内容摘要：1943 年，二战硝烟未散，数字计算机尚未问世。这一年，29 岁的苏格兰心理学家 Kenneth Craik 出版了著作《The Nature of Explanation》。在这本不足 200 页的

1943 年，游戏二战硝烟未散，世界数字计算机尚未问世。模型这一年，正重29 岁的新定苏格兰心理学家 Kenneth Craik 出版了著作《The Nature of Explanation》。在这本不足 200 页的价值小书中，他提出了一项颠覆性的游戏假说：人类思维的核心并非“心灵”或“自我”，而是世界一种符号化的建模过程。大脑在内部构建外部现实的模型“小尺度模型”（small-scale model），以此替代在真实世界中进行高风险的正重试错。

他在书中留下了这段被后世反复引用的新定经典论述：

如果一个有机体能在脑中携带一个外部现实及其自身可能行动的“小尺度模型”，它就能试验各种备选方案，价值从中选出最优解，游戏在未来情境到来之前就做出反应，世界利用过去事件的模型知识来应对当下和未来，以一种更充分、更安全、更胜任的方式来回应它所面临的一切紧急状况。

Kenneth Craik 与《The Nature of Explanation》来源：WikiPedia

Craik 将这一认知过程拆解为三个关键步骤：

1. 感知：将外部过程翻译为内部表征。
2. 推理/预测：从这些表征中推导出新的符号。
3. 决策/控制：将推导结果重新翻译为行动。

“感知、预测、行动”——这三个词，恰好构成了 80 年后每一个世界模型（World Models）系统试图闭合的核心环路。

然而，Craik 未能见证其思想的开花结果。1945 年 5 月 7 日，他在剑桥国王大道骑自行车时遭遇车祸；次日，即欧洲胜利日，他在医院去世，年仅 31 岁。他生前甚至未及得知，爱因斯坦曾评价此书为“伟大的著作”，而沃伦·麦卡洛克（Warren McCulloch）在此后数十年间反复传颂这一评价。

Craik 逝世后，其思想在控制论、认知科学和人工智能三条支流中持续扩散。1949 年，英国控制论俱乐部“Ratio Club”成立时，创始人 John Bates 对 Craik 的缺席表示遗憾，认为若他健在，必为核心成员。1956 年，在被视为 AI 诞生标志的达特茅斯研讨会上，Nathaniel Rochester 在提案中引用了《The Nature of Explanation》中的学习模型。1983 年，Philip Johnson-Laird 出版《Mental Models》，正式将 Craik 的框架纳入认知科学主流范式。

随后是漫长的沉寂。1991 年，Rodney Brooks 发表著名论文《Intelligence without Representation》，主张智能行为无需内部世界模型，仅靠与环境的直接反应式交互即可涌现。这一路线催生了行为主义机器人学，致使“世界模型”概念在 AI 主流中沉寂近二十年，直至 2018 年。

从梦境中醒来：2018 年的范式重启

2018 年，Google Brain 的 David Ha 与瑞士人工智能实验室 IDSIA 的 Jürgen Schmidhuber（LSTM 发明者之一）发表了题为《World Models》的论文。

图丨相关论文（来源：arXiv）

该论文的核心逻辑简洁而深刻：赋予 AI “做梦”的能力。

他们设计了一个三组件架构：

• V（视觉模型）：采用变分自编码器（VAE），将高维像素画面压缩为低维潜在表征，模拟大脑将视觉信息抽象化的过程。
• M（记忆模型）：采用混合密度网络-循环神经网络（MDN-RNN），基于历史观测和动作预测下一步潜在状态，模拟对“接下来会发生什么”的想象。
• C（控制器）：一个极简线性模型，在 V 和 M 构建的压缩世界表征上进行决策。

关键突破不在于架构本身，而在于训练方式：智能体可以完全在“幻想出的梦境”中学习策略，随后迁移至真实环境。Ha 和 Schmidhuber 在赛车游戏 VizDoom 上验证了这一构想：智能体先在 M 生成的“梦境赛道”中掌握驾驶技巧，随后直接在真实游戏中取得了优异表现。

早在 1990 年，Schmidhuber 便提出了允许智能体在内部模拟环境动态的预测性神经架构。但 2018 年这篇论文的贡献在于，它将三十年的研究蒸馏为一个干净、可复现的框架，并正式确立了“World Models”这一概念。

此后，该领域加速发展。Richard Sutton 在 1990 年代提出的 Dyna 架构（利用学习到的世界模型预测未来并规划行动）成为重要的理论桥梁。随后，Dreamer 系列（2020—2023）、MuZero（2020）、EfficientZero（2021）等基于模型的强化学习（RL）系统相继证明：在游戏领域，先学习世界模型再训练策略，其表现可匹配甚至超越直接与环境交互的无模型方法。

2024—2025 年，世界模型从 RL 子领域的技术概念，演变为更宏大的范式转移。2025 年清华大学团队发表在 ACM Computing Surveys 上的综述，将世界模型功能划分为理解型（构建世界运作机制的隐式表征）和预测型（模拟未来状态以指导决策）。另一篇 2026 年的综述（arXiv：2604.22748）则提出了三级能力层级：
* L1 预测器：局部单步预测。
* L2 模拟器：多步可决策仿真，需具备长程一致性。
* L3 演化器：基于证据的自我修正。

在技术演进的每一个关键节点上，都有一个共同的身影：游戏。

为什么是游戏？

若需训练一个理解世界运作方式的 AI，何为最佳训练环境？

理想训练场需满足：环境复杂但边界可控、失败成本为零且可无限试错、行动具备即时反馈、数据量近乎无限。这些特征与电子游戏完美契合。

ACM Computing Surveys 2025 年综述指出：游戏环境代表了世界模型研究的理想实验台，提供了受控但复杂的领域，要求对物理、因果关系和交互动力学有精深理解。

游戏作为训练场的优势具体体现在四个方面：

1. 数据天然带标注：每一帧游戏画面都对应玩家操作输入（向左、跳跃、开火），形成完美的 Observation-Action Pair。相比之下，训练自动驾驶世界模型需昂贵传感器、精密标注团队及漫长路测。训练游戏世界模型，数据自动生成。Google DeepMind 训练 Genie 时使用了超 20 万小时公开互联网游戏视频，精选出 680 万个 16 秒片段。这些数据无需人工标注，因为游戏本身就是最好的标注器。
2. 物理规则显式化：游戏包含重力、碰撞检测、流体模拟等。游戏世界模型学到的“球会下落”“墙会阻挡”“水会流动”，与物理世界共享深层因果结构。尽管游戏物理是简化的（以维持 60 帧运行），但这种简化恰好提供了课程学习（Curriculum Learning）的起点：先在简单物理中掌握基本规则，再逐步迁移至复杂真实世界。
3. 规模惊人且持续增长：Steam 平台拥有超 10 万款游戏，全球每日产生数以亿计的游戏进程。Medal.tv 每年从 1,000 万用户处收集超 20 亿条游戏片段。这一数据量级是自动驾驶或机器人领域难以企及的。
4. 预定义的动作空间：手柄按键与摇杆、键鼠组合，构成了将人类意图压缩为离散/连续动作信号的通用接口。这一特性为后续从虚拟到物理的迁移奠定了基础。

这种关系是双向的。游戏不仅是世界模型的训练场，游戏本身也亟需世界模型。传统游戏引擎依赖手工编写的物理规则和脚本化 NPC 行为树，存在明显天花板：NPC 巡逻路线固定，物理引擎按预设参数计算，交互可能性需开发者预先编码。若世界模型能替代硬编码规则，让 NPC “理解”情境而非执行脚本，让物理 “涌现”而非计算，游戏体验的上限将被根本性改写。

因此，当 2024 年世界模型从论文走向可运行原型时，游戏成为第一个且最密集的试验场。

神经网络玩 DOOM：从论文到可玩原型

2024 年是世界模型从概念验证跨入可交互原型的分水岭，多个标志性系统集中涌现，均以游戏为证明舞台。

最具代表性的案例是 Google Research 的 GameNGen。该团队用神经网络完全替代了《DOOM》（1993）的游戏引擎。GameNGen 能以 20 帧/秒的速度实时生成 DOOM 画面，玩家按下方向键，模型预测下一帧视觉输出。无传统渲染管线、无光线追踪、无碰撞检测算法。怪物移动、子弹轨迹、门开关状态，全部编码在神经网络参数中。

DOOM 物理规则简单，画面粗糙，但让神经网络完整“理解”其运作并实时生成一致视觉输出，仍是重大突破。它证明了一个原理：游戏引擎的逻辑可以被学习，而不必被编程。局限在于：仅能运行 30 年前的 DOOM，记忆窗口仅 3 秒，离开房间再返回，场景可能已发生变化。

（来源：arXiv）

同年初发布的 Google DeepMind Genie 系列代表了另一条路线：不从已有游戏训练智能体，而是从视频中学习生成全新可交互世界。李飞飞创办的 World Labs 也沿此路径推进：不仅生成视频，更生成具有空间结构、可进入和编辑的 3D 世界。

初版 Genie 为 110 亿参数模型，首次实现从无标签互联网视频中无监督训练生成式交互环境。训练数据来自超 20 万小时公开游戏视频，精选出 680 万个 16 秒片段。输入图片（照片、草图或文字描述），即可生成可用虚拟手柄操控的 2D 世界。

2024 年 12 月发布的 Genie 2更进一步，作为自回归潜扩散模型，能从单张图片生成可操控的 3D 可玩环境。DeepMind 官方博客列出了训练中涌现的能力：物体交互、复杂角色动画、物理模拟、光照效果，其中 NPC 行为建模尤为引人注目。模型并非被编程生成 NPC 行为，而是在大量游戏视频中“观察”到 NPC 行动模式，并在生成世界中重现。DeepMind 将 Genie 2 定位为提供“无限课程新颖世界”的工具，用于 AI 智能体训练与评估。但 Genie 2 生成的世界仅能持续 10—20 秒，时间过长则一致性崩塌。2025 年 8 月发布的 Genie 3将窗口延长至约一分钟，Waymo 已将其用于自动驾驶仿真。进步显著，但一分钟仍显不足。

入局者：游戏公司与游戏数据公司

尽管 2024 年的成果距“完全可用”尚有距离，但一事已确证：世界模型可从游戏视频中学会“世界如何回应动作”。这意味着游戏录像不仅是娱乐内容，更是训练数据，甚至是最高效的训练数据之一。

同期，具身智能迅猛发展，四足机器人、人形机器人、自动驾驶均急需更好的训练数据与仿真环境。这两条线在 2025 年交汇：世界模型需要大规模带动作标注的视频数据，具身智能需要世界模型来理解物理世界。处于这一交叉点的，正是游戏公司与游戏数据公司，资本迅速做出反应。

最具代表性的样本是 General Intuition (GI)。2025 年 10 月，游戏录屏平台 Medal.tv 创始人 Pim de Witte 拒绝了 OpenAI 高达 5 亿美元的收购要约，转而创立 GI，由 Khosla Ventures 和 General Catalyst 领投 1.34 亿美元种子轮。

八个月后，A 轮 3.2 亿美元到账，估值达 23 亿美元，累计融资 4.54 亿美元。GI 的叙事简洁有力：游戏数据是训练世界模型的最佳预训练数据。Medal.tv 每年从 1,000 万用户处收集超 20 亿条游戏片段，每条均含完整玩家操作记录（哪一帧按何键、摇杆指向何方）。De Witte 称：“我们将此视为预训练的下一阶段。”

图丨 Pim de Witte（来源：Dutch News）

GI 演示了一个对比：同一模型骨架，一边能连续打 100 小时类《堡垒之夜》射击游戏，另一边仅用 8 分钟街道视频数据驱动四足机器人行走。

Khosla 指出，世界模型的关键飞跃在于“直觉”的涌现——模型并非执行规则，而是在“理解”世界如何运转。但需注意：GI 目前最大的不确定性在于迁移故事。从游戏到机器人的迁移曲线陡峭程度，尚无公开的、经同行评审的技术论文佐证。

KRAFTON（《绝地求生》开发商）选择了更具象的路径。这家韩国游戏巨头于 2025 年宣布转型为“AI-first 公司”，投入约 1,000 亿韩元建设专用 GPU 集群，成立 AI 子公司 Ludo Robotics，并于 2026 年 3 月与韩华航空航天签署合作备忘录，联合开发物理 AI 技术并计划成立合资企业。

KRAFTON 官方新闻稿强调：“KRAFTON 在运营大规模游戏数据和基于物理的虚拟世界方面积累的经验，是训练和验证物理 AI 软件的核心资产。”这几乎是一家游戏公司能给出的最明确战略声明：我们的游戏能力就是 AI 能力。

虚拟世界中的物理模拟、大规模玩家行为数据、实时渲染和状态管理，这些曾被视为“游戏技术”的东西，现被重新定义为训练和验证物理 AI 的基础设施。韩华航空航天 CEO 回应称：“我们与 KRAFTON 的合作将在物理 AI 和未来防务领域提供新的范式标准。”从游戏到国防，中间仅隔一个世界模型。

除上述公司外，NVIDIA和 腾讯是赛道上无法绕开的两大玩家。

NVIDIA 并未止步于单一世界模型，而是搭建平台。Cosmos被定位为“物理 AI 世界基础模型平台”，是一套构建、训练和部署世界模型的基础设施。NVIDIA 将世界模型定义为“世界的数字孪生”，核心应用锁定在机器人训练。配合 Isaac Sim（基于游戏引擎技术的机器人仿真平台），NVIDIA 构建了从游戏引擎到世界模型再到物理机器人的完整工具链。

值得注意的是，Cosmos 的主要采用方多为具身智能公司而非游戏公司。游戏引擎与技术正被重新包装为物理 AI 训练基座，游戏公司积累几十年的资产（实时渲染、物理模拟、大规模并发）正获得超越娱乐产业的战略估值。

腾讯作为全球营收最高的游戏公司，手握三样稀缺输入：
1. 混元大模型体系（多模态 + 视频 + 3D 生成）。
2. AI 人才团队及算力基础设施。
3. 全球游戏公司中最深的股权网络（100% 控股 Riot、Supercell，持有 Epic 约 40%、KRAFTON 约 13.5%、FromSoftware 约 16%，加上天美、光子等自研工作室及《元梦之心》等 UGC 平台）。

前述“入局者”中，多个背后有腾讯身影。但腾讯的世界模型目前更偏向“for human”（为开发者和创作者生成内容），尚未像 KRAFTON、GI、NVIDIA 那样将“用世界模型训练机器人”作为明牌战略。腾讯是否会从内容侧跨越至具身侧，是未来关注重点。

这些案例指向同一判断：谁掌握了让 AI 理解物理世界的能力，谁就掌握了下一个计算范式的入口。而在所有可能的训练路径中，游戏正在成为共识性的起点。

从虚拟到物理：机器不必像人

最后，回到一个看似疯狂但逻辑自洽的设想。

谈论“用游戏数据训练机器人”时，易陷入思维定式：机器人应长成人形、像人一样行动，故需用人类行为数据训练。但这忽略了一个深层事实：

手柄、方向盘、键盘鼠标，是人类几十年迭代出的“把意图压缩成通用动作信号”的接口。

一个游戏手柄拥有两个摇杆、十几个按键、两个扳机。通过这套接口，玩家可控制人形角色在《艾尔登法环》中翻滚、格挡、攻击；可控制赛车在《GT 赛车》中过弯、加速、漂移；还可控制直升机在《GTA》中起飞、悬停、降落。同一套动作空间，映射至截然不同的物理系统。

这意味着：“人用手柄做了什么”的数据，本质上是一种与具体形态无关的意图-动作对。

若世界模型能从海量游戏录像中学会“人类意图如何映射到环境变化”，它学到的不是“如何操控特定角色”，而是“如何在动态系统中实现目标”。

这是 General Intuition 的核心赌注，也是将“游戏”与“机器人”这两个看似无关领域焊死在一起的关键一环。机器人不必长成人形，不必用两条腿走路。它只需能将意图转化为动作，而这种转化能力，可从几十亿条“人类通过手柄控制虚拟物理系统”的数据中学到。

从 Kenneth Craik 脑中的“小尺度模型”，到 Ha 和 Schmidhuber 让智能体在梦境中学习赛车，到 Google 神经网络替代 DOOM 引擎，再到 General Intuition 用游戏录像训练四足机器人，这条脉络之所以成立，并非因为某一环节单独突破，而是因为人类过去 80 年一直在做同一件事：基于对世界的观察和经验，构建内部模型，预测下一步，然后行动。

Craik 在 1943 年便洞察此理。他写道：“只有这种内部现实模型，这个工作模型，才能让我们预测物理世界中尚未发生的事件，这个过程节省了时间、成本，甚至生命。”

如今，同样的过程正从碳基生命迁移至硅基系统。而这个迁移的练习场，因数据的密度、交互的丰富性、物理规则的可控性及失败代价的可逆性，正是游戏。

一位享年 31 岁的苏格兰心理学家在 1943 年洞察到的真理，在 80 年后正被写成代码、训练成参数、部署到机器人身上。他未及见证这一天，但他的那个“小尺度模型”，或许正在演变成一个越来越大的世界。

---

参考资料：

1. https://arxiv.org/abs/1803.10122
2. https://dl.acm.org/doi/10.1145/3720473
3. https://arxiv.org/abs/2405.12399
4. https://techcrunch.com/2026/06/18/general-intuition-raises-320m-series-a/
5. https://naavik.co/deep-dives/hello-world-models
6. https://www.notboring.co/p/world-models
7. https://www.quantamagazine.org/world-models-an-old-idea-in-ai-mount-a-comeback-20250923/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成