该文档标题为《理解世界还是预测未来？世界模型全面综述》，是一篇对“世界模型”这一人工智能前沿领域进行系统性回顾和梳理的学术综述论文。它并非报道单一原创研究，而是整合了大量现有文献，进行了分类、评述和展望。因此，根据要求，本报告将遵循类型b的格式生成。
作者及机构： 本文作者包括Jingtao Ding, Yunke Zhang, Yu Shang, Jie Feng, Yuheng Zhang, Zefang Zong, Yuan Yuan, Hongyuan Su, Nian Li, Jinghua Piao, Yucheng Deng, Nicholas Sukiennik, Chen Gao, Fengli Xu, Yong Li。他们主要来自清华大学电子工程系、北京信息科学与技术国家研究中心（BNRist）。
发表期刊及时间： 本文发表于ACM Computing Surveys，具体发表时间为20xx年12月。
论文主题： 本文旨在对人工智能领域中的“世界模型”进行系统性、全面的综述。随着GPT-4等大规模多模态语言模型和Sora等视频生成模型的兴起，世界模型作为实现通用人工智能的关键路径，受到了前所未有的关注。然而，关于世界模型究竟应侧重于“理解世界”还是“预测未来”，学界存在持续讨论。本文旨在通过建立一个全新的分类体系，梳理现有研究进展，总结其在关键领域的应用，并指明未来的挑战和方向，为这一快速发展领域的研究者提供一个清晰的路线图。
主要观点及阐述：
第一，世界模型的核心功能可以系统地划分为“理解世界”与“预测未来”两大范畴。 这是本文提出的核心分类框架。作者指出，长期以来，世界模型的定义存在分歧。一种观点认为世界模型的核心是构建对外部世界的内部表征，以理解其运作机制，这源于Ha和Schmidhuber等人基于模型强化学习的研究，以及与心理学中“心智模型”理论的联系。另一种观点以Yann LeCun为代表，认为世界模型不仅需要感知和建模现实，还必须具备预测未来状态的能力，以支持决策，这与视频生成模型如Sora的路径更为契合。本文创新性地将这两种视角统一起来，提出了一个二元分类体系：（1）构建内部表征以理解外部世界机制；（2）预测外部世界的未来状态以进行模拟和决策指导。这一分类贯穿全文，成为组织庞杂文献的核心逻辑。
第二，在“构建内部表征”这一方向上，研究主要沿着两条技术路线演进：模型驱动强化学习中的世界模型与基于大型语言模型的知识整合。 在“理解世界”的范畴内，作者进行了细分。首先，在模型驱动强化学习领域，世界模型本质上是环境动态的表示。其核心任务是学习状态转移动力学，并利用它来支持策略优化。具体方法包括通过最小化预测误差来学习确定性或概率性转移模型，以及对于高维环境，结合视觉编码器和潜在动态模型进行表征学习，如Dreamer系列工作。在策略生成阶段，模型预测控制和蒙特卡洛树搜索是两种主要方法，它们利用学习到的世界模型来规划动作序列。其次，随着大型语言模型的崛起，语言本身成为一种通用表征，使得基于语言的世界模型展现出巨大潜力。LLMs可以直接生成决策动作，也可以作为模块化组件，与外部规划器（如PDDL规划器、蒙特卡洛树搜索）结合，构建更复杂的推理和规划系统。这部分研究表明，将LLM的世界知识与特定领域的决策框架相结合，是提升智能体在复杂任务中表现的有效途径。
第三，大型语言模型中蕴含的关于世界的知识，是构建世界模型的重要基石，并可细分为全球物理知识、局部物理知识和人类社会知识三个层次。 这是对“理解世界”能力的深化探讨。作者指出，LLMs通过预训练获得了大量关于世界的隐性知识。本文将这些知识进行了系统分类：1）全球物理世界知识，如地理空间和时空知识。研究表明LLMs确实能学习到线性的空间和时间表征，但其精确性有待提高，特别是在城市知识方面存在粗糙和不准确的问题。相关研究通过设计特定提示或框架来提升LLM的特定领域知识。2）局部物理世界知识，即人类日常活动和任务执行所依赖的环境知识。这与“认知地图”概念相关。研究探索如何让模型像人类一样，通过预测下一帧环境状态等方式，主动学习并构建对局部环境的抽象表征，但当前模型在构建精确局部环境模型方面仍存在显著差距。3）人类社会知识，核心是“心智理论”所描述的推断他人心理状态的能力。研究发现LLMs在一定程度上展现出类似心智理论的能力，例如理解错误信念和讽刺，但在处理复杂社交情境时仍有局限。为此，研究者提出了如利用知识图谱、两阶段提示等方法来增强LLMs的社交推理能力。
第四，在“预测未来”这一方向上，研究呈现出从“视频生成”到“具身环境”模拟的演进趋势。 对于“预测未来”的范畴，作者同样进行了细分阐述。首先，视频生成模型已成为当前世界建模的主流方法。以Sora为代表，这类模型能够基于文本等指令生成高质量、符合物理规律的长视频序列，展现出作为世界模拟器的潜力。然而，它们在因果推理、精确物理规律模拟和交互性方面仍有不足。后续研究围绕长期预测能力、多模态集成、交互性和多样性环境模拟等核心能力展开，涌现了如Cosmos、Genie 2/3等模型，不断推动视频世界模型向更可控、更符合物理规律、更交互式的方向发展。其次，一个更前沿的趋势是构建具身环境世界模型。这超越了单纯的视觉生成，旨在创建支持智能体进行空间探索和实时交互的沉浸式3D环境。相关研究可分为三类：1）室内环境，提供结构化、多模态（视觉、语言、音频）交互场景，如AI2-THOR、Holodeck等；2）室外环境，应对更大规模、更复杂的城市或开放世界模拟，如MetaUrban、UrbanWorld；3）动态环境，利用生成模型实时创建灵活、第一人称视角的未来世界模拟，如UniSim、Pandora、RoboScape。这些动态环境能为智能体提供丰富多样的训练场景，显著提升其泛化能力。最新的研究更强调在动态生成中整合物理约束（如深度图、法线图），以增强模拟的真实性。
第五，世界模型在游戏智能、具身智能、城市智能（自动驾驶与自主物流）等关键应用领域中展现出巨大的变革潜力，不同领域对世界模型能力的侧重点各有不同。 本文详细探讨了世界模型在四个核心领域的应用。在游戏智能领域，世界模型正从根本上改变游戏开发范式，从手动编码规则转向生成式游戏系统。关键能力维度包括：交互性（如GameNGen、Matrix-Game实现的实时可控角色与场景）、一致性（如MineWorld、WHAM模型确保游戏状态在时间线上的连贯性）和跨环境泛化（如GameFactory、生成式无限游戏创造超越固定样式的新玩法）。在具身智能（机器人） 领域，世界模型通过让机器人学习环境的隐式表征和预测未来状态，极大地提升了其在复杂物理世界中的感知、决策和适应能力。具体任务包括学习视觉/空间/任务表征、通过视频生成模型合成数据或指导动作生成、以及利用世界模型作为模拟器进行策略评估。像Daydreamer这样的工作展示了世界模型如何帮助机器人直接从真实世界交互中快速学习，弥合仿真与现实间的鸿沟。在城市智能领域，重点讨论了自动驾驶和自主物流。对于自动驾驶，世界模型的应用同样遵循“理解”与“预测”两分法：一方面，通过感知和预测模块在潜在几何空间中理解并预测交通场景；另一方面，利用生成模型（如GAIA-1、DriveDreamer）构建端到端的驾驶世界模拟器，直接生成逼真的传感器数据（视频、占据栅格、点云），用于规划和算法测试。对于自主物流（微型地面车辆、低空飞行器），研究则侧重于利用世界模型进行环境理解与导航，以及构建交互式、可控的未来场景模拟（如NWM、Airscape），以增强移动智能体在复杂城市场景中的泛化能力。
第六，未来世界模型的研究面临多重挑战，并呈现出向更具适应性、物理真实性、因果理解力和泛化能力方向发展的趋势。 在论文最后，作者基于现有综述，指出了世界模型未来的研究方向和开放性问题。这些挑战包括：如何使世界模型适应更广泛的实际应用场景；如何确保生成或模拟的内容严格遵循物理定律和因果逻辑，而不仅仅是视觉上的逼真；如何实现高效的长序列预测和一致性保持；如何更好地将不同模态的信息（视觉、语言、行动、物理属性）集成到统一的世界模型中；以及如何设计评估世界模型性能的标准化基准。解决这些问题对于实现真正强大、可靠且可用的世界模型至关重要。
论文的意义与价值：
本文作为一篇全面、系统的综述，具有重要的学术价值和指导意义。首先，它提出了一个清晰且富有洞见的分类框架（理解 vs. 预测），为梳理和定位庞杂的世界模型研究提供了有力的工具，有助于学术界形成更统一的讨论基础。其次，论文覆盖范围极其广泛，不仅回顾了从深度学习早期到2025年的关键技术进展（如模型强化学习、自监督学习JEPA架构、大语言模型、视频生成、交互3D环境），还深入分析了在游戏、机器人、自动驾驶、社会模拟等关键领域的应用细节，堪称一部“世界模型发展年鉴”。第三，通过系统性的总结和对比（如多个总结性表格），论文清晰地揭示了技术发展的脉络、现状与不足，例如指出了当前视频世界模型在因果推理和物理精确性上的短板，以及LLMs世界知识的局限性。最后，论文对未来挑战和方向的展望，为研究者指明了富有潜力的探索路径，将推动世界模型研究朝着更鲁棒、更可解释、更实用的方向发展。这篇综述是任何希望进入或深入了解世界模型领域的研究者和实践者的必读文献，它既是一份详尽的地图，也是一个启发未来创新的指南。