世界模型探索空间智能，AI复杂场景落地可期.pdf

目录

世界模型探索空间智能，AI复杂场景落地可期5

世界模型研究进展迅速，应用端机遇与挑战并存5

众多厂商推出世界模型，相关领域已展开角逐10

风险因素14

表目录

表1：建议关注个股13

图目录

图1：世界模型研究进展6

图2：Sora的潜在架构7

图3：Sora替换视频元素7

图4：Sora合并视频7

图5：Sora扩展场景7

图6：Sora组织和编辑视频7

图7：视频生成模型时间线梳理8

图8：机器人世界模型研究进展9

图9：o3-mini生成的四维超立方体内反弹小球的python代码9

图10：Grok3生成模拟航天器任务9

图11：Cosmos优势10

图12：Cosmos简介11

图13：Genie2可以在长达一分钟内保持一致性11

图14：Genie2可生成不同的视角11

图15：Genie2学会了创建复杂的3D视觉场景。12

图16：Genie2可创建不同的物理效果（如水、烟）12

图17：昆仑万维Matrix-Zero12

图18：推理成本迅速降低13

请阅读最后一页免责声明及信息披露4

世界模型探索空间智能，AI复杂场景落地可期

世界模型研究进展迅速，应用端机遇与挑战并存

长期以来，科学界一直渴望开发一个统一的模型，该模型可以复制其世界的基本动态，以追

求通用人工智能（AGI）。OpenAI发布了Sora之后，Sora强大的仿真能力初步理解了物

理定律，但关于该模型是否符合世界模型的标准产生了争议。

世界模型尚无统一的定义，观点通常分为理解世界和预测未来。Ha和Schmidhuber的早

期工作侧重于抽象外部世界，以深入了解其潜在机制。相比之下，LeCun认为，世界模型不

仅应该感知和建模现实世界，而且还应该具备设想可能的未来状态的能力，从而为决策提供

信息。英伟达官网的定义为：“世界模型是理解现实世界动态(包括其物理和空间属性)的

生成式AI模型。它们使用文本、图像、视频和运动等输入数据来生成视频。通过学习，它

们能够理解现实世界环境的物理特性，从而对运动、应力以及感官数据中的空间关系等动态

进行表示和预测。”

据JingtaoDing等撰写的《UnderstandingWorldorPredictingFuture?A

ComprehensiveSurveyofWorldModels》，世界模型已有较长时间的研究，而在Sora

发布之后，世界模型获得了更为广泛的关注。

⚫2018年：Haetal.首次系统地将世界模型的概念引入人工智能社区。

⚫2022年：在关于自主机器智能发展的前瞻性文章中，YannLeCun介绍了联合嵌入预

测架构（JEPA），这是一个反映人脑结构的框架。JEPA包括一个处理感官数据的感

知模块，后跟一个评估这些信息的认知模块，有效地体现了世界模型。该模型允许大脑

评估动作并确定最适合实际应用的反应。

⚫2023年：大语言模型的浪潮中，一些工作证明了潜在世界知识的存在。这些模型捕获

了直观的知识，使得他们能对现实世界场景做出预测。此外，LLMs能够对外部世界