思想基石

第一块基石：Craik 的微型模型（1943）

英国心理学家 Kenneth Craik 在二战期间写下了一本薄薄的书《The Nature of Explanation》[1]。他提出了一个超前于时代的想法：

"如果有机体在颅骨内携带了一个外部现实的'小尺度模型'，它就能在应对紧急情况之前预先试验各种可能性。"

Craik 认为，大脑不是被动接收刺激、被动输出反应的黑盒，而是主动维护一个内部模拟器。这个模拟器可以"快进"未来、"回放"过去，让生物在真实代价发生之前就筛选出最佳行动。

感知输入内部模型，内部模型生成预测并引导决策，预测误差反过来修正模型。

遗憾的是，Craik 在 1945 年的一次自行车事故中去世，年仅 31 岁。他的思想沉寂了数十年，直到认知科学和神经科学的兴起，才重新被人们发现。

---

大脑的预言机制：预测编码（1990s）

1990 年代，神经科学家开始用**预测编码**（Predictive Coding）来解释大脑的工作方式。

核心思路出人意料地简单：

大脑不是在"看"世界，而是在预测世界，然后只处理"预测错了的部分"。

视觉皮层并不是老老实实地把每一个像素从眼睛传到大脑，那太耗能了。相反，大脑高层持续向低层"下发预测"，低层只需要把预测与实际感官信号的误差往上传。

如果你走进一个熟悉的房间，大脑几乎不需要处理任何信息，因为一切都在预期之内。但如果椅子换了个位置，那个"错位"的信号会立刻被放大、引起注意。

这个机制解释了为什么我们对变化如此敏感，对熟悉的背景又如此健忘，预测准确的部分被压缩掉了，只有误差才值得关注。

---

控制理论的洞见：内模原理（1960s）

几乎同一时期，控制工程领域也独立发现了类似的思想。1960 年代，内模原理（Internal Model Principle）被正式提出：

要实现对某个系统的完美控制，控制器内部必须包含该系统的一个模型。

这听起来像是工程术语，但直觉极其清晰：自动驾驶汽车要在弯道上保持车道，它的控制算法必须"知道"车辆在弯道上的动力学行为，不是靠反应，而是靠预判。

这条原理在机器人、航天器、经济模型中无处不在，也成为后来强化学习中"基于模型的方法"的理论根基。想控制某件事，先得理解它，内模原理把这句常识变成了数学上的必要条件。

---

一个容易混淆的问题：广义 vs 狭义世界模型

在真正进入历史叙事之前，有一个概念边界必须先说清楚，因为后面的每一个例子都会涉及它："世界模型"这个词，在不同语境下指的不是同一件事。

广义世界模型：只要能预测，就能叫

广义地说，任何能预测"接下来会发生什么"的模型，都可以被称为世界模型。

• 语言模型预测下一个 token（语言模型处理文本的基本单元，可以是一个词、一个字或一个子词片段），属于广义世界模型
• 视频生成模型预测下一帧，属于广义世界模型
• 天气预报模型预测明天气温，属于广义世界模型

按照这个定义，Veo、Genie、Cosmos 都可以放进"世界模型"这把大伞下。它们确实在某种意义上学到了世界的统计规律：光影如何变化，物体如何运动，场景如何演进。

狭义世界模型：必须是 action-conditioned

但在机器人学和强化学习（RL）的语境里，"世界模型"有更严格的含义：它必须以动作为条件。

不只是"下一帧长什么样"，而是"我做了这个动作之后，世界会怎么变"。用公式表达：

$$p(o_{t+1}\mid o_t,a_t)$$

📖 下标约定：公式中的下标 t 表示时间步（time step），是一个离散的计数器：t=0 是第一步，t=1 是第二步，以此类推。$o_t$ 读作"时刻 t 的观测"（observation），$a_t$ 读作"时刻 t 的动作"（action），$o_{t+1}$ 读作"下一时刻的观测"。这套下标记法贯穿整个课程：凡是带 t 下标的变量，都指该时间步的值；带 t+1 的，指下一步的值。

这里 a_t 是智能体在时刻 t 执行的动作。这一个条件的存在，让世界模型从"旁观者"变成了"参与者"，它不仅能告诉你世界会怎样，还能告诉你你的选择会带来什么后果。

广义世界模型是个预言家，告诉你"未来会发生什么"；狭义世界模型是个顾问，告诉你"如果你这么做，未来会发生什么"。机器人需要顾问，不只是预言家。

三个实用分类问题

面对一个具体的模型，可以用三个问题快速判断它属于哪种世界模型：

分类维度	选项	代表系统
预测什么？	像素 / 原始帧	视频扩散模型
	latent 向量（网络内部低维压缩表示）	Dreamer（一种在潜在空间训练策略的强化学习系统，详见 L02–L03）、RSSM（Dreamer 的动力学核心，详见 L02）
	结构化状态（不含像素，只保留决策所需信息）	MuZero、TD-MPC
	动作本身（从视频自动推断的 latent action）	Genie
是否接受动作？	不接受 → 被动视频预测	Veo
	接受给定动作 → 可控仿真	Dreamer、世界模型机器人
	自己学动作 → latent action	Genie
服务什么目的？	生成内容（视频、图像）	Veo
	评估策略 / 反事实仿真	自动驾驶测试
	在梦境中训练 policy	Dreamer、Ha&Schmidhuber
	理解物理、迁移知识	JEPA、基础世界模型

这门课程聚焦的是狭义世界模型，action-conditioned、可以用于规划和 policy 学习的动力学模型。

Ha & Schmidhuber (2018) 的世界模型三模块结构：V 将高维像素压缩为低维潜在向量 z，M 以 z 和动作 a 为条件预测下一个 z，C 从 z 和 M 的隐状态直接输出动作。这个框架把感知、预测和决策三个职责清晰分离，后来的 RSSM 和 Dreamer 均以此为基础发展而来。