不同世界模型各自构建了怎样的世界本体？

引言：同名异境——都叫世界模型，但世界不同

2018年，David Ha和Jürgen Schmidhuber在论文《World Models》中让一个智能体在自己的"梦境"里学会了赛车。2020年，Ben Mildenhall等人用NeRF证明一小组照片可以重建出可任意漫游的三维场景。2024年，DeepMind的Genie从单张图片生成了可交互的2D游戏世界，OpenAI的Sora被定位为"世界模拟器"，李飞飞创立World Labs押注空间智能，Yann LeCun则坚持JEPA路线，认为像素生成本身就是一种浪费。

这些工作都自称在做"世界模型"（World Model）。但当我们追问"你建模的到底是什么世界"时，答案却南辕北辙。Ha的世界是32维隐向量里的梦境，NeRF的世界是连续的5D辐射场，Genie的世界是可token化的视频因果链，LeCun的世界是抽象表征的可预测结构，LingBot的世界是语义叙事与像素感知的分层共生体。它们共享同一个术语，却居住在截然不同的本体论疆域中。

本文的线索是：技术。每一代世界模型都在重新定义"世界是什么"，而每一次重新定义都回应了前一代留下的缺陷。从隐空间状态机到神经空间场，从像素自回归到抽象表征预测，从分层智能体到具身融合，世界模型的演进不是一条线性的进步曲线，而是一场关于"世界究竟由什么构成"的持续迭代。