World Model：世界模型也有 Scaling Law 吗？
这期节目问的是一个很具体的问题：大语言模型靠预测下一个 Token 获得的扩展能力，能不能迁移到自动驾驶、机器人和其他需要与真实环境互动的系统上？明浩把答案放在世界模型上讨论，但没有把它讲成又一个万能标签。他关心的是，模型在采取一个动作之后，能否知道环境接下来会怎样变化。
热度先于共识出现
世界模型近期频繁出现在创业项目、投资讨论和产品演示中。节目开头提到影视飓风为 618 制作的一支广告：团队围绕 AI 里的硬币做了 100 多次实验，得到的正面比例超过七成。这个结果是否足以得出技术结论并非重点；它提示了一个更基础的问题：生成系统展示出来的概率、物理关系和现实世界是否一致。
明浩还提到 BAI 合伙人田凡在 4 月和 6 月的两条即刻。前一条说基金内部会同时跟进多个世界模型项目，后一条说自己几乎每天都会收到相关 BP。节目转述 Menlo 对约 63 家 New Lab 的统计，以及 CB Insights 对物理 AI 投入的观察。这些材料共同说明，语言模型之外的能力边界，已经成为资金和创业者争抢的方向。
热度不等于技术已成熟。节目将它视作一个信号：行业开始把模型从文字、代码和屏幕操作带到车辆、机械臂、空间与真实物体上。
从描述世界到预测世界
语言模型能够读懂大量关于杯子的文字：杯子能装水，摔在地上可能会碎，推倒之后水会洒出来。它擅长从文本里整理这种知识。可是在真实环境中，光线如何在杯壁上反射，杯子落在木桌、混凝土地面或冰面时会有什么不同，取决于几何、材质、摩擦、重力和液体流动。节目用这个差别说明，世界模型要学习的不只是语言对世界的描述，还包括时空中的状态如何演变。
这个区分在自动驾驶中尤其直观。一个视频生成系统可以做出雨夜避让障碍物的镜头：雨水反光、车灯扫过路面、车身晃动都很像真的。驾驶系统却不能停在画面真实上。它要判断刹车时机、后车距离、变道风险、障碍物碰撞后的后果，以及不同操作的安全代价。看起来合理的画面，不能替代对动作后果的可靠预测。
语言模型
以网页、书籍、代码等材料学习，在上下文里预测下一个 Token。
世界模型
以传感器记录、对象状态和动作作为输入，预测下一物理状态。
渲染、仿真与规划
节目借李飞飞对世界模型的梳理，区分了渲染器、仿真器和规划器。渲染器输出像素，面对的是人眼，重点在视觉上是否可信。仿真器输出环境状态，要求车辆轨迹、碰撞关系、几何和动力学保持合理。规划器则要输出动作，例如机械手怎样抓起物体，汽车怎样转弯、加速或减速。
这三类系统的产品形态不同，底层却都绕不开对象、空间、物理和互动规律。节目认为它们正在相互靠近：一个理想的系统既能从任意角度呈现杯子的光影，又能推演它被推倒后的运动，还能让机械手拿起它而不弄碎。目前没有单一产品实现全部能力，这个描述勾勒了世界模型被期待覆盖的范围。
只做渲染
生成一个像真的结果，未必保证对象结构和动作后果正确。
加入仿真与规划
状态和动作需要经受物理约束，才能成为自动驾驶或机器人可依赖的环境。
为什么这条 Scaling Law 更难走
大语言模型的训练材料主要来自互联网文本、网页、书籍、代码和百科。质量筛选固然困难，但原始材料规模很大，复制和处理成本也相对低。世界模型的数据来自真实交互：车辆要上路，机器人要操作物体，工业系统需要连接传感器、设备和流程。每一段记录都伴随硬件、场地、人力、安全和合规成本。
数据量也不等同于有效信息。节目举了司机发现儿童突然跑出、急刹并向左避让的例子。一句文字已经概括了事件；若要完整记录它，视频、雷达、车辆轨迹、周边对象和标注都会迅速增加。真正决定安全的片刻，可能只占很短时间。训练数据因此需要筛选，也要覆盖少见却不能忽略的长尾情形。
明浩据此把物理世界的扩展描述为高摩擦过程。数据供给是否持续、样本是否足够多样、仿真是否能闭环、强化学习的奖励是否有效，都会影响模型能否进步。节目认为，当前系统已经能生成一些世界、预测较简单的状态变化，并在特定任务里协助行动；开放环境中的可靠因果理解和行动，仍没有得到同等程度的验证。
真实数据
采集慢，成本高，还会受到安全与合规条件限制。
长尾风险
少见场景往往更重要，必须被记录、重放、评估并进入下一轮训练。
反馈闭环
部署、数据、模型、仿真和安全检验需要连续运作，单独增加参数并不能替代它们。
路线还在分叉
节目没有把世界模型当成一条已经确定的技术路线。杨立昆的 JEPA 思路强调在潜在空间预测状态迁移，不直接生成像素；节目认为它更看重计算效率和泛化。DeepMind 的 Genie 3 则呈现多模态、可操作环境的方向，在语言模型基础上加入视觉、空间感知和强化学习。李飞飞的 World Labs 更看重 3D 空间表征，把先构造可操作的空间放在前面。
这些做法所回答的问题不完全相同：模型内部应当怎样表示状态？能否用视频式的环境支持交互？空间本身如何被建立和观察？在节目看来，路线没有收敛并不奇怪。世界模型同时连接生成式 AI、游戏、自动驾驶、机器人和工业仿真，各类场景拥有不同的传感器、动作空间和可承担风险。
Momenta：自动驾驶里的数据飞轮
节目把 Momenta 的招股书作为一个商业样本，而不是把它直接当作通用物理 AI 的证明。按节目转述，截至 2025 年底，Momenta 安装车辆超过 68 万辆；搭载其系统的量产车辆规模已超过 90 万台。节目还提到它与 24 家车企合作，覆盖全球前十大车企中的九家。这些数据的意义在于，量产车辆可以持续带来真实驾驶记录。
这套叙事的循环很直接：更多车辆产生更多数据，数据训练和优化模型，模型改善后支撑更多车企合作与部署。它的门槛也同样直接。企业必须先获得客户，才能让量产车上路；有了量产车才有数据，有了数据才可能有模型进步。与单一车企相比，多品牌、多车型、不同区域和驾驶风格带来的数据，可能降低训练分布过窄的风险，但并不能消除长尾问题。
现金流是节目特别强调的另一层条件。节目转述 Momenta 的营收从 2023 年的七点几亿元上升到 2025 年的二十几亿元，提及的毛利水平则从 17.5 升至 71.6，许可收入也在增加。明浩的推论是，物理 AI 的研发周期可能很长，自动驾驶的现有业务能为上车、测试、部署、维护和合规提供资金基础。
Momenta 的样本把模型能力放进业务和工程之中：数据的价值取决于它能否回到训练，训练后的结果也要能被重新部署到车辆。
工程化决定能否重复部署
自动驾驶不是单纯的论文竞赛。同一个模型要适配不同的车型、传感器配置和车企流程，还要满足量产质量、安全、成本和交付周期。节目转述招股书称，Momenta 已交付超过 100 款量产车型。它还提到两个交付节点：2022 年完成首个 10 万台量产用了 24 个月，当前最快可在不到 40 天完成 10 万台交付。节目没有进一步说明两个节点的完整统计口径，但以此强调部署速度的变化。
节目把 Momenta 的 R7 描述为三层组合。预训练从大量真实驾驶数据中学习物理规律、常识与因果关系；闭环仿真推演车辆采取某种动作后周围环境的变化，尤其用于难以复现的长尾场景；强化学习在接近真实的虚拟环境中试错，以安全、舒适和效率为目标评价策略。在这一设计里，世界模型进入训练和决策评价环节。
不会同时抵达每个场景
明浩认为，世界模型的应用会逐个场景推进。自动驾驶有大量真实数据、明确的安全问题和相对可见的商业模式，因此可能较早出现稳定的应用。游戏、虚拟世界和影视创作可以容纳更多生成式体验，用户对局部偏差的容忍度也较高。机器人则要处理三维空间、柔性物体、手眼协调、不同材质和形变，问题比车辆在道路上行驶更复杂。工业仿真、数字孪生和 AI for Science 被节目放在更远的可能性中。
这也意味着物理世界未必会像通用语言模型那样只剩下少数赢家。自动驾驶、机器人、工业、仓储、手术机器人和游戏环境的数据并不相同；它们的传感器、动作空间、风险承受程度和商业约束也不同。底层的视觉、空间、物理表征可以共享，场景数据和工程能力却可能长期保留差异。
ChatGPT 时刻仍要等产品来回答
节目用四个条件衡量大众级拐点：普通用户能直接感受到能力变化，产品使用门槛很低，能力足够通用，产业链各个层级同时出现明显扩散。主持人认为，世界模型目前还没有同时满足这些条件。多数人看到的仍是很酷的演示、视频和机器人表演，而不是一个人人都能使用、且能稳定完成大量任务的产品。
物理环境的容错空间也更小。文本中的下一个 Token 可以带有不确定性，车辆、机械臂和其他实体系统的一次小偏差却可能造成事故。因此，世界模型是否有自己的 Scaling Law，最终不会只由一次演示或一次融资决定。它要在真实数据、仿真、工程部署和商业闭环中持续接受检验。