[首發于智駕最前沿微信公眾號]世界模型在自動駕駛技術中已有廣泛應用。但當談及它對自動駕駛的作用時，難免會出現分歧。它到底是讓自動駕駛汽車得以理解世界，還是為其提供了預測未來的視角？

世界模型到底做了什么？

世界模型，其實是一個“內部表征+動態預測”的組合。簡單理解，世界模型就是將感知到的東西（圖像、點云、雷達、文本、動作歷史）壓縮成一套內部狀態，然后用這套內部狀態去生成、預測接下來可能出現的場景或觀察。

圖片源自：網絡

想要實現“內部表征+動態預測”，有兩個關鍵的技術不得不去討論，一個是“表示”（representation），也就是把復雜的外界信息提煉成對后續推斷和決策有用的結構；還有一個是“生成/預測”（generative/predictive），即基于表示去推演、采樣、評估未來可能發生的序列。

早期很多研究發現，如果智能體每一步都只根據當前看到的畫面直接“做反應”，其實跟條件反射差不多，缺少前瞻性。一旦場景稍微復雜，或者需要權衡幾步之后的結果，這種做法就很容易失誤。于是“世界模型”這個概念就被引入到強化學習中，也就是先讓系統學會一個簡化但可信的“世界運行方式”，也就是學清楚在某個狀態下采取什么動作，環境大概率會往哪個方向發展。等這個模型學成了，策略就不再只盯著眼前這一刻，而是可以在這個“內部世界”里提前試著走幾步，看看不同選擇大概會帶來什么后果，再決定現實中該怎么做。

這種做法的變化點在于，系統不再是“看見什么就立刻反應什么”，而是先在內部做一輪模擬和推演，再輸出動作。也正因為多了這一步“提前想一想”的動作，智能體的行為便傾向于在做規劃，而不是條件反射式的響應。

這也回答了為什么有人說世界模型是在“理解世界”，如果“理解”被定義為能在內部構建一個能解釋因果、能預測后果、并能據此做出合理選擇的表征，那么世界模型確實是一種機器理解。相對地，如果你把“理解”定義為擁有像人類一樣的主觀體驗、常識推理和高層抽象的概念，那世界模型還遠未到那一步。

其實世界模型更準確的定位應該是一種能替代部分理解功能的機器表征與預測機制，它做的是有用的理解，而不是類似人類的全方位主觀理解。世界模型的更像是讓大模型在內部試跑未來，再用模擬得到的后果指導現實中的行動。

世界模型的三要素

將世界模型拆開剖析，其可以分為3部分，第1個是表征（representation），第2個是動力學/生成模型（dynamics/generative），第3個是利用這些能力來支持決策（planning/control）。

這三者不是獨立模塊簡單拼湊，而是互相輔助，好的表征可以讓預測更穩健，可靠的預測能讓規劃更安全，而規劃過程也能反過來推動表征和預測的改進（例如通過閉環數據收集）。這種閉環被視為世界模型范式的核心，即大模型學習一個可用來想象未來的內部世界，然后在想象中訓練和評估動作。

表征通常會把高維觀測映射到一個低維或離散的潛在空間，這個潛在空間既要壓縮信息，也要保留那些對未來預測和決策至關重要的結構（比如物體的速度、相對位置、可碰撞性、路面屬性等）。

生成/動力學模塊則在這個潛在空間上學習時間演化規則，給定當前潛在狀態和動作，預測下一步潛在狀態或直接生成下一幀觀測。一旦這套機制可用，就能在內部做軌跡采樣、比較不同動作序列的后果，進而選擇一個看起來更安全、更高收益的動作。這種“先想后做”的模式，正是世界模型在機器人和自動控制里被看好的核心原因。

當然，世界模型并不是生成像素級的逼真畫面，而是在某種抽象層面上保留因果和可操作的信息。換言之，對于世界模型來說，能不能預測未來的高層結構（哪個物體會碰到哪個物體，速度會如何變化，行人的意圖是不是要橫穿馬路）比單純把畫面渲染得漂亮更重要。這也是為什么有些工作不做原始像素的逐幀生成，而是去預測四維占據（4Doccupancy）、幾何表示、BEV（bird-eyeview）軌跡或更緊湊的行為意圖。

世界模型到底是在“理解”還是“預測”？

如果非要在“理解世界”與“預測未來”之間選一項作為世界模型的本質，智駕最前沿以為，世界模型本質上是為了預測而構建的表征系統，但這種預測是為決策服務的，因此它等同于一種可操作的理解。也就是說，世界模型通過預測未來（短期或中期）的能力來體現對世界的理解，但這種理解是功能性的、以行為為導向的，而不是哲學意義上的知道世界為什么存在的那種理解。

其實對于世界模型來說，預測是手段不是目的，世界模型的最終目的是改善決策效果，而預測未來只是實現該目的的方式。“理解”對于世界模型也只是一種可操作的形式，它不是詞典式的定義或人文式的領悟，而是把有用的因果、動力學、約束編碼進模型，使模型在遇到新情況時能推測后果并選擇更優行動。此外，世界模型的理解也只是一個工程目標，其能否把預測變成安全的、魯棒的決策依據，比其能不能進行人類化的理解更關鍵，也更實際。

對自動駕駛的影響

在傳統自動駕駛系統里，感知負責識別和定位，預測負責給出軌跡或意圖的分布，決策/規劃再根據這些輸入做路徑選擇。引入世界模型后，系統可以在內部模擬各種動作序列和外界響應，評估不同策略在模擬未來中的長期效果，使自動駕駛系統不再只依賴短期軌跡預測。這意味著系統能在更長時間尺度上權衡風險和收益，而不是根據每一幀的數據做短期判斷。

世界模型也為自動駕駛提供了一項關鍵技術方案，在模擬環境里，世界模型可批量生成極端情況，用于訓練和驗證，減少了現實路測需要費時費力且非常危險的問題。如自動駕駛大模型GAIA-1就利用視頻、文本和動作的聯合建模，合成了多樣的駕駛場景，用于訓練更魯棒的策略。當然，這一方案需要注意合成場景必須高質量并且覆蓋真實分布的關鍵薄弱點，否則訓練出來的策略在真實世界中將無法使用。因此對于自動駕駛來說，世界模型是一種強補充手段，而不是完全替代真實路測的工具。

世界模型可以給自動駕駛帶來前瞻性的預測，但這種前瞻性并非無誤。自動駕駛系統在依賴世界模型做決策時，必須有明確的不確定性度量與回退策略，在模型信心不足或預測分布過于分散時，系統應退回更保守的控制策略或請求人工干預。

世界模型如何處理長尾問題？

對于自動駕駛來說，真實交通環境是非常復雜的，無論是對于哪種模型來說，想在學習階段就搜集所有的數據是完全不可能的。那世界模型是如何處理這一問題的？

世界模型會先用真實數據學習表征和基本動力學，再用生成式或模擬方法擴展到稀有場景。近年來就有一些生成式世界模型（例如把視頻、動作、文本聯合建模的那類）用無監督或自監督手段來學習高層結構，然后用這些模型合成數據來訓練策略或進行安全測試。

這種方式的好處是能在模擬中“壓縮”長尾風險的出現頻率，加速策略在極端情況的魯棒性提升；其壞處就是合成分布和現實分布的差異可能引入偏差或假象，導致訓練結果與現實有偏差。

很多技術方案中會用不同模態（視覺、雷達、激光、地圖）融合進表征，用基于潛在變量的生成模型或基于JEPA的預測架構來學習時間一致性的表示，再用規劃器或強化學習算法在潛在空間里做閉環訓練。

這樣做的目的是減小原始觀測維度的噪聲影響，把決策問題放在更穩定的抽象層上。最新的一些技術甚至把世界模型做成離散token序列的形式，把預測問題變為序列生成問題，借助大規模序列模型的力量來提升長時序的穩定性。

無論是哪種技術路線，其核心都是用內部模型來替代部分真實交互，以節省成本并提升安全性。

最后的話

回到最開始的問題，世界模型是理解世界還是預測未來？答案是二者兼有。世界模型通過學習內部表征來提高對未來的預測能力，而這些預測主要是為決策和行動服務的。

世界模型通過提供一個可理解、可推理的世界表征，賦予了自動駕駛系統預測未來的能力。理解是預測的基礎，預測是理解的延伸與應用。二者緊密耦合，讓自動駕駛從“感知-反應”模式，進化到“理解-推演-決策”的更高層次，這正是其技術變革性的關鍵所在。

審核編輯 黃宇