如果没有世界模型，AI在处理物理任务时会面临什么问题？

让 AI 把“桌上的杯子向前推一点”，听起来像一个简单动作，真正执行起来却远比说出这句话复杂。它必须知道杯子在哪里、桌边在哪里、手从哪个方向靠近，还要预估推力会让杯子移动多少。没有世界模型，AI可能理解了指令，却无法可靠判断动作会把现实带向什么结果。

看懂物体，不等于懂得怎么操作

语言模型可以知道“杯子容易摔碎”，也能生成“请轻拿轻放”这样的建议，但这不代表它能根据当前画面决定手指该移动多远、施加多大力量。它可能识别出杯子，却忽略杯子已经靠近桌边；也可能看到了障碍物，却没有把遮挡、距离和碰撞联系起来。

问题的核心在于，物理任务不是一次性的识别题，而是连续变化的预测题。机器人推开一个物体，周围物品可能跟着移动；机械臂抓起杯子，杯子的姿态可能改变；移动设备转过一个弯，原本看不见的障碍物可能进入路径。没有对空间、时间和因果关系的内部表示，AI就容易停留在“描述当前画面”的层面。

失败不只是答错，而是造成后果

文本回答错误，通常只需要重新提问；物理操作错误，则可能打翻物品、撞到障碍，甚至带来安全风险。更麻烦的是，现实环境不会像文字题那样把条件写清楚。光照、遮挡、桌面是否平整、物体材质和重量，都可能改变动作结果。

因此，没有世界模型的系统往往更依赖固定规则或即时反应。环境一旦出现变化，它就可能继续执行原计划，而不是重新评估。它也许知道“先拿走挡路的东西”，却未必能判断推动这个东西会不会让旁边的物体掉落。

语言理解与现实行动需要分工

这并不意味着语言模型没有用处。它可以理解“把蓝色杯子放到水槽旁边”这类目标，拆分任务并安排顺序；世界模型则需要判断这条路径是否可行、抓取动作会带来什么变化；控制系统再依据传感器反馈，及时修正动作。

所以，世界模型的价值不在于让 AI 更会说，而在于让它行动前进行一次现实预演：如果我这样做，物体会怎样移动，环境会怎样变化？没有这层预测，AI或许能给出漂亮的计划，却很难稳定地把计划变成安全、有效的动作。