世界模型：Agent 获得物理常识之前缺失的那一层

今天的 Agent 很擅长在符号世界里行动：调用 API、编辑文件、点击网页。但进入真实空间后，常识突然变得昂贵。杯子被推到桌边会掉落，遮挡后的物体仍然存在，机器人转身会改变视角。这些不是一句提示词能稳定补齐的规则。

DreamerV3 通过学习环境动力学，在内部表征中想象动作结果；Genie 2 和 NVIDIA Cosmos 则把生成式世界模拟推向更复杂的可交互环境。共同方向是让系统不只预测下一个词，而能预测在某种状态采取某个动作后，世界可能怎样变化。

世界模型为 Agent 增加的是行动前的预测环节。系统把当前观察编码成状态，对若干候选动作模拟后续变化，再依据目标、安全约束和不确定性选择下一步；执行后，真实反馈又修正内部状态。这种闭环让 Agent 不必在现实中逐一试错，也能比较“先移开障碍”与“直接抓取”可能造成的不同后果。预测无需还原所有细节，但必须保留影响行动的变量。

对 Agent 而言，世界模型相当于执行前的沙盘。系统可以比较多条行动路径，估计碰撞、失败与资源消耗，再选择真实动作。物理常识的产品形态，是行动前可计算的后果。它不要求模型背诵所有定律，而要求预测在当前情境里什么会发生。

但可生成逼真视频的模型未必理解可操作的物理规律。它可能擅长延续常见画面，却在摩擦、遮挡、重量或罕见物体上产生似是而非的未来。模拟误差经过多步规划会不断累积，Agent 甚至可能偏爱模型容易预测而非现实有效的动作。世界模型若没有真实反馈校准，会把幻觉从语言层搬到行动层。外观逼真反而可能让工程师低估这种偏差。

这层能力也适用于数字世界。浏览器页面、企业流程和代码仓库都有状态转移：提交表单会触发什么，改接口会影响哪些调用方，撤销动作能否恢复。一个好的 Agent 需要内部模拟这些后果，而不是把工具调用当成彼此独立的按钮。

世界模型的风险是逼真的错误。生成视频看起来合理，不代表动力学准确；稀有事故、长时依赖和人的非理性行为尤其难学。可想象不等于可依赖。高风险动作仍要结合规则约束、真实传感器反馈与可停止的执行器。

评估时应把视觉相似与任务有效分开。除了看预测画面，还要测状态估计、接触结果、约束违反、规划成功以及遇到陌生环境时是否主动降速或求助。先在可复位的模拟环境和低风险实物任务中验证，再逐步扩大动作空间。关键指标不是想象得多生动，而是预测能否可靠地改变更安全的行动选择。测试还应专门加入训练分布之外的材料与布局。

产品团队应从封闭、可验证环境开始：仓储路径、游戏测试、工业操作或软件沙箱。把预测与真实结果持续对比，记录模型在哪些状态外推失败，再逐步扩大行动范围。直接追求开放世界通用性，会把数据与安全问题同时放大。

评估需要从画面质量转向控制价值，包括多步预测误差、动作成功率、碰撞率、状态恢复和分布外检测。一个视觉更漂亮但无法帮助规划的模型，不是更好的世界模型。真正重要的是它能否让 Agent 少犯代价高的错误。

更深层的意义在于，智能开始从描述世界转向承担行动后果。语言模型可以在错误后改写一句话，物理 Agent 的错误却可能不可逆，因此它需要把不确定性本身纳入计划。世界模型最有价值的能力，也许不是准确预见唯一未来，而是识别哪些未来尚不确定，并据此保留余地、收集证据和避免鲁莽承诺。对未知保持保守，会成为具身智能的一项核心能力。

当语言模型负责理解目标，世界模型负责预测后果，控制器负责安全执行，Agent 才有机会从会说、会点，走向会判断。下一代 Agent 的护城河可能不是更多工具，而是更好的内部模拟。物理常识最终会成为一项系统能力。

在机器人仓储中，世界模型的实用价值可能表现为预判拥堵、碰撞和抓取失败，而不是生成完整电影般的未来。系统只需准确模拟与任务有关的对象关系，并在置信度不足时请求新的观察角度。缩小预测范围能降低计算，也让验证更明确：预测是否帮助机器人少走弯路、减少危险动作。面向任务的抽象状态，往往比高保真画面更适合实时规划。

以《世界模型：Agent 获得物理常识之前缺失的那一层》为例，真正可落地的单位不是一次模型调用，而是一张任务卡：输入来自哪里、允许调用哪些工具、什么证据可以判定成功、超过多长时间或多少成本就必须停止。把这些条件写成运行时契约，团队才能区分“模型给了一个看似合理的答案”和“系统完成了一项可以交付的工作”。

这类系统最值得警惕的不是显眼的答错，而是稳定地在错误目标上表现得很流畅。检索到过期材料、把相关性误作因果、验证器和生成器共享同一盲点，都会让结果看起来更有条理却并不更可靠。因此评测必须保留反事实、冲突证据和拒答样本，专门测试系统何时应该减速或说不知道。

训练数据则决定模型拥有什么样的“常识”。互联网视频偏向人类感兴趣的成功动作，罕见故障、危险前兆和不同文化环境可能记录不足。只从观看学习的系统会把可见频率误当作物理可能性。因此，真实执行日志、失败案例与主动探索必须补充被动视频，安全场景还需人为注入反事实。数据采集也要记录动作意图，否则相同画面可能对应完全不同的因果。

运营层面，应把成功率拆成可观察的漏斗：是否理解任务、是否拿到足够证据、是否完成有效行动、用户是否接受结果，以及失败能否低成本恢复。只报一个最终准确率，会掩盖不同环节的瓶颈。按任务价值和风险分层记录这些事件，才能决定昂贵推理、工具调用和人工复核究竟该投向哪里。

世界模型与规划器之间也应保持张力。规划器不能把模拟结果当作事实，而要比较多个可能未来，并为现实反馈预留修正机会。好的行动计划往往包含探测步骤：先轻触、先观察、先确认负载，再承诺完整动作。智能的成熟标志不是一次想得更远，而是在每一步都愿意让世界纠正自己。模拟与现实偏差越大，系统就应越快缩短计划跨度并增加观察。

组织也需要为模型行为预留版本纪律。提示词、工具描述、检索索引、模型权重和评测集中的任何一项变化，都可能改变结果；没有基线和回放机制，团队无法判断一次升级是在进步还是在转移失败。把运行轨迹与输入版本保存下来，不是为了事后追责，而是为了让改进真正可学习。

长期来看，模型能力会继续变化，难以替代的资产则是对任务的理解：哪些情况可验证、哪些错误代价最高、哪些决策需要人来承担。能把这些判断沉淀为评测、路由和交付边界的产品，才会把通用能力变成持续可靠的服务，而不是把每次模型更新当成一次重新下注。