编者按：这是Dr. Lu 专栏“工业AI的完整体系”系列文章的第一篇。最近World Model、Causal AI、Physical AI三个概念在AI圈被推到风口，但它们跟工业界到底有什么关系？这个系列用四篇文章逐一拆解——从“世界”到“追问”到“行动”，最终汇聚到同一个答案：工业本体模型。

最近World Model这个词在AI圈突然热了。

李飞飞的World Labs融资10亿美元做空间智能。LeCun说World Model是通往AGI的必经之路。NVIDIA把Cosmos 2开源给机器人和自动驾驶开发者。Sora 2生成的视频让人分不清真假。

我身边的工业朋友都在看热闹，然后转头问我一个朴素的问题：我的工厂不需要生成视频，不需要3D重建车间，也不需要AI在Minecraft里学会走路——这些跟我到底有什么关系？

我的答案是：有关系。但不是你想的那种关系。

先搞清楚World Model到底在解决什么问题

放下学术定义，用一个场景讲清楚。

一个自动驾驶系统要变道，它需要在“脑子”里模拟三件事：如果我打方向盘15度，三秒后车会在什么位置？旁边的车会怎么反应？这个操作安不安全？

这三件事，分别对应World Model的三个核心能力：环境表征（车和路在哪里）、状态预测（打了方向盘之后会发生什么）、安全评估（这个结果能不能接受）。

World Model的根本目标，就是让AI在行动之前，先在内部模拟一遍行动的后果。就像一个有经验的老工人，动手之前会在脑子里把流程过一遍；AI也需要这样一个"内部预演"的能力——而不是直接拿真车、真炉子去试错。

道理不难懂。但问题来了：这个“脑子里的模拟”到底怎么构建？

这正是学术界四条路线分叉的地方。

四条学术世界模型路线全景

· 路线一：潜空间预测派——用压缩特征预测未来

代表人物：Yann LeCun。代表架构：JEPA、DreamerV3。

核心思路：不在像素层面重建世界，而是在一个压缩的“特征空间”里做预测。关键创新，是把视觉输入从高维像素压缩到低维潜空间，只保留和决策相关的特征——一个交通场景里，每片树叶的纹理变化不重要，但前车的刹车灯亮了，这个信号必须被抓住。

技术里程碑：V-JEPA 2以1/50的算力追平生成式模型。

对工厂的启示：设备的振动、温度、压力变化不需要像素级重建，工业世界模型的输入可以比自动驾驶更精简。但潜空间的可解释性是弱点——特征是人看不懂的向量。这在工业里可能是致命问题：值长不会听一个说不清理由的向量的话。

· 路线二：视频生成派——用生成填补预测

代表作品：Sora 2、Genie 3、Cosmos 2。

核心思路：用扩散模型或自回归Transformer直接生成未来帧。它不是"理解"世界，而是"画"出世界的样子。

优势是视觉质量极高——Sora 2生成的视频已经以假乱真。但最大的问题是：物理一致性不保证。生成的画面里灯泡能点亮，但用的是错误的物理原理——画面合理，物理错了。

对工厂来说这是致命伤。工厂里没有人要“看起来对的画面”，大家要的是"算得准的预测"。

· 路线三：3D空间智能派——构建可漫游的世界

代表人物：李飞飞（World Labs）。

核心思路：从2D图像生成3D场景，让AI可以在其中漫游。持久性好——离开一个场景再回来，它还在那里。

但交互性目前仅限于导航：可以“走”，不能“操作”。对工业来说，知道空间结构有用，但不够——更关键的是在这个空间里做决策。

· 路线四：物理仿真派——显式建模物理定律

代表项目：Genesis。

核心思路：把物理引擎和生成式渲染结合，显式地把重力、摩擦力、热传导这些方程写进模型。优势是物理一致性有保证，而且一张RTX 4090就能跑。

但它的艺术自由度低：在简化的虚拟世界里很棒，面对真实工厂的复杂性和非标设备就吃力了。

· 四条路线一句话对比

四条路线的共同盲点

把这四条路线放在一起看，你会发现它们有一个共同的假设：AI面对的，是一个需要从零学习的、未知的世界。

LeCun的潜空间预测，需要海量视频来训练特征提取器。Sora 2需要互联网级别的视频数据来学会“绘画”。World Labs需要大量2D图片来重建3D场景。Genesis假设物理定律需要被显式编码进仿真引擎。

它们都在回答同一个问题：怎么让AI从无到有地“长出”一个世界。

但工厂不是未知世界。

热力学定律不用从数据里重新发现——它写在教科书里。设备之间的连接关系不用AI去猜——它画在图纸上。正常运行边界不用试探——它写在操作规程里。设备故障的因果链条不用大海捞针——它沉淀在几十年的故障记录和老师傅的经验里。

如果把World Model理解为一个AI“理解世界”的引擎，那就存在第五条路线——不是从零学习，而是从一个已知的骨架出发。

第五条路线：工业需要什么样的World Model

回到那个自动驾驶的例子。一辆自动驾驶汽车要变道，它在脑子里模拟的是“如果打方向盘15度，三秒后车在什么位置”。它用一个学出来的环境表征来做内部预演。

现在换一个场景。

一个化工厂的值班工程师，盯着屏幕上的循环水泵，出口压力在缓慢往下掉。他脑子里模拟的是什么？

泵的叶轮是不是磨损了，还是进了空气（气蚀）？→ 如果不管它继续跑，轴承温度和振动会怎么发展 → 要不要切到备用泵 → 切换的这几分钟，下游工艺会不会受影响 → 有没有安全风险。

注意，这里发生的一切，和自动驾驶的“内部预演”有本质区别：

这里不是“从视频数据中学出环境表征”。这里的输入，是实时监控系统的数据、设备台账和工艺手册、老师傅二十年的经验判断。这里的模拟，是基于已知物理方程的计算——泵的特性曲线、流体力学、热平衡——而不是潜空间中的向量外推。

“工业 World Model”和“学术 World Model”的根本差异在于：学术路线追求的是从数据中学习世界的通用表征——这是为了构建能应对新环境的通用AI；工业路线追求的，是在已知物理系统上做精确的状态预测和推理——这是为了在现有工厂中做出可信的决策。

这两个方向不是对错问题，是目标不同。

学术World Model要的是“泛化能力”——学到的东西能从一座城市迁移到另一座城市。工业World Model要的是“精确能力”——对这一个化工厂、这一台水泵的预测误差，不能超过工艺可接受的偏差范围。

这就是为什么“结构已知性”是工业做World Model最大的先验优势：你不需要让AI从海量数据里重新发现热力学，因为热力学已经写在教科书和仿真软件里了。你要做的是把这些已有的结构知识，和这座工厂的具体运行数据结合在一起——以结构为骨架，数据填血肉。

结语

所以，工业AI需要World Model，但不是四条路线里的任何一种。它需要的是第五种：以工业已知结构为骨架，用实时数据做血肉，在物理方程和操作经验的约束下做精确预测——而不是在像素空间里生成漂亮的画面。

两千年前，塞涅卡说过一句话：如果一个人不知道要驶向哪个港口，那么什么风都不是顺风。

过去几十年，工业界从来不缺数据，缺的是一个明确的方向。现在方向有了——“世界”这个港口，我们认下来了。

但船不会自己动。要让这艘船开起来，还需要知道风从哪里来：这台泵的振动为什么异常？出口压力为什么在往下掉？设备和设备之间，到底是什么关系？

那需要另一件工业界一直拥有、学术界耕耘了几十年、最近又被AI热潮重新推到台前的东西：Causal AI。

下周见。

Dr. Lu · 2026年8月

关于作者：Dr. Lu，昆仑数据创始人陆薇。虽然是计算机博士，大部分时间不在机房，而在工厂和去工厂的路上。20年来专注一件事：让数据真正理解工业。她是IEEE TCSVC Woman in Services Computing第一位华人女性获奖者，也是最早参与制定中国工业大数据路线图的那批人之一。这个专栏是她在一线的思考——关于工业AI、关于本体模型和控制论、关于AI在工厂落地那些事儿和人。