“世界模型”（World Model）通常指智能体在脑中或参数中学到的、用于预测环境如何随时间演化并据此做出决策的内部表征与机制。直观上，它像一个“心智模拟器”：给定当前情境与可能的动作，想象未来会发生什么，从而支持规划、推理与学习。
核心要素
- 状态表征：对环境关键信息的压缩表示，常为潜在变量（latent state）。
- 动态/转移：描述状态在动作作用下如何变化的函数（预测下一步或多步）。
- 观测模型：从潜在状态生成可观测数据（图像、文本、传感器读数等）。
- 奖励/成本：定义任务目标，用于评估或优化策略。
- 不确定性与因果：对噪声、未知与因果结构的建模，支持反事实推理与稳健性。
它能做什么
- 预测与想象：在“脑中”做滚动模拟（rollout），无需真实试错。
- 规划与控制：基于模型做搜索或 MPC（模型预测控制），挑选最优动作序列。
- 学习提效：用想象的数据训练策略（Dyna-style、Dreamer 等），显著减少真实交互数据需求。
- 反事实与泛化：问“如果…”并迁移到新任务或新环境。
主要类型
- 显式符号/因果模型：规则、图结构、结构方程模型。
- 神经/潜变量模型：VAE、RNN/Transformer、RSSM、扩散模型等学到的隐式世界动力学。
- 混合式：神经表征 + 可解释的因果/物理先验。
- 确定性 vs. 概率式；短视野局部模型 vs. 长时程全局模型。
应用场景
- 强化学习与机器人：基于模型的 RL（如 MuZero、Dreamer 系列）、MPC、样本高效控制。
- 生成建模与视频预测：通过学习时空动力学生成连贯视频或多模态序列。
- 语言与认知：LLM 在统计上内化世界规律，被称为“隐式世界模型”；结合工具与环境交互可增强“落地性”（grounding）。
- 神经科学与控制：前馈/逆向内部模型、预测编码、身体图式。
优势与挑战
- 优势：样本效率高、可规划、可安全测试、支持反事实与解释。
- 挑战：模型偏差与误差累积、分布偏移、表示学习难、长期信用分配与因果泛化。
- 常见缓解：不确定性与集成、短地平线 MPC、价值感知的模型学习、主动探索、约束与物理先验、因果发现。
典型构建流程（面向 RL/控制）
- 收集交互轨迹；2) 学习潜在状态与动态（序列模型/Transformer/RSSM）；3) 学观测解码与奖励/成本；4) 以预测损失和下游任务目标联合训练；5) 用模型做规划（MPC、树搜索）或在想象中训练策略/价值（Dreamer 式“想象学习”）；6) 持续修正模型以降低偏差。
评价方式
- 预测质量：似然/误差、多步滚动稳定性与校准。
- 控制表现：任务回报、样本效率、鲁棒性/泛化与反事实一致性。
- 可解释性与安全性：对关键因果因素和不确定性的把握。
一句话总结 世界模型是让智能体“在脑中先试一遍”的内部模拟器：用来预测、计划与学习，从而以更少的真实试错完成更复杂、更安全、更高效的决策与生成。