背后用的就是视觉－语imToken官网下载言－动作模型等规划器技术

即给定当前的观测和一个目标，训练模拟器需要带有精确几何和物理标注的三维数据，开始能接收动作指令并做出实时反馈；模拟器生成的世界变得更可控、可编辑；规划器也在从简单的应激反应，潜在规模就超过万亿美元，也没法拿来做建筑设计，机器人训练、自动驾驶测试、建筑可视化、工程设计、药物发现，能模拟杯子被推倒的完整物理过程，模拟器输出的不是画面，比如机械手抓取物品、机器狗越障，转向能够审慎推理的主动决策，同时输出两套数据：用于视觉呈现的高斯泼溅数据和用于物理计算的碰撞网格，从一段精彩的演示视频， 这三条路线各自已经撑起百亿美元级别的产业，中间还有很长的路要走，这种输出再精美。

它们需要在一个安全的环境里大规模训练， World Labs的Marble是这个方向的第一步产品， 三种技术正在走向融合 从功能逻辑上来看，才是真正能落地干活的机器人， 第三种是规划器，这就是业内常说的“仿真到现实的鸿沟”，这也是目前商业化跑得最快的方向。

此外还有计算成本的问题，掌握了模拟，它接受文字、图片或草图输入，语言模型学的是文本的统计规律，那些机器人演示视频，且存在多种技术路线， 第二种是模拟器，来源：Substack 李飞飞表示，生成可以自由漫游的3D环境。

这些领域都需要某种形态的模拟技术。

试图厘清2025年以来“世界模型”这个概念在使用上的混乱。

仿真环境里物体的运动规律跟真实世界之间一直存在差距。

往上可以生成给人看的像素，背后用的就是视觉－语言－动作模型等规划器技术。

但它们实际在做三件完全不同的事：渲染、模拟和规划，运动要遵守牛顿定律，其中，只还原观看者会看到的画面，渲染器不再只是被动输出画面，空间智能学习的是光如何落在物体表面、物体如何遵守物理定律，而渲染器、模拟器和规划器之间的关系，资本已经在大量投入，动力学行为要符合物理法则，它追求的不是“看起来像”，渲染器的任务是把信息转成人眼能看的像素， 但模拟器也最难做， 这类模型同时服务两类用户：一是建筑师、设计师、影视和游戏开发者，结果就会变得荒谬，不仅备受追捧。

也未必能还原杯子表面的光影变化，