「世界模型」重走「数字孪生」困局～
致力于数字孪生体技术的研究与发展
通过解决方案和工程化应用造福人类
内容源自：深度抑郁症患者
最近李飞飞在substack上发了一篇《A Functional Taxonomy of World Models（世界模型功能分类）》的文章，用于厘清目前「世界模型」名词滥用的现象。 她认为「世界模型」最早来自于强化学习，而智能体在训练过程中总是要循环执行三个步骤的循环：智能体执行动作、动作改变环境状态、然后智能体观测环境的新状态。 1、渲染，世界模型作为渲染器以像素的形式输出观测结果，供人眼观看，其最重要的质量是视觉保真度。 2、模拟，世界模型作为模拟器输出状态：一种在几何、物理或动力学上忠实还原世界的表示，人类和计算机程序都可以对其进行计算和交互。 而且认为当前声称是「世界模型」的模型，其实只是部分满足了这三个方面的需求，比如视频模型Sora只是满足的渲染的功能,「好看」但是缺乏物理规律，而VLA模型只满足了动作规划方面的功能，而且只停留在有限的实验室和demo演示效果中，而英伟达的Omniverse则是满足了模拟和渲染的功能。 其中她认为「模拟」是连接「渲染」和「规划」的桥梁。如果语言是对世界的抽象，像素是对世界的投影，那么用于表达几何、物理和动力学的模拟器就是世界本身，所以是最难做的，她认为模拟难做的原因包含如下四个方面： 1、可用于训练的数据少，具有明确几何形状、材料属性和物理标注的三维数据比渲染器训练所用的互联网视频稀少几个数量级。 2、模拟和现实之间存在差距，即事物在模拟中的行为与它们在现实中的行为之间的差异，依然存在。 3、生成式模拟器物理不准确，人工智能生成的几何体可能看起来正确，但其中包含自相交或错误的比例，从而产生不合理的物理现象。 4、成本高，大规模多物理场模拟（其中刚体、可变形物体、流体和布料相互作用）的成本仍然比单域模拟高出几个数量级。 所以看到这里，经历过「数字孪生」阶段的人也一定会对这些「名词」感到熟悉，「数字孪生」过去被定义为「可视化骗局」，很多时候就是因为「数字孪生」在具体的业务落地的时候只满足了「渲染」的功能，但是没有解决「模拟」和「规划」的问题。 比如对于数字孪生园区，我们期望通过对园区进行孪生建模，从而能够实现对园区能耗的优化，但是这就需要对园区的能源消耗的机理进行建模，然后再通过传感器对环境的观测值以及目标的设定从而通过对设备的「反控」来实现动态的优化。 但是「机理建模」难度太大，设备「反控」风险太大，只有「可视化」难度最小，风险最小。 比如对于数字孪生城市，在城市规划方面，我们期望的是通过设定一些规划的指标以及参数，然后就可以通过系统输出对应的「规划方案」，这自然就需要进行地理建模，过去也流行过GeoDesign这样的概念，这是行业持续的追求。 模拟做的比较好的可能就是「水利数字孪生」了，有水动力模型，也有库群调用模型，但是对于很多实际使用的时候，更多的是预先设置好几个方案，然后对方案执行预演，然后选择一个好的方案，并不是自动搜索一个最好的方案。 而对于类似像杨立昆提的LeWorldModel方案，模型就会根据当前的状态随机生成300个随机的输出，然后模型结合当前的状态和动作计算当前规划的代价，从而选择一个抵达目标状态代价最小的规划动作。 而且针对现在数值模拟速度慢的问题，现在也有不少神经模拟的探索，比如何凯明团队也提出了GeoPT，该方法尝试将神经模拟器作为物理模拟的高效替代方案。 所以也正是这个原因，我今年也一直关注世界模型的进展，不仅仅是具身智能需求，我们面向的很多行业也都需要，希望能够吸收先进生产力的成果，融合到我们的应用场景中，Modeling Our World一直是我的兴趣，不管用GIS方法、数字孪生方法还是世界模型方法，方法 会改变，但是问题一直都还在。 虽然难度很大，但是还是希望「世界模型」能够有所突破。
著作权归作者所有，欢迎分享，未经许可，不得转载
首次发布时间：2026-07-06
最近编辑：1月前
