世界模型，Make AI Great Again?

AI真的能理解世界的物理规律吗？如果大语言模型不能，世界模型能不能？何时才能？

2026年5月25日，一篇论文《When Does LeJEPA Learn a World Model?》登上了arXiv，作者栏里有个熟悉的名字：Yann LeCun。

LeCun又在讲世界模型，这不稀奇。但这次他不是发布新模型，而是给出了支撑世界模型的数学证明。

论文的核心观点是，当世界的潜在变量（如物体位置、速度）遵从高斯分布，AI学到的表示就能与真实世界的变量建立线性的对应关系，即AI能真正学会世界的底层物理结构。一旦这种线性关系建立起来，AI在表示空间里做简单的直线插值规划，解码回真实世界后，就相当于求解了复杂的物理最优控制问题，比如让机器人用最稳的方式抓取一个杯子。

换言之，LeCun终于为他笃信了多年的路线补上了关键的理论支撑：世界模型不是在简单复现某种编码，而是在数学意义上学到了真实的世界物理结构。

2026年5月的最后十天，从谷歌Gemini Omni到自变量WALL-WM、Geneisis World 1.0，再到英伟达Gamma-World……世界模型在集中爆发。一年前还在堆叠LLM、寄望于Scaling Law“大力出奇迹”的AI圈，今天都跟在了LeCun身后。

与全硅谷“唱反调”的人

2018年，时任Google Brain研究员的David Ha和深度学习元老Jürgen Schmidhuber发表论文《World Models》，让神经网络构建世界模型，并在赛车游戏中通过“想象”学会驾驶。这是世界模型在AI领域形成明确技术概念的最早追溯。

LeCun是世界模型的坚实拥趸，同时也是大语言模型（LLM）的批评者，并因此而备受争议。

这些年，从DeepMind创始人Demis Hassabis到OpenAI创始人Sam Altman，再到有着“人工智能教父”之称的Geoffrey Hinton，LeCun几乎与整个AI圈的“顶流”吵了一个遍。他尖锐批判大语言模型：“继续堆LLM、用更多数据去喂模型、再雇成千上万的人在后训练阶段