摩根士丹利最新报告表示，大模型的语言红利正在触顶，下一场AI军备竞赛的战场是"世界模型"——让机器真正理解三维空间、物理规律与时间演化。从Waymo数十亿英里虚拟路测，到微软AI渲染可玩《Quake II》，应用已不止于机器人，游戏、影视、设计产业均面临重塑。
大模型把“语言”这条路走到今天，边界越来越清晰：它们擅长写、搜、改、编程，但一旦问题落到三维空间、时间演化和物理约束，现成的范式就开始吃力。摩根士丹利把下一段增长押在“世界模型”上——让AI学会理解、模拟并在环境里做决策，应用不只在机器人和自动驾驶，也会重塑游戏、设计、影视制作等数字内容工业。
据追风交易台，摩根士丹利北美团队的股票分析师Adam Jonas在最新报告中直白写道：“AI is moving beyond language toward models that understand, simulate and navigate the physical world。”这句话的潜台词是：下一轮竞争，不是谁的聊天更像人，而是谁能把现实世界的规律压缩进一个可用的内部表征，再把它变成可交互的“想象引擎”。
报告给出的证据并不靠远景叙事，而是一些已经发生的工程实践：Waymo借助基于DeepMind Genie 3的世界模型做了“数十亿英里”的虚拟路测；微软用Muse把1997年的《Quake II》做成“全AI渲染、可玩”的版本；Roblox也公开了用自研世界模型生成沉浸式环境、用自然语言迭代游戏的研究方向。大厂在做（DeepMind、Meta、微软、特斯拉、英伟达），新公司也在抢人抢钱。
更值得注意的是，摩根士丹利在这份材料里把镜头对准两家新锐：李飞飞的World Labs偏“生成可导航3D世界”，杨立昆的AMI Labs偏“学习高效的隐空间表示去做预测与推理”。两条路线背后，是同一个问题：AI到底要以什么形式“理解世界”，以及这种理解何时能从demo变成生产力。
从语言到物理：世界模型要补的，是LLM的硬短板
报告把“物理世界”描述为一个更难的战场：受物质、热力学、流体、光照等规律约束，在不断变化的三维空间里运行。LLM的训练对象主要是文本及其变体，做白领任务（编码、搜索、写作）很强，但对“下一秒会发生什么、我做这个动作会造成什么后果”这种问题，缺的不是语料，而是能长期保持一致性的环境表征与推演能力。
因此，世界模型被定义成一种“内部可用的环境表示”：它不仅要复现眼前看到的，还要能把状态往前滚动，并在“动作条件”改变时给出不同的未来分支——也就是报告反复使用的比喻：AI的“imagination engine”。
世界模型不是一个东西：五条主流路线在并行
摩根士丹利把当前做法粗分成几类（并强调边界会逐渐模糊）：
交互式、动作条件世界模型：像“学出来的游戏引擎”，环境会随智能体动作实时变化（例：DeepMind Genie）。
一致性3D世界生成器：强调空间几何一致与可从多视角探索（例：World Labs Marble）。
抽象表示/非生成模型：不追求生成像素级画面，而是预测更高层的隐空间结构与动态，偏效率与推理（例：Meta V-JEPA、AMI Labs）。
预测型生成世界模型：更像“预测下一帧/下一状态”，用于规划、预测与驾驶推理（例：Wayve GAIA、NVIDIA Cosmos 的 Predict）。
物理约束的模拟数据引擎：把世界模型与仿真/物理引擎、数据管线结合，为机器人训练产出更“物理一致”的合成数据（例：NVIDIA Cosmos 的 Transfer）。
这套划分有一个现实意义：同样叫世界模型，有的在追求“生成一个能逛的世界”，有的在追求“把世界压缩成可计算的状态”，产品形态、算力结构、商业化路径都不一样。
先落在游戏与内容生产：替代引擎很诱人，但没那么快
游戏是报告里最“直观”的用例：世界模型可以从少量提示生成可交互环境，内容生产速度可能被拉到另一个量级。微软用Muse做出的可玩《Quake II》，就是一个强对照——不再依赖传统引擎去逐帧渲染，而是模型根据玩家输入预测每一帧。
但摩根士丹利的视频游戏分析师团队（材料中引用了Matt Cost的框架）给出的判断并不浪漫：长期看有两种情景——现有巨头把AI塞进工具链完成“适配”，或者被新范式替代/严重扰动。替代看起来更简单，因为今天的模型已经能“用自然语言生成可玩世界”；
难点在后面：算力速度与成本也许有路可解，但“meta系统、延迟”会更难，而“确定性（determinism）、记忆、更新”这类问题，可能在世界模型范式下就是硬骨头。这意味着短期约束给了老玩家窗口期，长期威胁依旧真实存在。
自动驾驶与机器人更务实：虚拟世界先用来“补数据”和“先想后做”
自动驾驶的抓手更明确：把现实中危险、稀有、昂贵的“边缘场景”，搬到虚拟里成规模地跑。报告提到Waymo使用基于DeepMind Genie 3的世界模型，进行了“数十亿英里”的虚拟驾驶测试，用来训练和验证系统在罕见边缘情形下的表现——这类场景在真实道路上要么难遇到，要么风险不可控。
机器人端的逻辑也更像工程：世界模型可能解决两件事——训练数据量与执行前推理。报告提到有研究显示：用世界模型生成的数据训练机器人，效果可以与用真实交互数据训练的机器人“相当”。但摩根士丹利也把边界划清：短期内，世界模型与仿真数据更可能是现实数据管线的补充，而不是替代。
真正卡人的细节，来自“接触与摩擦”：报告举例强调，外界容易忽略的微小物理量往往最关键——手指施加的细微力、执行器新旧状态差异、表面摩擦与材料属性的微变，甚至关节的静摩擦，都可能让“仿真到现实”的迁移出现巨大落差。
最难的是“长时稳定”和“可控”：离可用还有几道坎
报告把挑战列得很具体，也很不客气：
误差累积与时间漂移：互动越久，物体漂移、几何形变、物理规则跑偏的概率越高。被认为很先进的Genie 3，目前也只能支持“几分钟”的连续交互。
可控性不足：画面再美，动作空间如果只有基础移动，产品价值会受限。
多智能体与社会动态：多人/多车/多机器人同时互动，比单相机穿行难得多，DeepMind也点名这是Genie 3的难点之一。
数据规模与多样性：尤其在机器人领域，真实传感器数据采集昂贵且慢。
缺少统一基准：长时交互质量怎么量化，没有公认标准，进展常靠demo与任务测试支撑。
这些约束决定了一个现实节奏：世界模型很可能先在“容错高、迭代快”的数字内容领域扩散，再逐步向需要严格物理一致性的行业渗透。
李飞飞的赌注：让AI"看懂"三维空间
摩根士丹利把World Labs放在“生成一致性3D世界”的代表位置。公司由李飞飞与团队在2023年创立，2024年走出隐身；其旗舰产品Marble在2025年11月公开发布，目标是从文本、图片、短视频或粗糙3D输入生成“持久、可探索”的三维环境，并支持编辑与扩展。
报告列出的功能更像一套面向创作与生产的工作台：生成后可删改物体、用“Chisel”先搭粗模再上细节、选区外扩生成、把多个世界Compose成更大场景、导出到外部3D软件/引擎，以及提供API给开发者集成。
它也强调与产业工具链的接口：可导出到Unreal Engine与Unity；与NVIDIA Isaac Sim等仿真平台对接；还展示了在建筑设计、机器人仿真等场景的使用方式。
资本热度同样被写进报告：PitchBook估算World Labs累计融资约12.9亿美元，2026年2月一轮融资后投后估值约54亿美元。
杨立昆的另一条路：不渲染画面，只预测结构
AMI Labs的故事线更“研究范式”：公司在2026年3月走出隐身，由Yann LeCun参与创立，路径偏向JEPA框架——不去重建每个像素，而是预测被遮挡/未来部分的潜在表示（latent embeddings），用更抽象的结构学习世界的演化规律。摩根士丹利把它归入“抽象表示/非生成模型”一侧，强调其潜在价值在推理、规划与物理AI系统（尤其机器人）。
材料中对AMI的具体产品披露很有限，只能列出可能的应用方向：机器人、自动驾驶、视频理解/分析，以及带摄像头的AR/VR与智能助手等。融资方面，报告提到AMI Labs以超过10亿美元的种子轮融资亮相，PitchBook口径投后估值在45亿美元以上。
资本和人才已经在聚拢：空间智能的竞赛开始“提速”
这份摩根士丹利材料最重要的信号，可能不是某个模型参数或某次demo，而是它描述的格局变化：从DeepMind、Meta、微软、特斯拉、英伟达到一批新创，世界模型正在变成“下一阶段的共同语言”。它既能解释为什么游戏、影视、设计会出现生产力跃迁，也能解释为什么自动驾驶与机器人会把训练、验证和规划越来越多地搬到虚拟世界里。
世界模型不是一个即插即用的万能件。报告给出的结论更像路线图：能跑起来的场景已经出现，真正的难点也摆在台面上——长时稳定、可控、多智能体、物理细节与评测体系。接下来是谁能把这些硬问题做成工程闭环，才是“数字到物理”这段旅程能走多远的分水岭。
Comments