世界模型不是会生成视频就行，得能看懂、推演，还得动手改世界。

现在圈子里啥都叫世界模型。其实分三派：李飞飞按功能分渲染、模拟和规划；LeCun主张在抽象空间里预测；清华朱军则给出了五级进化路线。

核心闭环就三步：先理解眼下啥情况，再想象“我这么干会怎样”，最后真去干，拿新结果修正自己。

五级路线怎么爬：
L1看连贯：能生成杯子掉地上碎了的画面。
L2看互动：你换个视角或推力，它还能接着演。
L3看行动：模型得真输出抓取动作，把杯子接住。
L4看自主：没人催也能主动发现风险、补信息。
L5看协作：安排谁去抓、谁去避障，调配资源。

目前生数的Vidu系列到了L2，Motus系列刚摸到L3。往上走还缺因果推理、持久记忆和安全控制。

数据得从屏幕接到现实：底层用海量视频学常识，越往上越得用带动作的人类示范和真实机器人数据。生数搞的Motus2，就是让机器人在脑子里预演几套方案，挑最好的动手，做完再复盘。

说白了，光画面逼真没用，能在真实环境里不断试错、持续学习的系统，才算通向通用智能。世界模型榜 模型进化 模型简史 进化建模 世界模型2 视觉世界模型 交互世界模型 预测式世界模型