文 | wiwi

过去半年，"世界模型"几乎成了中国 AI 圈最贵的四个字。

据公开报道，多家世界模型、空间智能、具身智能公司密集拿到大额融资。几个代表性的数字就够说明问题：极佳视界一个月内累计融资约 25 亿元、估值突破百亿元；千寻智能三个月连做四轮、累计超 45 亿元，估值突破 200 亿元；而在海外，Yann LeCun 离开 Meta 后创立的 AMI Labs，种子轮就融了 10.3 亿美元、投前估值 35 亿美元——一家尚未拿出成熟商业产品的公司，种子轮。与融资额一同水涨船高的，还有"全球第一""评测登顶"这类几乎成了行业标配的宣传话术。

业内已有梳理指出，这股暗流里的玩家大致分成几派——视频生成派、空间智能派、具身智能派、车企应用派，但几乎所有还在牌桌上的人，都把筹码推向了同一个叙事："AI 要从屏幕走进物理世界，而世界模型就是那张门票"。

我想在这片热闹里，提供一个不太合群的声音。

先把话说在前面：我不认为空间智能这个方向是错的，更不认为李飞飞、LeCun 这些人是在画饼。让 AI 理解三维空间、理解物理规律、能在真实世界里行动，这件事长期看几乎一定会发生，也值得做。我要质疑的不是"方向"，而是"节奏"——当下这一轮世界模型的热度，是被资本和营销提前点燃的，技术的成熟度、商业的兑现能力，远远配不上它现在的估值和声量。

更重要的是，我得先承认资本为什么愿意买单。多头里最有分量的声音是李飞飞——她在 2025 年底那篇万字长文里断言，"空间智能"是 AI 的下一个十年，是继语言模型之后 AI 要攀登的下一座高峰。这个判断不是空话，它精准戳中了三个真实的产业痛点：机器人和具身智能极度缺乏真实世界的训练数据，自动驾驶被长尾场景的数据成本拖住，而高质量 3D 内容的生产成本一直高到离谱。世界模型不是凭空造出来的概念，而是好几个产业痛点在同一时间寻找新解法。正因为我认同它为什么这么热，下面的质疑才不是"看不懂所以唱衰"，而是"看懂了它为什么热，依然认为它被提前定价了"。请记住李飞飞这句话里的关键词——"下一个十年"。它会在后文反复回来找我们。

说穿了，全文的锋芒就在一句话上：今天的世界模型公司，正在被资本按"下一代物理 AI 基础设施"定价，可它们眼下真正能拿出来收费的，更像是工具、数据服务或专业软件插件。这中间的落差，就是我要拆的东西。

在我看来，这一轮世界模型热里，藏着五重系统性的"错配"——概念、能力、评测、商业与叙事，一层层错位。下面逐一拆开。你会发现，每一重错配最后都拐回同一个问题：钱，到底从哪儿挣回来。

一、概念错配：世界模型正在从技术路线，变成融资标签

最先让我警惕的，不是技术，是语言。

当一个词能同时指代生成一段可交互视频、重建一个三维场景、训练一个机器人策略、以及给自动驾驶造仿真数据时——它大概率已经不是一个严谨的技术概念，而是一个营销标签。

今天被归进"世界模型"的东西，至少分属四条技术路线：以生数科技、阿里 HappyOyster 为代表的实时交互视频生成；以 World Labs、群核科技为代表的三维重建和空间智能；以极佳视界、千寻为代表的具身智能虚拟训练；以及华为、吉利、Momenta 把它塞进智驾仿真的车企路线。

这四件事，解决的根本不是同一个问题。视频生成关心的是"画面像不像、连不连贯"，空间智能关心的是"几何对不对、能不能交互"，具身训练关心的是"策略迁移到真机能不能用"。把它们装进同一个词，好处是融资 PPT 上人人都能说自己在做"下一代 AI 基础设施"，坏处是——投资人和读者很难分清，谁在做真东西，谁只是把旧业务换了个时髦封面。

一个概念越是无所不包，越说明行业内部还没有形成真正的技术共识。共识没有的时候，估值却已经先到了，这是第一个危险信号——因为投资人到底买的是哪一门生意、未来向谁收钱，从一开始就没说清楚。

二、能力错配：Demo 与可交付之间，隔着一道物理一致性

世界模型最出圈的，是那些惊艳的 demo：输入一句话，模型生成一段你可以实时操控的视频，镜头一转，场景还在。

但 demo 惊艳和系统可用之间，隔着一条我在 AI 落地里反复见过的"死亡之谷"。举一个我见过不止一次的典型场景：一个团队拿着能实时生成、自由操控的场景 demo 去见工业客户，会议室里所有人都被惊到，当场就聊起了合作；可一旦要把它接进真实产线——要求连续运行不出现物理穿帮、同一个工件每次生成都严丝合缝、异常可追溯可复现——稳定性立刻从"演示级"跌回"不可用级"，最后往往卡在验收，客户一句"等它更稳了再说"，单子就黄了。从惊艳到能验收，差的不是一个版本，是一整条工程化的命。

生成式世界模型的根本软肋在于：它学的是"什么样的画面看起来合理"，而不是"世界为什么是这样运转的"。所以你会看到反复出现的老问题——物体穿模、水往高处流、镜头转回去东西就变了样、稍微拉长时间线物理就开始崩坏。这些往往不只是调参层面的 bug，而是"用生成去逼近理解"这条路线在现阶段必须支付的结构性代价。

说得严谨一点：它能在像素层面生成一段符合经验分布、看起来很真的苹果落地画面，但它未必拥有一个稳定、可被查询、可做反事实推理的世界状态——通俗讲，它会画苹果落地，却不"理解"重力。这恰恰是 Yann LeCun 这些年一直在敲打的点——他自己押的 JEPA 路线，就是因为不相信"纯生成"能通向真正的世界理解，才另起炉灶。更要紧的是，这背后藏着一个常被忽略的事实：世界模型至今不是一条已经收敛的工程路线，而是一组仍在彼此竞争的建模范式（生成派、空间智能派、JEPA 派各执一词）。技术路线没收敛，本身就是一种投资风险——你下注的，可能是最后被淘汰的那条路。

对一个要把它用进生产的从业者来说，"看起来对"几乎没有价值，"可靠地对"才有。而后者，今天的世界模型还远远做不到。漂亮的 demo 能让客户愿意点开试用，但"愿意试用"和"愿意持续付费"之间，隔的正是这道可靠性的鸿沟。

三、评测错配：尺子还没造出来，"全球第一"已经满天飞

这一轮宣传里，我数了数"全球第一""评测登顶""SOTA"出现的频率，高得不正常。

问题是，世界模型至今没有一套被广泛公认、且贴近真实落地价值的评测基准。不像大语言模型还有一堆公开榜单可以互相参照（哪怕这些榜单本身也在被刷分污染），在一个评测体系尚未成熟的阶段，"第一"更多代表的是某一项指标、某一类任务、某一个测试集上的领先，而不应被直接翻译成"产业可交付能力的第一"。

这里我说的是一种行业里普遍存在的宣传范式，不针对任何一家具体公司——一个"全球第一"的传播链条，往往依赖一组非常具体的限定条件：先选一个对自己技术路线最有利的维度（比如生成画面的视觉保真度，而不是物理一致性或 sim-to-real 迁移率），再挑几个自家模型表现最好的场景做对比，对比对象往往是公开的、不在同一目标上优化的旧模型，最后用一个没有第三方能复现的内部指标得出结论，配一张漂亮的雷达图发出去。每一步单独看都未必有错，但组合起来，"第一"这个词就很容易被过度放大。更要命的是，这些数字大多没回答那个真正重要的问题——它在真实产业需求里，到底能不能用、好不好用。视觉上以假乱真和工程上可靠交付，是两条完全不同的曲线，而宣传稿往往只给你看前一条。

我不是说这些团队的技术不行，而是说：在缺乏统一标尺的阶段，所有"领先"的说法都该打个折来听。一个健康的技术领域，应该是先有公认的难题和基准，再有人去登顶；而不是先有一堆"登顶"的捷报，却没人说得清山在哪儿。当排行榜先于尺子诞生，那张榜单就很容易被融资叙事过度借用——而真正的采购方，从来不会按榜单排名付款。

四、商业错配：按基础设施定价，却还在按工具收费

把前面几重错配暂且放下，就算技术问题都能慢慢解决，还有一个绕不过去的算术题：这些钱，准备怎么挣回来？

种子轮 10 亿美元、单家估值上百亿人民币，但从公开信息看，与之匹配的营收能见度还相当有限。目前能看到的商业化路径，主要集中在两块：给具身智能和自动驾驶提供仿真训练数据，以及面向专业用户的三维内容生成工具（比如 World Labs 已公开推出的 Marble）。

这两块市场都是真的，但都不大、且都有强力的替代方案。仿真数据这件事，车企和机器人公司一直在用传统仿真引擎和真机采集来做，世界模型要证明自己"更便宜、更好用、且 sim-to-real 的差距足够小"，这个举证责任还远没完成；三维内容生成则要直面专业工具链的存量竞争和"够用就行"的客户心态。

也就是说，今天的估值，几乎完全是按"未来它会成为物理世界 AI 的基础设施"这个最性感的假设定价的，而不是按现金流。这种定价方式本身不稀奇，移动互联网早期也这样——但它的前提是技术兑现的窗口足够近。当窗口被乐观叙事人为拉近、钱又来得太容易，在我看来，泡沫几乎就是必然产物。

值得玩味的是，连世界模型最坚定的旗手之一 LeCun，近期都在公开警告整个 AI 行业有"泡沫破裂"的风险。当造势的人自己都开始提示风险，旁观者更该清醒：资本的潮水退得，往往比它涌来时快得多。

我愿意把话说得更死一点，给一个可以打脸的判断：如果要赌这四派里谁最先现出原形，我押视频生成派。原因很简单——它离通用多模态大模型最近、护城河最浅。当 OpenAI、谷歌、字节这些玩家把"可交互视频生成"顺手做进通用模型的能力里，今天靠一个炫酷视频 demo 撑起几十上百亿估值的公司，会最先发现自己并非不可替代。时间窗我也给出来：未来 12 到 18 个月。如果到时候没应验，欢迎回来打我的脸。

五、叙事错配：「替代大模型」在战略上性感，在现金流上模糊

这一轮宣传里最爱讲的故事是：大语言模型撞上了"数据墙"和"Scaling Law 失效"，所以未来属于世界模型——从"预测下一个词"升级到"预测世界的下一个状态"。

这个叙事很动听，但它把一个还在演进中的技术格局，过早地讲成了非此即彼的改朝换代。

事实是，大模型这条线远没有停下来：合成数据、强化学习后训练、推理时计算（test-time compute）、多模态融合，都在持续推开能力边界，"数据墙"也远不像两年前喊的那么铁板一块。而世界模型即便成立，更可能是与语言模型互补的一块拼图——语言负责抽象推理和知识，世界模型负责空间和物理——而不是取而代之。

用"旧王已死、新王当立"的方式去讲技术演进，是融资叙事最爱的修辞，因为它制造紧迫感、逼人上车。但真实的技术史，几乎从来不是这样线性改朝换代的。把互补关系包装成替代关系，本质上是在透支投资人对"错过下一个时代"的恐惧。

但也得承认：这轮泡沫，不会白沸

拆到这里，我得给自己降一降温——"全盘冷眼"本身也是一种偷懒。

技术泡沫从来不是纯粹的浪费。2000 年互联网泡沫破得很惨，但那一轮疯狂的超额投资，铺下了大量当时过剩、事后却极度廉价的光纤，喂养了后来十年的宽带和云计算——钱蒸发了，基础设施留了下来。这一轮世界模型的热钱，大概率也会留下真东西：一批被高强度训练出来的空间智能、具身人才，一批被资本逼着开源的模型与数据集，以及一个被反复教育、开始认真对待"AI 进入物理世界"的产业市场。今天的过热，某种意义上是在替整个行业付"试错的学费"。

但请注意，这恰恰不是为高估值辩护的理由，反而是看空它的另一面证据——"泡沫长期有益"说的是行业受益，不是今天入场的多数人受益。铺光纤的公司大多破产了，吃到红利的是后来者。所以真正该想清楚的是：你想做那个替行业付学费、倒在黎明前的人，还是熬过寒冬、捡起便宜光纤的人？

那到底该怎么看？给创业者三句务实的话

拆完这五重错配，我不想停在"看空"上——那太廉价了。作为同行，我更想说三句能用的：

第一，方向可以信，节奏要存疑。 空间智能是长坡厚雪，但"长坡"意味着它要花的时间，大概率比融资节奏暗示的长得多。资本能加速研发，却加速不了物理规律的难度——这是一场五到十年的仗，不是十八个月的风口。

第二，别被「世界模型」这个标签绑架。 真正要回答的永远是最朴素的那个问题：你在为谁、解决什么可以收费的问题？答案成立，叫不叫世界模型都不重要；答案不成立，贴再时髦的标签也只是延缓暴露。今天不少团队是先有了"世界模型"这个融资入口，才回头去找场景——顺序反了。

第三，与其做"通用世界模型"，不如把一个窄场景的 sim-to-real 做到别人够不着的深度。 这话不能停在口号上，举个具体的例子：与其泛泛宣称自己在理解整个物理世界，不如收窄到"机械臂对柔性物体（线缆、布料、食品袋这类形变大、难建模的对象）的抓取与装配"，把仿真到真机的迁移做到足够稳定、足够可验收。注意，这里的标准不是做出一个好看的 demo，而是把迁移成功率逼近客户愿意验收付费的稳定区间——比如 95% 以上。这个目标听起来一点都不性感，融资 PPT 上也不好看，但它的商业价值是实打实的：3C 装配、物流分拣、食品加工这些场景里，正是这类柔性操作卡着大规模自动化的脖子，谁能把迁移率做到可交付的水平，谁就能直接收到钱，而且这道工程壁垒一旦建起来，通用世界模型短期内也很难顺手碾过去。"小但深"在今天这个阶段，比"大而泛"安全得多，也值钱得多。这轮热钱最后大概率会洗掉一批讲大故事的，而活下来、接得住红利的，往往就是这种把一个窄问题啃到底的团队。

所以回到标题。我不看好的从来不是世界模型这个方向，而是当下这一轮——估值跑在了营收前面，叙事跑在了技术前面，"全球第一"跑在了公认的尺子前面。还记得开头李飞飞那句"下一个十年"吗？问题就在这儿：她说的是十年，可今天的资本，是按"下一个财年"在给世界模型定价——所有错配的总根子，就是这一个时间差。下一轮分化的分水岭，不会是谁又融了多少、登了哪个榜，而是谁能在一个具体场景里，把仿真、训练、部署到付费的闭环真正跑通。

说到底，世界模型不会死，但那些把"未来一定会发生"提前卖成"现在就能按未来收费"的公司，大概率会先被市场重新定价。冷静一点没什么坏处——尤其是在所有人都热的时候。