近年来，大语言模型（LLM）展现出惊人的语言生成与知识整合能力。然而，当被问及“如果把冰块放进热油会怎样？”或“为什么推倒第一块多米诺骨牌会导致连锁反应？”，许多模型仍会给出违反物理常识的答案。
这种“纸上谈兵”式的智能，暴露出一个深层问题：当前大模型缺乏对真实世界的内部模拟机制——即“世界模型”（World Model）。

本文将从认知科学与人工智能交叉视角，探讨：什么是世界模型？大模型为何难以构建它？这一缺失又如何划定其认知边界？

一、什么是世界模型？——智能体的“内在模拟器”

“世界模型”最早由控制论先驱卡尔·冯·韦伯（Karl Friston）和机器人学家Jürgen Schmidhuber提出，指智能体在脑中（或系统中）构建的关于环境动态规律的内部表征，用于预测行动后果、规划未来、解释过去。

人类的世界模型包含：

· 物理直觉（重力、摩擦、碰撞）；

· 因果逻辑（A导致B）；

· 社会规则（礼貌、合作）；

· 时间演化（事件如何随时间展开）。

正是这个“内在模拟器”，让我们无需真实尝试就能预判“从三楼跳下会受伤”，或“说错话可能冒犯他人”。

对AI而言，世界模型是具身智能、自主决策与可靠推理的基石。

二、大模型有世界模型吗？——统计关联 vs 因果机制

当前主流大模型（如GPT、Qwen、LLaMA）本质上是强大的模式匹配引擎。它们通过海量文本学习词语共现规律，但无法区分相关性与因果性，更缺乏对连续时空动态的建模能力。

典型认知盲区包括：

1. 物理常识缺失

· 模型知道“水在0°C结冰”，但无法模拟“一杯热水放在雪地里多久会凉”；

· 面对“用纸杯装沸水会怎样？”，可能忽略材料强度与热传导的耦合效应。

2. 时间与状态演化的不可靠性

· 在长对话中，模型常忘记之前设定的角色状态（如“你是一个盲人”）；

· 无法追踪多步操作后的环境变化（如“开门→进屋→关门”后门的状态）。

3. 反事实推理薄弱

· 问：“如果牛顿没被苹果砸到，经典力学会延迟出现吗？”
模型可能基于历史文本拼接答案，而非模拟“科学发现依赖多重条件”的复杂因果链。

根本原因：训练数据是静态快照（离散文本），而世界是连续动态系统。大模型学到的是“人们怎么说世界”，而非“世界本身如何运行”。

三、世界模型的构建路径：从文本到具身

要突破认知边界，研究者正探索三条融合路径：

▶ 1. 引入显式世界模型模块

· 在LLM外部集成物理引擎（如MuJoCo、NVIDIA PhysX）或符号推理器；

· 生成前先在模拟环境中“试运行”，再输出结果。
例如：Google 的 SayCan 框架中，LLM 提出动作，仿真器验证可行性。

▶ 2. 多模态具身预训练

· 让模型在第一视角视频+动作+语言数据中学习（如Ego4D、BridgeData）；

· 通过观察“手推盒子→盒子移动”的视觉-动作对，建立因果直觉。
代表工作：VIMA、RT-2、OpenVLA。

▶ 3. 神经符号混合架构

· 用神经网络处理感知，用符号系统编码物理规则与逻辑；

· LLM 负责语言接口，世界模型负责状态更新与预测。
如 MIT 的 “Neuro-Symbolic Concept Learner” 在视觉问答中显式建模对象属性与关系。

这些方法的核心思想是：让模型不仅“读世界”，更要“体验世界”。

四、大模型的认知边界在哪里？

基于世界模型视角，可清晰界定当前大模型的能力边界：

简言之：大模型擅长“描述已知”，但不擅“模拟未知”。

五、未来方向：迈向“ grounded ”的大模型

要弥合这一鸿沟，未来研究或将聚焦：

· 构建大规模具身预训练数据集：收集人类与环境交互的多模态轨迹；

· 开发可微分世界模型：使物理模拟可端到端训练，与LLM联合优化；

· 设计“世界模型提示”机制：在推理时动态注入环境状态与规则；

· 评估体系革新：用 PHYRE、VirtualHome 等动态仿真环境测试模型推理能力，而非仅靠静态问答。

值得注意的是，世界模型不等于完全模拟现实，而是构建一个足够支撑任务决策的简化内部模型——正如人类也无法精确计算抛物线，但能凭直觉接住飞来的球。

结语

大模型是人类知识的镜子，但镜子无法替代身体去触摸世界。
真正的通用智能，需要一面镜子，更需要一双能感知、能行动、能在失败中学习的眼睛和手。

世界模型，正是连接语言与行动、符号与物理、想象与现实的桥梁。而在这座桥建成之前，我们必须清醒认识到：大模型的认知，止步于文本的边界；而世界的真相，藏在交互的深处。