一、认知的鸿沟：从模式识别到物理理解

差距一：统计相关性不等于因果逻辑

当前世界模型大多基于海量数据训练，擅长捕捉像素或状态之间的统计关联。例如，一个模型看到球滚动，能记住“球位置变化”与“时间推移”的相关性，但它并不理解牛顿力学或动量守恒。通用仿真则需要内置因果关系：推一下桌子上的杯子，它应沿着力的方向倒下，而非随机移动。缺乏物理直觉的模型，在遇到训练分布外的场景时——比如不同摩擦力的桌面——就会产生荒谬的预测。

差距二：常识与物质恒常性缺失

人类知道物体不会凭空消失、水往低处流。但现有世界模型常常忽略这些基本常识。在视频预测任务中，模型可能让一个行人突然“融入”墙壁，或者让雨滴向上飞溅。通用仿真必须保证物质的恒常性：每个实体的存在、状态变更都需要合法的物理过程。这种对世界底层运作的再现，远非当前基于模式识别的模型所能企及。

二、尺度的困局：局域模拟与宇宙级复杂性

差距一：有限场景与无限细节

最先进的世界模型往往针对特定领域：城市街道、机器人手臂、Atari游戏画面。它们能模拟有限种类的物体和交互。而通用仿真需要涵盖从夸克到星系的所有尺度，同时处理固体、流体、生物体等异构元素。例如，模拟一杯咖啡，不仅要展现液体波纹，还要反映热量传递、杯子材质的光滑度、甚至咖啡豆的产地特征。当前项目只能给出模糊的像素块。

差距二：组合爆炸与计算瓶颈

现实世界的状态空间近乎无限。一个简单的房间内，物品的位置、姿态、温度、纹理……组合数远超原子数量。所有世界模型都通过降维（如潜在变量）来压缩信息，但这必然丢失细节。通用仿真理论上需要精确跟踪每个自由度，这需要超越经典计算机的算力。虽然神经方法可以近似，但在复杂场景下误差会迅速累积，导致仿真崩溃。

三、时间的裂缝：短时预测与长期演变的矛盾

差距一：几秒内的可信与几分钟后的疯狂

当前模型在短时预测（如未来2~3秒的视频）中表现尚可，但若延长至数分钟，输出往往陷入混沌：球体反复跳跃、人物重影叠加。这是因为模型没有内置时间微分方程，而是通过有限历史帧外推。通用仿真需要支持任意时间长度的连续演化，并且保持能量守恒、熵增等热力学方向性。例如，打碎的鸡蛋不能自动复原，而现有模型难以保证这种时间箭头的单一性。

差距二：长期规划的累积误差

在强化学习和机器人控制中，世界模型用于规划多步行动。每步预测都会引入误差，经过几十步后，模型想象的世界可能与真实环境完全脱节。通用仿真必须具有自洽性：即便存在微小扰动，长期行为也应符合统计规律（如气候模拟）。当前项目往往通过“重置”或“短视”来回避此问题，无法支撑真正意义上的持续仿真。

四、交互的缺失：被动观测与主动干预的隔阂

差距一：无法处理“反事实”操作

现有世界模型多数是生成式：给定过去，输出未来。但它们很难回答“如果我此时推动石头，会发生什么？”这类反事实问题。因为训练数据中缺乏对同一场景的人工干预记录。通用仿真天然支持主动操纵：用户可以随时改变任意物体的状态，系统根据物理法则实时计算后果。这是科幻电影中“全息沙盘”的核心能力，而当前模型至多允许改变个别控制参数。

差距二：实时交互与响应速度

即便某些模型支持交互，延迟也往往在数百毫秒以上，且每次干预都需要重新运行前向传播。通用仿真要求人类操作者感觉不到滞后（<16ms），并能同时响应成千上万的并发交互。此外，交互的细粒度也是一个难题：用户可能想轻轻触碰羽毛，也可能是用力锤击铁块。现有模型很难覆盖如此宽广的力反馈范围，往往只能输出离散的动作类别。

五、价值的迷思：工具性仿真与通用智能的彼岸

差距一：我们真的需要“通用”吗？

一个尖锐的问题是：通用仿真是否是伪需求？现有世界模型已在自动驾驶、游戏AI等领域创造了实际价值。它们不需要模拟海啸或太阳风暴，只需覆盖任务相关的场景。然而，追求通用仿真的意义在于：只有真正理解世界运行规律的系统，才能具备鲁棒性和迁移能力。当一辆自动驾驶汽车遇到训练数据从未出现过的、由塑料袋引发的意外滑行时，基于物理的仿真能推理出正确应对，而统计模型可能乱打方向盘。

差距二：通往通用仿真的路径迷雾

目前有两种路线：一是基于第一性原理的物理引擎（如刚体动力学、流体仿真），二是完全由数据驱动的神经网络世界模型。前者精确但规则僵化，后者灵活但缺乏约束。真正的通用仿真可能需要二者的深度融合，并且要解决符号落地、组合泛化等基础难题。更重要的是，我们需要反思：通用仿真是否是强人工智能的必要条件？或许，一个能够高效模拟“对人类有意义的尺度”的世界模型，就已经足够接近目标了。但在那一天到来前，现有项目与理想之间，仍隔着几座珠穆朗玛峰。