2026：世界模型引领AI新纪元

紧随“下一个词预测”之后，世界建模正成为新的预训练范式。

这是英伟达机器人主管Jim Fan的最新论断。

他认为，2026年将成为大世界模型（Large World Models）真正为机器人领域及更广泛的多模态AI奠定基础的第一年。

谢赛宁随即转发表示赞同：“事后看来显而易见”。

在这篇长文中，Jim Fan探讨了世界模型的定义与应用，尤其聚焦于物理AI领域的发展，同时展望了新的推理形式：

世界建模（world modeling）是在给定一个动作的条件下，预测下一个合理的世界状态（或一段更长时间范围内的状态）。

当前世界模型的主要炒作集中在AI视频领域，而2026年将迎来物理AI的爆发。

世界模型需要更广泛的预训练目标：下一个世界状态不应只包含RGB，还必须覆盖3D运动、本体感觉与触觉。

将出现一种新的推理形式：在视觉空间中的思维链，而非语言空间中的思维链。

以下为分享全文：

第二个预训练范式

下一个词预测(Next word prediction )曾是第一个预训练范式，而现在我们正在经历第二次范式转变：

世界建模（world modeling），或者称为“下一个物理状态预测”。

很少有人真正理解这一转变的深远意义。目前，世界模型最被炒作的应用仍然是AI视频（接下来可能是游戏）。

我坚信：2026年将成为大世界模型（Large World Models）首次为机器人领域及更广泛的多模态 AI 奠定真实基础的一年。

在此背景下，我将世界建模定义为：在给定一个动作的条件下，预测下一个合理的世界状态（或一段更长时间范围内的状态）。

视频生成模型是其中的一种实现形式，其中“下一个状态”是一系列RGB帧（通常为 8–10 秒，最长可达数分钟），而“动作”是一段描述要执行什么的文本。

训练过程就是对数十亿小时视频像素的未来变化进行建模。

本质上，视频世界模型就是可学习的物理模拟器和渲染引擎。

它们能够捕捉反事实情景（counterfactuals），即预测如果采取不同动作，未来可能会如何不同——这就是推理。世界模型从根本上以视觉为中心。

相比之下，VLM本质上是以语言为中心的。从最早的原型（e.g. LLaVA, Liu et al. 2023）开始，整体路径基本一致：视觉在编码器处进入，然后被送入语言主干网络。

...