智能体世界模型综述晓读：3级能力×4种世界，我们还只是在第1级

“世界模型”这个词最近很烫。2026年初，腾讯和阿里在同一天各自发布了世界模型产品；李飞飞的World Labs拿到10亿美元融资；智源研究院把世界模型列为2026年AI十大趋势之首，称之为“通用人工智能（AGI）的共识方向”。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

但当所有人都在聊“世界模型”时，一个尴尬的问题浮出来：大家说的“世界模型”，根本不是一回事。视觉领域的世界模型是能生成连贯视频的；强化学习训练的世界模型是用来“脑补”未来状态的；语言智能体把文本模拟当成世界模型。

那到底什么是世界模型？能不能有一套统一的语言，让搞视觉的、搞规划的、搞社交模拟的人坐下来聊聊？

一篇汇聚了港科大、新加坡国立、牛津、港大等机构三十多位研究者的论文《Agentic World Modeling》，试图给出答案。它没有提出一个新的基准，也没有训练一个刷新记录的模型。它做的是一件更“底层”的事：提出一个名为“能力层级 × 治理定律”的框架，梳理了百篇相关研究，找出不同领域共享的认知结构。

这让我读的时候反复想起一句话：分类，是理解世界的开始。

三层能力金字塔：为什么L3是整个AI的终极圣杯

这篇论文最核心的贡献，不只是告诉你世界模型L1、L2、L3层级有什么区别。它构建了一个完整的能力演进框架，每一层都有硬性的检验标准。我把这三层的本质拆给你看。

L1预测器：局部感知，见招拆招。

这个层级的世界模型，只做一件事——给定当前状态和动作，预测下一个状态。你可以理解为它有一个内在的马尔可夫链：只会走一步看一步。

它的四个核心组件，论文里讲得很清楚：状态推理（从观察到压缩状态）、前向动力学（状态+动作→下一个状态）、观测解码（状态→还原观测）、逆动力学（从两个状态推断中间发生了什么动作）。

Dreamer系列就是L1的典型代表——它能把高维的像素压缩成低维的隐状态，然后在这个隐状态空间里预测下一步。但关键在于，它是"一步优化"的。每一步的预测都是局部最优，至于连续走了10步以后会滚到哪里去，它完全不保证。

这就是L1的死穴：一步预测的精度再高，也不等于长程模拟的可靠性。

L2模拟器：长程推演，约束下的反事实推理。

从L1升级到L2，不是把一步预测重复10次那么简单。论文给出了三个硬性门槛，缺一个都不叫L2：

第一，长程一致性。连续推演100步，你的预测还可用吗？还是误差指数爆炸，到第15步就已经和真实世界毫无关系了？

第二，干预敏感度。改变动作输入，输出有相应的有意义的改变吗？如果没有，你做的不是模拟，只是画面补全。

第三，约束一致性。生成的结果尊重这个世界的规则吗？物理世界的东西不会穿模，数字世界的API调用不会凭空出现，社会世界的承诺不会被遗忘，科学世界的分子键不会奇迹般断裂。

这三个门槛，卡掉了目前绝大多数的所谓"世界模型"。能过第一条的，可能是个还行的视频预测器。三条都过，才配叫L2。

论文把L2再按"规则宇宙"分了四类——物理世界、数字世界、社会世界、科学世界。这个分类太妙了。因为不同的规则宇宙里，"约束"的本质完全不同。

物理世界好办，牛顿力学在那摆着，穿模了、重力反向了，一看就知道。但社会世界呢？一个社交Agent承诺了三天后给你发文件，三天后它的对话里完全没有提这件事——这叫承诺失忆，在社会世界模型里就是一次约束崩塌。

这套框架最狠的地方在于，它让模糊的"好不好"变成了可测的"过没过"。一个系统能不能叫L2模拟器，不是看你论文里怎么写的，而是看它在这些测试门槛上能不能立住。

L3进化器：自我修正，让模型结构成为可修改的对象。

如果L2是"在这个规则宇宙里玩明白"，L3就是"当规则宇宙的规则改了，或者我发现我对规则的理解是错的，我能自己修正"。

这个概念在AI圈里被提过很多次，但一直缺乏精确的界定。这篇论文给出了三个L3的特有能力：

第一，主动的信息扩张。不是等着数据来，而是主动设计实验去探测不确定的区域。

第二，自主执行和观测。不是模拟实验结果，而是真去做了实验，采集了真实的观测数据。

第三，基于挑战的信念修正。当实验数据打脸了模型的预测，不是甩锅说数据有噪音，而是真的修改模型本身——包括参数、结构，甚至假设空间。

读到这你就明白了，L3和L2的本质区别是什么：L2的模型是固定的，L3的模型是自己会变的。

而且论文里讲清楚了三种"变"的层次：最浅的是参数更新——拿新数据微调一下权重；深一点的是结构调整——加个新模块、扩展个专家网络；最深的是假设空间扩展——发现当前模型完全没法解释这个现象，需要引入全新的变量或机制。

这第三种变化，对应的是科学史上的范式革命。当年牛顿力学解释不了水星轨道进动，不是参数调一调就能解决的——是整个模型的结构要从牛顿的绝对时空，改成爱因斯坦的弯曲时空。

这就是L3的真正含义：不是"我错了，我改"，而是"我发现自己连理解这个问题的维度都不够，我得重新搭一个更完整的认知框架"。

最让我头皮发麻的发现：大部分"世界模型"，连L1都做不扎实

读完论文里关于跨域对比的部分，我有一个很深的感受：我们行业对"世界模型"这个词的滥用，已经到了极其危险的地步。

举几个论文里点破的反直觉结论。

第一个反直觉结论：视觉越真，物理越假。

那些能生成超清视频的扩散模型，看起来真实到让人产生幻觉，但它们在"物体永不出现在不可能区域"这类基础物理约束上，表现反而比简单的结构化模型更差。

原因其实很好理解。高保真视频模型的目标函数是"像素看起来对不对"，而不是"物理上对不对"。一个杯子缓缓穿过桌面的画面，如果像素过渡做得足够好，从视觉角度看是没有违和感的——人眼需要额外认知加工才能判断出"穿模了"。但对物理约束检测来说，穿模就是一刀切的对错。

所以你用Sora这种系统做具身智能的训练数据，等于用劣质的物理模拟教机器人认识世界——你的数据看起来再真，底层规则也是错的。

第二个反直觉结论：社会模拟的规模越大，人的行为反而越不像人。

现在的社会模拟可以跑上万个Agent同时交互，生成几百万条对话。但论文里引用的研究发现了一个细思极恐的现象——LLM Agent有系统性的共识偏差。它们天然趋于温和、妥协、达成一致，不像真人那样会固执、极端、撕裂。

一个社会模拟里的Agent，如果都按照同一套语言模型分布生成行为，模拟到最后会收敛到一个同质的"好市民"状态。但真实社会的结构，恰恰是由那些不按套路出牌的人推动的。

这就是社会世界建模的死结：你无法用今天这种训练方式得到的语言模型，模拟出真正的社会异质性。

第三个反直觉结论：科学世界模型的"模拟-现实鸿沟"，比机器人还严重。

做过机器人的都知道Sim-to-Real有多头疼——仿真器里训练好的策略，到了真实世界因为摩擦、接触动力学、传感器噪音的变化，全崩了。

但论文指出，科学世界模型的这个问题更隐蔽。神经网络势能函数在分子动力学仿真里可以跑出极高的精度，可一旦遇到真实实验测量的结构数据，预测误差会呈现一个可怕的特征——计算数据越多，误差以幂律下降，但到一定程度就停滞了。没有真实实验数据校准，纯靠仿真训练的模型存在一个硬天花板。

这意味着，那些号称"用AI加速材料发现"的系统，如果没有闭环的实验验证能力（也就是L3的能力），本质上只是在沙滩上盖楼。

工程落地指南：你的系统该停在L1还是冲刺L3？

这篇论文不光告诉你"是什么"，还告诉你"怎么做"。它给了一个从L1到L3的工程路线图，我把它拆成对从业者最实用的三条决策逻辑。

第一条逻辑：看你需要做的决策，是"选A还是选B"，还是"要不要换个玩法"。

这是判断你需要L1还是L2的核心标准。

如果你的Agent只需要做一个确定的单步决策——比如说，看到一个杯子，判断它的位置，然后伸手去抓——L1加一个好的实时控制策略就够了。论文里提到的TD-MPC2，在104个技能任务上用一个固定模型就搞定了。

但如果你的Agent需要比较不同的行动序列，做"如果A则B，如果C则D"的反事实推理——那你就必须上L2。自动驾驶就是一个典型：你不能在"向左避让"和"急刹车"之间选一个，除非你的世界模型能推演出两种选择各自的结果。

论文用了一个很妙的说法：L2回答的是"如果我这样做了，会发生什么"这个问题。而L3回答的是"我为什么会对会发生什么判断出错"。

第二条逻辑：看你的环境约束，是"确定的"还是"未知的"。

这决定了你要不要从L2往L3冲。

数字世界是L2的天堂，因为约束是确定的——API调用要么成功要么返回错误码，UI界面要么跳转要么不变。论文里提到的WebEvolver、CodeIt等系统，就是利用数字世界的这个特性，通过自动化测试评估来实现闭环改进。

但物理世界和科学世界不行。机器人的接触动力学没有闭合的解析解，材料合成的真实反应路径充满了未知中间产物。在这些领域，没有L3的自我修正能力，模型会在遇到第一次意外的时候就开始系统性犯错。

科学世界是L3最成熟的试验场，论文里列举的CAMEO和A-Lab已经能在材料合成领域跑通完整的闭环实验-->模型修正-->再实验的全自动流程。但这种成熟度是有代价的——它需要昂贵的仪器和结构化的实验设计空间。

第三条逻辑：看你的失败模式，是"参数不行"还是"架构不对"。

这是所有工程落地里最容易错判的问题。

论文引用了科学哲学里的拉卡托斯框架——一个模型的"硬核"（根本架构和归纳偏置）和"保护带"（可学习的参数）是两种不同层次的东西。

大量AI系统遇到问题时，工程团队的第一反应是加数据、调参、换训练策略——这是在修保护带。但有时候问题出在硬核上。

机器人抓杯子总是掉，不是因为抓取力度参数没调好——而是它的隐状态里根本就没编码"这个表面是光滑还是粗糙的"这个变量。在你的模型架构里，摩擦属性根本就不存在，加再多的数据也学不出来。

这就是L3最难的部分——得判断问题是出在已知未知（参数没学好），还是未知未知（需要引入一个新的维度）。

文章读完，我最大的感受是：我们错失了太多可以L2化的系统

这篇论文给我最大的启发，不是一个技术概念，而是一个认知框架。

它让我看清了一件事：AI系统之间的真正鸿沟，不是"神经网络vs符号系统"，也不是"生成模型vs判别模型"，而是"只能在训练分布里做模式匹配的L1"和"能在长程推演里保持规则完整的L2"之间的那条线。

过了这条线的是少数。机器人领域的Dreamer勉强算，科学计算的GraphCast和NeuralGCM算，数字世界的WebDreamer在往这个方向走。但大量的视频生成系统、语言模型Agent、社会模拟器，都还在这条线之下——做着看起来很炫的输出，底层却是不可靠的。

更关键的，L3的稀缺程度远超我的想象。除了一些高度仪表化的科学实验系统，在物理世界、数字世界、社会世界，真正能自己改自己模型的系统，几乎为零。

但换个角度看，这也意味着这三个领域里，谁先做出可用的L3，谁就拿走了最大的红利。

这篇文章帮你认清了自己的系统卡在哪一层。如果它还在L1，别急着叫它世界模型。如果它刚迈入L2，恭喜你已经跑赢了90%的同行。至于L3——那是下一个十年的故事，但它的种子，已经在今天的一些闭环科学发现系统里，悄悄发芽了。

参考资料

• Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond

• https://arxiv.org/pdf/2604.22748