讓機器也懂「趨吉避凶」：打造AI內在的世界模型（World Model）

Posted By owenou on 8 月 6, 2025 in AI Drones, AI Robot, Physical AI, 技術導讀, 技術新訊 | 0 comments

作者：歐敏銓

想像一下，如果有一天AI也有自己的「心智世界」它將不只是被動地、規矩的回應這個世界，而是能提前構思、預判下一個動作、擁有「趨吉避凶」的直覺本能！

2025年，AI領域正上演一場劇烈的典範轉移。NVIDIA執行長黃仁勳在GTC與CES舞台上多次強調：AI的發展即將從感知AI（Perception AI）、生成式AI（Generative AI）、代理AI（Agentic AI），走入物理AI（Physical AI）的時代，也就是一個AI能感知、理解並與現實物理世界互動的境界，讓機器人及自駕車等裝置能「行於所當行，止於所不可不止。」

這是一場讓人工智慧真正走出虛擬、跨入現實世界的革命。不過，要順利過渡到物理AI的境界，AI內部需建立起對現實物理世界的模擬能力，也就是一套「世界模型」（World Model），才能讓機器像人類一樣具備思考、預測、規劃與創造能力。

那麼，「世界模型」（World Model）究竟是什麼？又因何成了AI下個競技場的發展核心？

心智模型的啟發：AI模擬人腦的「世界之眼」

事實上，世界模型受到重視，也是來自於人類「心智模型」（Mental Model）的啟發。

對於世界如何運作、該採取什麼決策，總有著一些反覆出現的概念，例如機會成本、80/20法則、飛輪效應…等，這些概念被稱為「心智模式」。人類大腦會從感官獲取資訊，並將外部現實轉化為大腦中的「小規模模型」，藉此形成對周圍世界更具體的理解，進而對「將發生的改變」預做模擬，以便提前因應。

這樣的例子層出不窮，例如駕駛員對交通狀況的立即反應（剎車、轉向等），或是在球場上預判投球的路線並揮擊出去等——這種能力來自於大腦內部對世界的模擬，無需每一步都清楚的意識到，就能直覺性地反射因應。

機器人若要自在穿梭於人類世界，顯然必須具備這種「理解眼前將發生的事件」的能力。

人類理解分格漫畫的時空意義，正是「心智模型」解讀外在影像的能力。（source）

世界模型的核心：AI的「想像力」與「規劃腦」

所謂世界模型，就是一套能學習環境本質、模擬未來狀態的生成模型。不同於以往只是在輸入與輸出之間快捷通路的方式，世界模型讓AI像人腦一樣生成「內部世界」，在這個虛擬環境自我訓練與思考，預判每個行動帶來的結果。這不僅讓AI更有效率地學習，也讓規劃和決策邏輯更貼近人類的直觀。

更厲害的是，經由無監督的方式訓練世界模型，AI能理解並壓縮眼前世界的高維訊號，將策略自模擬世界遷移到現實環境，用以解決所需的任務。

技術拆解：世界模型的三大腦

世界模型的發展其實已有十多年了，其重要的核心演算法是大型遞歸神經網路（RNN），它是具有高度表現力的模型，能夠學習數據中豐富的空間和時間表示。從技術結構來看，世界模型多由三大核心組件協同：

視覺模型（V）：以變分自動編碼器（VAE）等將龐大影像或影片訊號壓縮為低維、具意義的表徵，過濾噪音，保留世界本質。
記憶模型（M）：利用循環神經網路（RNN）或Transformer架構模擬環境的時序動態，預測未來的走向與分佈，洞察行動影響。
控制器（C）：在世界模型生成的虛擬場景中規劃出最高效的操作策略，免去直接在現實反覆嘗試的繁複與危險，加速學習步伐。

這種模組化設計，讓世界模型在不斷「虛擬演練」中增強預見力，控制器則專心磨練決策直覺，兩者相輔相成。

世界模型運作流程示意圖（source）

世界模型的應用現場：現實與虛擬的無縫接軌

這場世界模型革命正蔓延至各行各業：

強化學習與電玩：世界模型最著名的演示之一是由David Ha 和 Jürgen Schmidhuber在他們的論文《世界模型》中提出的。他們使用內部世界模型而非直接強化學習，訓練人工智慧玩賽車遊戲和VizDoom。人工智慧學會了預測遊戲狀態，模擬不同的策略，然後執行最佳策略，從而實現更有效率的學習。

自駕車技術：自駕汽車不僅依感測器數據反應，而是模擬各種交通動態、環境變化，提前規劃路徑與避險行為。
機器人應用：冶金工廠、深海探索、太空維修等高風險場合，AI能在虛擬場景中實戰模擬，降低現場成本與危險。
科學與醫學發現：AI世界模型正被用來預測蛋白質摺疊、模擬分子結構、氣候走勢等，成為人類解開未來鎖匙的新利器。

Meta、NVIDIA 與 Google 佈局世界模型

當今世界模型（World Model）成為AI界熱門新賽道，正吸引Meta、NVIDIA、Google等多家科技巨頭投入重金與頂尖人才發展。以下簡要介紹各家領頭企業在世界模型的最新進展：

Meta：V-JEPA 2 世界模型

V-JEPA 2是Meta於2025年推出的世界模型，具備理解、預測並規劃現實世界動作的能力。
它以超過100萬小時的影片為核心訓練資料，主攻機器人和自駕車，能做到「零樣本」（zero-shot）控制規劃，機器人在新環境、陌生物體下也能完成複雜任務。
Meta強調V-JEPA 2能掌握「物理直覺」，例如能理解球離桌就會掉落、遮擋下物體依然存在，並能根據結果預判和規劃後續行為。
Yann LeCun表示，這類世界模型將成為讓AI像人類般思考和行動的核心技術。

NVIDIA：Cosmos 世界基礎模型

Cosmos平台是NVIDIA最新「世界基礎模型」（World Foundation Model）平台，強調開放、可定制性和大規模合成數據的產生能力。
Cosmos以2,000萬小時現實人類互動/環境/工業/機器人影片作為訓練資料，能預測和模擬虛擬世界中的物理互動，幫助自駕車和機器人發展。
Cosmos結合自回歸（Auto-regressive）和擴散式（Diffusion-based）模型，除了提升物理一致性，還能支援合成視覺場景快速生成，極大壓縮開發週期與成本。
NVIDIA也推出如Cosmos-Transfer1這類專為機器人強化學習預訓練的條件世界模型。

Google（DeepMind）：全力打造多模態世界模型

Google DeepMind於2024年底成立專責「世界模型」AI團隊，由前OpenAI Sora負責人Tim Brooks帶領，以多模態（文本、圖像、影片等）融合為發展重點，並積極招募人才，目標是打造能模擬真實物理世界的大型生成模型.
DeepMind開發的Genie模型，能模擬虛擬世界和現實物理互動，應用於即時媒體互動、電玩、虛擬訓練場、機器人與自駕場景等。
Google Gemini大旗也正大舉往「世界模型」方向發展，企圖將理解和推理、決策機制統合進行，最終目標是建構下一代可理解情境、採取行動的通用AI助手。

未來展望

世界模型的挑戰仍然不少，包括模型精度、長期記憶、泛化能力等等，都是需要攻克的難題。但隨著大型數據、強算力及跨領域人才湧入，這場由Meta、NVIDIA、Google等巨頭主導的新賽道已全面展開。

未來，世界模型不僅將成為AI生成邏輯與決策理性的「作業系統」，也將成為構築AGI通用智能的地基。當AI能夠像人類般「腦海作夢」，為現實行動鋪設策略，這個讓機器具有想像力的內在世界，將再度翻轉外在世界，例如，人與機器的界限將更加模糊了。

》延伸閱讀：

Physical AI近了！如何打造「通用又專才」的機器人？

World Modeling: The Future of AI

About
Latest Posts

owenou

曾投身IT、電子科技媒體報導十多年，因認同Maker運動的創新實作精神，創立MakerPRO，致力結合媒體、產業與PRO Maker、開發者的社群力量，共同推展科技創造力。