世界模型在 MR 里的位置
写完上一篇 《2026 年，MR 走到哪了》 之后，我自己最大的体感是：MR 这一轮真正的赌注，已经从硬件转移到了 AI 一侧。
具体说就一件事：世界模型（World Models）。
如果它做不出来，2030 年的 MR 大概率还是『一个买不起内容的好硬件』；如果它做出来了，整个内容生产成本会一夜下降一两个数量级，MR 的故事会被重新讲一遍。
这篇笔记把我看到的九家玩家、两条路径、五个能力 gap、和一场没共识的辩论整理出来。
一、世界模型到底在做什么
抛开各种营销话术，这玩意做的事情其实很简单：给定当前的世界状态和一个动作，预测下一时刻的世界状态。
不同流派的差别在于怎么预测：
- 像素级生成派（Sora、Genie 3、HY-World 2.0） —— 直接生成下一帧图像/视频。所见即所得，适合做内容；
- 潜空间预测派（V-JEPA、AMI Labs） —— 只在抽象表示层做预测，不还原像素。LeCun 一直坚持这条路，认为前者是『学错方向』；
- 混合派（Cosmos、Marble） —— 同时做底层预测和上层生成，目的是给机器人/MR 提供训练数据和实时漫游。
这个分歧不是学术口水，它直接决定了哪种模型最先能塞进 MR 头显里。
二、九家公司，九种不同的赌法
把所有正在做这件事的人摆在一起看，会发现『世界模型』这个词覆盖的东西完全不一样：
几个值得单独点名的：
- AMI Labs（LeCun 新公司） —— 2026 年 3 月拿到 $1.03B 融资，估值传 60 亿。他离开 Meta 后做的第一件事不是造大模型，而是赌『纯非生成式』的 Advanced Machine Intelligence。这件事本身就是对当下行业的反对票。
- 腾讯 HY-World 2.0 —— 2026.04 开源，是中文世界模型第一次真正向社区开放权重。中国厂商在这条线上从『跟跑』变成了『局部领跑』。
- NVIDIA Cosmos × World Labs Marble —— 这两家从今年起捆绑得越来越紧。Marble 负责出 3D 场景，Cosmos 把它喂给 Isaac Sim 训练机器人。这不是一个产品，是一个基础设施栈。 它的对手不是 Sora，是『未来五年所有的 simulator』。
- Decart Mirage —— 唯一押『实时』的玩家。99% 的世界模型还在做『生成一段 10 秒视频』，Mirage 在做『你按一下键盘，下一帧立刻给你』 —— 这才是 MR 真正要的形态。
把这八家放在一起看，会发现他们押的"形态"非常不一样：
三、两条相交路径
世界模型进 MR 有两条路，体量和成熟度差很多：
A 路径已经在跑 —— Marble 的 3D 场景已经塞进了若干 Unity / Unreal 工具链；HY-World 2.0 开源后会马上有人接到 Blender 里。它的瓶颈是质量和编辑性：你能生成一座城市，但改不动一栋楼。
B 路径才是真正性感的那条 —— 让世界模型直接当 MR 体验的运行时，不需要预先烤资产。它的瓶颈是延迟、可控、和稳定性。Mirage 的 demo 已经能跑 30+ FPS，但稳不住、改不准、长不了。这是接下来 3 年最值得追的方向。
四、能力差距盘点
把『MR 真正可用』当成 100 分，看看世界模型现在的位置：
这五条里我最关心长时连贯和可控编辑。
长时连贯不解决，世界模型就只能做『一段视频』而不是『一个世界』 —— Mirage 的实时 demo 跑超过两分钟就开始漂移，Genie 3 把这个数字推到了几十分钟，但仍然不够 MR 用。
可控编辑不解决，世界模型就只能给艺术家用，给不了产品经理用 —— 设计上最常见的需求是『改一个细节，别动其它』，但当前所有模型都做不到这件事。这是 MR 工具链未来 3 年最大的机会点之一。
五、这是一场未达成共识的辩论
不像 LLM 已经形成『预训练 + 指令微调 + RLHF』的事实共识，世界模型这条线上至今没有统一的定义、统一的评测、统一的胜出范式。
"今天的生成式视频模型不是世界模型。真正的世界模型应该能在抽象层面预测，而不是逐像素生成。"
Meta Chief AI Scientist · 现已离职创办 AMI Labs
"Sora 看起来惊艳，但它对物理常识的把握仍然脆弱。把它叫做 world model 是营销用词。"
认知科学家
"整个行业还没有一个被广泛接受的『世界模型』定义。这正是问题所在。"
TechTalks 主编
"空间智能是 AI 的下一站。我们正在为机器构建对物理世界的常识。"
World Labs CEO
"Physical AI 会比生成式 AI 大十倍。Cosmos 是它的基础设施。"
NVIDIA CEO
我自己的判断：短期生成式赢，长期非生成式赢，但这两条路可能在中间合并。
短期内能跑产品的只有像素级生成 —— 它对工程师友好、demo 容易做、用户能感知。但它在 推理 这一层是脆弱的。LeCun 的批评不是没道理：你看到的『真实』可能只是统计上的近似真实。
长期看，MR 想要的是『一个真的能跑 30 年的世界』，那一定是潜空间 + 生成解码的混合架构。AMI Labs 这次融到 $1B 之所以重要 —— 不是因为它会立刻出产品，而是因为这给『非生成式路线』续了 5 年命。
六、接下来五年
放进时间轴之后，可以更清楚地看到三件事：
- 2026 是开源年。 HY-World 2.0、可能还有 Cosmos 的进一步开放，会让中游玩家（像 XR 工具厂、3D 美术工作室）第一次能玩起世界模型。
- 2027 是验证年。 文本→可交互3D 场景能不能做到工业级 demo，决定了 MR 内容侧 2030 之前的天花板。如果 2027 年做到了，整个 MR 内容成本曲线会立刻被重画。
- 2030 是结算年。 三条路径——像素级生成、潜空间预测、混合架构——会有一条胜出，或者三条合流。赌哪一条胜出，是接下来五年最大的研究/投资问题。
总结
世界模型不是一个『更聪明的视频生成器』，它在赌的是：未来计算机看世界的方式。
对 MR 来说，它的意义只有一句话：这是过去 5 年内容做不出来这道题，唯一可能的解法。
但这个解法目前还非常不成熟 ——
- 九家公司在做九件不同的事，行业还没有共识这件事到底叫什么；
- 像素生成派能跑 demo，但在长时连贯和可控编辑上离工业级还差 2-3 年；
- 非生成式那条路有 LeCun 站台和 $1B 续命，但短期内不会出消费级产品；
- 中国阵营第一次有了开源的世界模型，给中游玩家打开了一道窗口。
对设计/硬件人的启示是： 不要把世界模型当成 ChatGPT 那样马上能用的工具去等。它更像 2017 年的深度学习 —— 有人在跑 demo，有人在押路线，但真正的产品形态还没出现。
如果你做内容工具，A 路径（生成 → 烤资产）是接下来 18 个月最现实的切入点；如果你做 MR 头显或操作系统，留出一条 B 路径（实时世界仿真）的接口 是未来三年最值得做的架构决策。
我自己更愿意押在 混合架构 上 —— 因为 MR 既要消费侧的『好看』，又要工业侧的『可信』，这两件事单一路线都答不上来。