在人工智能领域，世界模型正逐渐成为推动智能体理解复杂现实世界的关键技术。这一技术不仅为自动驾驶和具身智能的发展提供了强有力的支持，也成为了学术界和工业界的研究热点。近期，雷峰网与AI科技评论GAIR Live联合举办了一场以“世界模型——通向通用智能的关键拼图”为主题的线上圆桌沙龙，邀请了多位顶尖学者进行深入探讨。
此次沙龙的主持人是清华大学智能产业研究院（AIR）的助理教授赵昊，他首先界定了世界模型的范畴，从自动驾驶到具身智能，再到通用视频生成和训练智能体的世界模型，层层递进。参与讨论的嘉宾包括宁波东方理工大学的助理教授金鑫、浙江大学的特聘研究员廖依伊、布里斯托大学的助理教授杨梦月，以及伯克利人工智能实验室的博士后研究员郑文钊。
赵昊在开场时指出，世界模型在自动驾驶领域已经取得了显著进展，但未来要实现通用智能，还需要进一步拓展其应用范围。他特别提到了GPT等大语言模型在人工智能领域的成功，但也指出了其面临的数据短缺和通用性问题。相比之下，世界模型被认为是一种更有可能实现通用智能的技术路径。
在讨论中，嘉宾们围绕世界模型的定义、范围、技术路径以及应用场景展开了深入探讨。金鑫强调了物理规律在具身智能世界模型中的重要性，他认为未来的发展方向应该是将物理规律注入数据驱动模型中。廖依伊则提出了一个有趣的问题：是否必须显式建模3D？她认为在2D层面也有可能学好交互，尤其是在非刚性物体场景中。
杨梦月从因果表征学习的角度出发，认为世界模型需要理解世界的运行逻辑和因果关系。她提出，通过某种机制或智能体捕捉物理规律，并将其整合成因果模型，可能是构建具身智能世界模型的一种有效方法。郑文钊则进一步指出，世界模型在某种程度上是更具泛化性的语言模型，其核心在于表征的选择。
在讨论通用视频生成模型的发展时，嘉宾们一致认为，虽然当前的技术已经取得了显著进展，但要成为真正的世界模型，还需要在动作反馈机制和因果性方面做出更多努力。赵昊特别提到了编辑能力的重要性，他认为如果通用视频生成模型能够像GPT-4o一样通过文本指令实现高精度编辑，那么它就已经学到了关于世界的某些知识。
最后，嘉宾们还就自动驾驶和具身智能的世界模型发展进行了讨论。金鑫认为自动驾驶已经接近落地阶段，而具身智能则需要解决更多复杂的问题。廖依伊则指出，虽然自动驾驶世界模型在生成环境观测方面已经取得了显著进展，但在支持智能体训练方面还有待加强。郑文钊则强调了三维建模精度和泛化能力的重要性，他认为未来自动驾驶世界模型的发展趋势将是三维与二维的结合。
通过这场圆桌沙龙，与会嘉宾们对世界模型的发展方向和应用前景有了更深入的认识。未来，随着技术的不断进步和应用场景的不断拓展，世界模型有望在人工智能领域发挥更加重要的作用。
