型的核心定义
简单说：
- 大语言模型：让AI学会"说"——描述世界
- 世界模型：让AI学会"懂"——理解世界
这就是为什么李飞飞和World Labs团队要全力投入世界模型的研究。但"世界模型"这个词到底是什么意思？它包含什么？我们继续往下看。
03视频生成模型只是世界模型的"渲染器"
Sora能画出逼真画面，但它不懂物理
Sora们的惊艳与尴尬
2024年，OpenAI发布的Sora震惊了世界——它能生成长达一分钟的高质量视频，画面逼真到让人难以分辨真假。此后，各大厂商纷纷推出视频生成模型：Google的Veo、Runway的Gen-3、Pika……
很多人兴奋地喊："这就是世界模型！AI已经理解物理世界了！"
但事实远非如此。
看起来很真，但物理全错
如果你仔细观察Sora等模型生成的视频，会发现大量"物理穿帮"：
视频生成的常见物理错误
那些"看起来很真但完全不对"的画面
类比
想象一个天才画家，画功出神入化——他画的水果看起来能让人流口水，画的水面仿佛真的在流动。但这个画家从未学过物理。
你让他画"一个杯子从桌上掉下来"，他画出的画面美轮美奂，但杯子可能直接穿过地板消失了。因为他在画"看起来像什么"，而不是在算"物理上会发生什么"。
Sora们就是这个天才画家——会画画面，但不懂物理。
视频生成 ≠ 世界模型
这正是李飞飞要强调的核心观点之一。
视频生成模型只是在学习"像素到像素"的映射，而不是在建模物理世界的因果关系。能生成逼真视频，不等于理解了世界。视觉逼真 ≠ 物理真实。
—— 李飞飞的观点
打个更直白的比方：
- 视频生成模型：像一台高级相机——能把世界"拍"得很美，但不知道拍的是什么
- 世界模型：像一个物理学家——不仅能"看到"世界，还能"理解"和"预测"世界怎么运作
所以，视频生成模型充其量只完成了世界模型的一个组成部分——渲染器（Renderer）。它负责把世界状态"渲染"成你看到的画面。但世界状态本身是什么？物理规律怎么运作？这些它完全不管。
关键区分
视频生成 = 渲染器（把状态变成画面）
世界模型 = 渲染器 + 模拟器 + 规划器（理解状态、推演状态、规划动作）
Sora们完成了三分之一的工作量，但远不是世界模型的全部。
那么，完整的世界模型应该是什么样的？李飞飞的论文给出了系统性的回答。
04李飞飞的世界模型理论全面介绍
《A Functional Taxonomy of World Models》——世界模型的功能分类学
理论背景
核心论文
A Functional Taxonomy of World Models
李飞飞发现了一个严重的问题："世界模型"这个词已经被滥用了。做视频生成的说自己是世界模型，做机器人仿真的说自己是世界模型，做自动驾驶的也说自己是世界模型……但它们做的事情完全不同。
就像"健康"这个词——健身教练说"要健康"、医生说"要健康"、营养师说"要健康"，但每个人说的"健康"根本不是一回事。如果不厘清概念，整个领域都会陷入混乱。
于是李飞飞团队提出了一个功能分类学：不要看系统叫什么名字，而要看它在做什么功能。用什么标准来分？她选择了一个经典的AI理论框架——POMDP。
POMDP理论框架：世界模型的理论根基
李飞飞以POMDP（Partially Observable Markov Decision Process，部分可观测马尔可夫决策过程）循环为理论根基。听起来很学术？别急，我们拆开来理解。
POMDP循环——世界模型的"骨架"
智能体 (Agent) ────动作(Action)────▶ 世界状态 (State)
│
│ 状态转移
▼
观测 (Observation) ◀────观测函数──── 世界状态 (State)
四个核心要素：
• 智能体 (Agent)：在世界中行动的主体（可以是人、机器人、AI系统）
• 世界状态 (State)：世界的底层真实情况（完备但不可直接观测）
• 动作 (Action)：智能体对世界施加的影响
• 观测 (Observation)：智能体对世界状态的不完整感知
关键区分：状态 ≠ 观测
• 状态 (State) = 世界的底层现实（全部信息，但"看不见"）
• 观测 (Observation) = 智能体感知到的部分（不完整，有遗漏）
类比：你看到一个人在跑步（观测），但你不知道他的心率、肌肉状态、大脑指令（状态）
李飞飞的关键洞察是：一个"世界模型"到底在建模POMDP循环的哪一段，决定了它属于哪个功能类别。
在POMDP循环中，有三条核心路径：
- 状态 → 观测：把世界状态"渲染"成可感知的画面 → 这就是渲染器
- 状态 → 状态：推演世界状态如何随时间变化 → 这就是模拟器
- 观测 → 动作：根据观测决定下一步做什么 → 这就是规划器
李飞飞据此将世界模型分为三大功能组件。下面逐一详解。
三大功能组件详解
🎨
渲染器
Renderer · 状态→观测
- POMDP位置：观测函数 s_t → o_t
- 核心输出：像素，供人眼或相机观看
- 优化目标：视觉逼真度
- 代表系统：Sora、Genie 3、RTFM、Nano Banana
- 关键局限：视觉逼真 ≠ 物理真实
⚙️
模拟器
Simulator · 状态→状态
- POMDP位置：状态转移函数 s_t → s_{t+1}
- 核心输出：状态——几何、物理、动力学一致
- 优化目标：结构忠诚度
- 代表系统：PhysX、Omniverse/Cosmos、Marble、PointWorld
- 关键地位：最重要但被忽视最多
🎯
规划器
Planner · 观测→动作
- POMDP位置：策略函数 o_t → a_{t+1}
- 核心输出：动作——轨迹或运动指令
- 代表系统：VLA模型、World Action Models
- 关键局限：最不成熟，局限于实验室
1. 渲染器（Renderer）：状态 → 观测
渲染器
把世界状态"画"出来
渲染器是POMDP循环中的观测函数：它接收世界的底层状态（State），输出可供人眼或合成相机观看的像素画面（Observation）。
用通俗的话说：渲染器就是把"世界的真实状态"变成"你能看到的画面"。
渲染器是我们最熟悉的组件，因为视频生成模型就是渲染器。但正如前面所说，渲染器只负责"画画面"，它不关心世界到底怎么运作。它就像一台高级相机——能把世界拍得很美，但不知道拍的是什么。
2. 模拟器（Simulator）：状态 → 状态
模拟器
推演世界状态如何变化
模拟器是POMDP循环中的状态转移函数：它接收当前世界状态（State），推演出下一个时刻的世界状态。它不关心画面长什么样，只关心世界本身的物理规律是否被正确模拟。
用通俗的话说：模拟器就是"物理引擎"——它知道球怎么滚、水怎么流、碰撞怎么发生。
李飞飞的核心论断
模拟器是三大组件中
最重要但被忽视最多的类别。
为什么被忽视？因为模拟器不直接产出"好看的画面"，它的输出是抽象的状态表示——几何、物理参数、动力学变量。这些东西不能直接展示给消费者看，不如视频生成模型那样能刷屏。
但李飞飞认为：
"渲染器卖钱，规划器做演示，模拟器才真正触碰世界。"没有模拟器，渲染器只是在画没有灵魂的画，规划器也只是在瞎猜动作后果。
3. 规划器（Planner）：观测 → 动作
规划器
根据观测决定下一步做什么
规划器是POMDP循环中的策略函数：它接收智能体对世界的观测（Observation），输出应该执行的动作（Action）。这是最接近"智能决策"的组件。
用通俗的话说：规划器就是"决策大脑"——看到世界是什么样，决定接下来做什么。
规划器是最激动人心的组件，因为它直接关联到"AI能在真实世界中行动"。但目前它也是最不成熟的。你看到的机器人翻跟头、做家务的视频虽然很酷，但大多是在精心控制的实验室环境中实现的，离真实世界的复杂性和不可预测性还差得远。
三者如何协同：一个统一的世界基础模型
李飞飞强调，这三大组件并非完全分离的独立系统。它们之间有深刻的联系。
共享底层知识
核心洞察
支撑渲染、模拟和规划的是
同一套底层知识——几何、物理、动力学。
李飞飞说：
"三个类别是单一底层理解的三个投影。"
就像同一块钻石的不同切面——它们看起来不同，但本质是同一块宝石。渲染器、模拟器、规划器分别从不同角度"使用"同一套对世界的理解。
模拟器是关键枢纽
在三者关系中，模拟器占据着核心枢纽的位置：
- 向上：模拟器的状态可以投影为像素（→ 渲染器），让你"看到"世界
- 向下：模拟器可以推演动作的后果（→ 规划器），让你"预测"做某个动作后世界会变成什么样
不能模拟状态空间物理、几何和动力学约束的系统不是世界模型，而是影子生成器。
—— 李飞飞
这句话非常犀利。它在说：如果你的系统不能真正模拟物理规律（几何形状、物理约束、动力学变化），那不管你生成的画面多漂亮，你都不算"世界模型"——你只是在生成"影子"，而不是在理解"实体"。
边界正在消融
李飞飞指出，三大组件之间的边界正在逐渐消融。终局愿景是一个统一的世界基础模型（Unified World Foundation Model）：
终局愿景
统一世界基础模型
一个模型，三种能力：
- 能渲染照片级真实视图（像渲染器一样）
- 能产出物理准确的结构和状态（像模拟器一样）
- 能规划动作序列（像规划器一样）
根据下游需求切换输出模态——需要画面时输出像素，需要物理状态时输出结构，需要决策时输出动作。
这就像人类大脑——你看到一杯水（渲染），你知道它有重量、会洒（模拟），你决定伸手去拿（规划），这些能力在大脑中是统一的，而不是三个分开的模块。
World Labs 实践落地
理论有了，World Labs 也在实际落地。以下是他们已经发布或计划发布的产品：
| 产品 | 时间 | 功能 |
|---|
| Marble | 2025年11月 | 同时输出高斯泼溅（渲染）和碰撞网格（模拟）——一个系统同时具备渲染和模拟能力 |
| RTFM | 2025年10月 | 单卡H100实时生成视频——让渲染器实时运行 |
| R2S2R | 2026年7月 | Real-to-Sim-to-Real引擎——打通"真实世界→仿真训练→真实机器人运行"的闭环 |
| Atlas | 2026年9月 | 全能世界模型——朝统一世界基础模型迈进的关键一步 |
2025年10月
RTFM
单卡H100实时生成视频，让渲染器实时化
2025年11月
Marble
同时输出高斯泼溅（渲染）和碰撞网格（模拟），一个系统跨越两大组件
2026年7月
R2S2R
Real-to-Sim-to-Real引擎，打通仿真训练到真实机器人运行的完整闭环
2026年9月
Atlas
全能世界模型，朝统一世界基础模型迈进的里程碑
产品演进逻辑
从RTFM（纯渲染）→ Marble（渲染+模拟）→ R2S2R（模拟+规划）→ Atlas（全能统一），我们可以清晰地看到World Labs沿着
渲染器→模拟器→规划器→统一模型的路径逐步前进。
这正是李飞飞理论框架在实践中的体现——从单一功能走向统一的世界基础模型。
05再讲为什么
为什么是现在？为什么是世界模型？为什么可能通向AGI？
为什么要提出这个分类法？
因为"世界模型"这个概念太混乱了。
在李飞飞提出功能分类学之前，"世界模型"这个词在AI圈被用得泛滥：做视频生成的说自己是世界模型，做物理仿真的说自己是世界模型，做机器人控制的也说自己是世界模型……但它们做的事情天差地别。
这种概念混乱带来两个严重后果：
- 交流效率极低：研究者们各说各话，你以为在讨论同一个东西，其实完全不是
- 资源错配：投资人和决策者被"世界模型"的概念模糊了视线，可能把钱投到了只做渲染的团队，却期待它解决需要模拟器才能解决的问题
李飞飞的分类法就像给混乱的工具箱做了整理——你不是在做"世界模型"吗？那你到底在做渲染器、模拟器还是规划器？先把这个说清楚，再谈其他的。
为什么模拟器是最重要的？
因为在三大组件中，模拟器是连接渲染和规划的关键枢纽。
模拟器的枢纽地位
- 没有模拟器，渲染器只是画皮：渲染器可以生成漂亮画面，但如果没有模拟器提供正确的世界状态，画面里的物理全是错的
- 没有模拟器，规划器是瞎子：规划器要决定做什么动作，但它需要模拟器来预测"做这个动作之后世界会变成什么样"——没有模拟器，规划器就是在盲猜
- 模拟器把二者连起来：模拟器提供正确的世界状态→渲染器渲染正确画面；模拟器推演动作后果→规划器做出正确决策
这就像盖房子——渲染器是外墙涂料（好看），规划器是住户的决策（做什么），而模拟器是地基和结构（决定了墙能不能立住、人能不能住）。地基看不见，但没它一切都塌。
为什么这条路可能通向AGI？
因为真正的AGI需要理解物理世界，而不仅仅是处理语言。
回到我们在第一部分的讨论：AGI的核心特征是能像人类一样理解、学习、推理和解决各种通用任务。而人类之所以能做到这些，很大程度上是因为我们有一个"内置世界模型"——我们能感知物理世界、理解因果关系、预测行为后果。
如果AI永远停留在语言层面，它永远只是一个"会背书的人"。只有当它能：
- 感知世界状态（渲染器）
- 理解物理规律（模拟器）
- 决策并在世界中行动（规划器）
它才真正具备了像人类一样的通用智能。世界模型的三位一体，恰好对应了人类智能的三个核心能力。
为什么是现在？
世界模型的概念并不新——AI领域讨论"世界模型"已经很多年了。但为什么直到现在才有可能真正实现？因为三个技术条件刚刚成熟：
💻
算力成熟
世界模型需要远超语言模型的算力——它要同时处理空间、时间、物理的多维数据。GPU总算力从当年的TFlops级跃升到了今天的PFlops甚至EFlops级，让大规模世界模型的训练成为可能。
📊
数据成熟
不仅是文本数据，3D扫描数据、物理仿真数据、机器人遥操作数据、多模态传感器数据的积累，为训练世界模型提供了足够的"原材料"。特别是合成数据的兴起，让物理标注数据不再稀缺。
🧊
3D技术成熟
NeRF、高斯泼溅（Gaussian Splatting）等3D表示技术的突破，让AI不再只能处理2D像素，而是能真正表示和操作3D空间。这是模拟器能工作的基础——你得先能表示3D世界，才能模拟3D世界的物理。
🔗
理论成熟
从POMDP到diffusion model再到大规模预训练，理论工具的积累终于到了可以把渲染、模拟、规划统一到一个框架下的阶段。李飞飞的分类法本身就是理论成熟的一个标志。
展望未来：统一世界模型对AGI的意义
如果李飞飞的愿景实现——一个统一的、能同时渲染、模拟和规划的世界基础模型——那将意味着什么？
世界模型的终局图景
- 机器人真正走出实验室：当模拟器能准确推演动作后果、规划器能可靠决策，机器人就能在真实世界的复杂环境中自主行动——从工厂到家庭
- 自动驾驶真正可靠：当世界模型能理解交通场景的物理因果——不只是"看到"前面有车，还能"预测"它接下来会怎么走
- AI具备"常识"：当AI有了物理世界的"内化模型"，它就不再会犯"把杯子穿过桌子"这种低级错误——它有了人类所说的"常识"
- AGI的基石：当AI能像人一样感知、理解和操作物理世界，它就向"通用人工智能"迈出了最关键的一步
世界模型不是AGI本身，但它是通往AGI的必经之路。语言让AI学会了"说话"，世界模型将让AI学会"理解"。一个既会说话、又懂世界的AI，才是真正意义上的通用人工智能。
—— 本文总结
从渲染器到模拟器，从模拟器到规划器，从三大组件到统一模型——李飞飞给我们画了一张清晰的地图。这条路很长，但方向是明确的。而方向明确，也许是最重要的第一步。