8月28日，世界模型不是文生视频模型的新名字，而是让智能体能够“在行动之前预演后果”的内部模拟系统。一个完整的世界模型至少要完成三件事：从多模态观测中形成对当前世界状态的表征；预测世界自身以及在不同动作干预下的状态变化；支持智能体比较不同动作路径并作出决策。仅能生成逼真视频、却无法接受动作输入和支持规划的模型，只能称为具有“世界先验”的生成模型，尚不能视为完整的可执行世界模型。

世界模型不会收敛到单一技术路线，最终形态将是生成模型、潜空间动力学、物理仿真和因果结构的混合架构。视频生成模型解决数据扩增与场景覆盖问题，JEPA和潜空间动力学解决低成本状态预测和规划问题，CAE、数字孪生及物理引擎解决精度、安全与可验证性问题，因果模型则试图解决分布外泛化和主动探索问题。未来工业世界模型不会以“纯神经网络取代传统仿真”的方式发展，而将形成“机理模型提供边界、神经网络学习残差、实时数据校正状态、智能体执行闭环控制”的融合体系。

当前世界模型已经跨过技术概念期，但仍处于垂直场景商业化初期，而非通用物理智能成熟期。2025年以来，V-JEPA2已展示新环境中的零样本机器人规划，Genie3可实时生成可交互环境，Cosmos3开始将视觉推理、世界生成和动作生成统一到同一物理AI基础模型中。但这些进展主要证明模型能够“理解、模拟和短程控制”，距离复杂开放环境中的长期稳定运行仍有显著差距。

我们预计物理AI的第一轮商业化会发生在流程工业、工程仿真、汽车、仓储物流和建筑施工等高价值、半结构化场景。这些场景具有任务边界清晰、数据可持续回流、错误成本可以量化、既有自动化系统可直接承接模型输出等特点。2024年全球工业机器人新增安装量达到54.2万台，在役量达到466.4万台，中国占全球新增安装量的54%，为物理AI提供了现成的传感器、控制器、机器人本体和生产数据基础。