世界模型——AI尚未理解的真实世界

读完的第1016本书，非常独到的视角，非常精彩的论述，非常严密的推理，对AI尚未理解且无法感受的真实世界，构建了一套世界模型，以及未来AI的职业发展机会，七星推荐。 高承实所著的《 世界模型——AI尚未理解的真实世界》，核心探讨的是当前人工智能（尤其是大语言模型）看似“全能”，却在现实物理与社会互动中频频犯低级错误的根本原因：世界模型的缺失。 全书从一个反直觉的问题切入——为什么越“聪明”的AI，越容易在现实里犯傻？作者指出，大模型本质是概率统计与模式匹配，虽能妙笔生花、对答如流，却不懂重力、因果、时间不可逆性及社会潜规则，是缺了“常识”的聪明鹦鹉。书中举了生动案例：用户请教AI修漏水洗衣机，AI秒回“用力撬开后盖”，导致卡扣式塑料后盖直接裂开——因为AI没“摸”过塑料，感受不到形变极限。 接着，书中拆解了AI认知的“五个断层”：包括物理失感（如硬撬洗衣机后盖）、情境盲视（不懂深夜不宜吵醒主人）、动机漠然（读不懂文字背后的情感）、规则僵化（忽视执行成本）、风险钝感（不知身体疼痛的代价）。人类智慧靠身体（触觉/痛觉）、社会（心智理论）、想象（语言模拟）搭建认知，AI 试图跳过前两者仅靠文本反推世界，导致结构性错位。书中提到婴儿“勺子实验室”：扔勺子不是在捣乱，是在建立底层因果直觉；AI只读过“重力”词典，却未见勺子落地。 对此，作者介绍杨立昆的 JEPA（联合嵌入预测架构），主张让 AI 在潜在空间里预测“下一件事”而非“下一个词”，相当于装“思维刹车”，行动前先脑补后果。强调需注入“疼痛、代价、模拟”三大基石：传感器将物理损伤设负奖励（疼）、策略网络在真实博弈得负反馈（代价）、JEPA式因果推演（模拟）。 书中还专门论述了未来AI职业发展，指出随着世界模型成为下一代AI的核心底座，相关职业版图也将发生根本迁移。未来高价值岗位将从“数据清洗与模型训练”转向“场景设计与规则定义”，包括：因果工程师（主攻打破当前大模型“只知相关、不知因果”的统计困局，为AI系统植入物理直觉与因果推导链条）、场景架构师（专注于将真实世界中复杂、高密度且充满潜规则的具体场域转化为AI可模拟、可理解的“规则世界”与沙盘，为AI搭建预演环境），以及价值对齐设计师（解决AI“功能正确但情境荒谬”的痛点，专门定义AI不可逾越的代价底线与伦理边界，将人类模糊的社会共识、道德判断及风险代价，翻译成AI能够执行的硬性约束）。 书中强调，AI擅长数据处理与快速响应，但人类应把守真实世界理解、价值判断与代价定义；在中国高密度、多人情复杂（如杭州万塘路外卖骑手“S形走位”）的真实场景中，有望孕育出世界模型的“中国方案”。 总的来说，这本书不是制造焦虑，而是帮读者建立更清醒的认知框架：看清 AI 的能力边界，理解“懂世界”远比“算概率”更接近真正的智能，从而学会与 AI 协作而非误用，同时也为个人在AI时代的职业定位提供了明确的导航。

这本书不仅是一本硬核的人工智能科普书，更像是一面照妖镜，恰好映照出了笔者研究的“中国式组织管理本体论”在当今AI时代的极端重要性。 这本书的灵魂拷问在于：现在的AI（主要指大语言模型）真的理解世界吗？ 高承实在书中提出了一个极具穿透力的观点：目前的AI发展陷入了“唯数据论”和“唯算力论”的误区。大模型本质上是在一个庞大的高维向量空间中进行概率计算和模式匹配。它能写出优美的诗歌，能写出复杂的代码，但它不理解因果律，不理解时间的不可逆性，不理解物理世界的重力，更不理解人类社会的道德底色。 简而言之，当前的AI是一个极其聪明的“鹦鹉”，它能模仿人类说话，但它脑海里并没有一个真实的“物理世界模型”。 这本书的三大核心价值：一是戳破了AI的“全能泡沫”。它告诫我们，不要把AI神化，AI目前缺乏真正的“常识”和“推理能力”。 二是重新确立了“世界模型”的地位。真正的智能，必须是在大脑中建立一个符合物理规律、能够进行因果推演的模型。 三是道破了人机共生的本质。AI擅长处理海量数据和快速响应（对应OODA循环中的Observe和Decide），但人类必须牢牢把控对真实世界的理解与价值判断。 这本书对笔者构建“中国式组织管理本体论”的四大借鉴 借鉴一：警惕“大模型式管理”，确立本体论的“不可撼动性”。 现在很多企业搞数字化，容易陷入一种误区：以为把所有数据喂给AI，AI就能自动给出最优解。这在书中被称为缺乏“世界模型”的AI行为。 在建立中国式组织管理本体论时，必须明确划定“AI不能逾越的底线”。 中国式本体论的锚点是：传统文化中的“仁义礼智信、家国情怀”是信仰之基，“天人合一、阴阳平衡”是思想法门，“道生一，一生二，二生三，三生万物”是进化方法论，这就是中国企业组织管理的“物理定律”和“因果律”。 AI可以提供无数种“术”的选择（比如裁员降本、营销话术），但中国式组织管理的本体论必须充当“过滤器”和“价值观底座”。没有本体论的AI大脑，就是一个精致的利己主义冷血机器。 借鉴二：从“概率拟合”走向“因果透视”，提升AI大脑的洞察力 当前的大模型是基于过去的数据预测未来（概率拟合），而《世界模型》强调的智能是基于规则推演未来（因果透视）。 中国式管理讲究“治未病”和“见微知著”。不要迷信AI给出的“大概率事件”。例如，AI可能基于数据建议您削减研发预算以提高短期利润（概率拟合），但本体论会告诉您这违背了“长期主义”和“创新生生不息”的因果律。让企业学会用本体论去审视AI的预测，把AI从“算命先生”升级为“战略参谋”。 借鉴三：补齐时空与具身的短板，打造有温度的“中国式AI大脑” 。 书中提到，现在的AI缺乏“具身智能”（Embodied AI），它没有肉体，感受不到冷暖，无法理解真实世界的复杂约束。 西方管理往往偏向冷冰冰的科层制和KPI（类似纯代码的运行逻辑），而中国式管理最大的优势在于“人情”与“关系”的动态平衡。 将中国传统文化中的“阴阳平衡”、“中庸之道”定义为组织的“时空约束条件”。AI大脑在做决策时，必须把“员工士气”、“团队氛围”、“社会声誉”这些难以量化的“具身感受”纳入本体论的考量范畴。这正是中国智慧超越西方纯理性管理的护城河。 借鉴四：拥抱OODA循环，建立“动态校准”机制。 书中的“世界模型”并非一成不变，它需要不断地与现实世界交互、试错、更新。本体论不能是僵化的教条，它必须在真实的商业战场上接受打磨。 当AI大脑在真实业务中遭遇挫折（Action后的反馈）时，组织不能盲目归咎于执行层，而要回过头来审视：是不是我们的“中国式本体论”在某些特定场景下过时了？是不是我们对“忠诚”的定义需要随着新生代员工的价值观进行微调？让本体论像生物进化一样，具备自我更新的生命力。 总之，很多企业以为引进了大模型，就有了AI大脑。但在高承实先生看来，这只是给大脑装了一个极其强大的‘搜索引擎’；而我们要做的，是注入中国传统文化的‘世界观’和‘因果律’——也就是中国式组织管理本体论。只有让AI听懂‘仁义’，看懂‘时势’，推演出‘福祸相依’的因果，我们才能真正驾驭这个时代，而不是被算法异化。”

这本书真会来看AI味太浓了，感觉很多内容都是AI生成的。另外就是内容上不是很推荐，实际内容不多，有些应该讲的内容又没有完整介绍。比如全书都在说世界模型，但是没有具体介绍到底什么是世界模型，怎么落地，一直都在讲世界模型是要把物理知识加入模型，让人读起来很虚，有一种告诉你现在有什么问题、要做成什么样子，但是不告诉你怎么做的感觉。

人工智能为何难以解释'身体经验、社会理解与情境判断'的矛盾？ 人工智能在“身体经验、社会理解与情境判断”之间出现矛盾，根本原因在于它只被训练成在各自空间里寻找统计规律，而缺少把三者连成一体的“世界模型”。 1. ​​只学模式，不学因果​​ • 现有系统依靠大量历史数据找出关联，却不知道“如果不这样做会怎样”。在物理场景中，这表现为看见“倾斜的杯子”，却无法推断“如果不扶它就会倒”，因而错过真正的危险窗口。 2. ​​语言信号过载，情境线索不足​​ • 在养老等社会场景里，AI 会优先采信字面语言（“不用管我”），而忽视行为、生理和文化语境，导致把拒绝当成求助或 vice versa。 3. ​​概率输出 ≠ 价值决策​​ • 当系统把“最可能的状态”当作最终答案，就将风险、伦理等价值判断交给人类去补位；一旦人类误读了概率，就会出现“看似合规、实则失守”的决策。 4. ​​缺乏具身经验与社会常识的复合模型​​ • 真正的智能需要把身体性风险记忆、对现实代价的持续计算以及对他人的行为模拟整合起来，而这正是 AI 目前难以形式化和跨域迁移的瓶颈。 综上，AI 在三类能力上的割裂表现，并非算法单一缺陷，而是缺少能够贯通因果、情境与价值的世界模型。只有让系统“知道何时不知道”，并在人类与机器之间清晰划分边界，才能缓解这三方面的矛盾。

《世界模型》是一剂戳破AI“全能幻觉”的清醒剂。作者直指大模型的阿喀琉斯之踵：它精于统计概率，却严重缺失对物理因果与社会情境的底层建模。 全书通过“洗衣机维修”“无人配送”等鲜活案例，深刻揭示了AI在具身经验、风险感知与动机理解上的结构性断层。它让你看清：为何AI能写诗却算不出“人情世故”，能生成代码却避不开现实陷阱。 这不仅是一本技术科普，更是一本人机共生时代的生存定位手册。它提醒我们，人类的护城河不在于比拼算力，而在于我们拥有的真实世界体验与代价判断力——这正是AI尚未理解、也最难复制的核心价值。

《世界模型——AI尚未理解的真实世界》的核心观点可以概括为“补上世界模型这一课，AI才能真正落地”。具体脉络如下：1. ​**​问题提出：AI越来越“聪明”，却频频在真实世界犯低级错误。根源是缺少对物理、社会与情境的内在表征——世界模型。2. ​​世界模型缺位的三大表现​​ • ​​身体经验​​：不会感知摩擦、重力等物理规律； • ​​社会理解​​：不懂人与人之间的规范与尊严； • ​​情境判断​​：无法综合多模态信息做可靠决策。3. ​​“唯数据/唯算力”误区​​ 作者指出，仅靠大规模参数和海量数据无法自动涌现真正的理解；世界模型缺失才是AGI进展缓慢的根本障碍。4. ​​场景化智能而非通用全能​​ 书中主张：与其追求一个全能模型，不如在每个关键场景里打造“深度敬畏”的专用智能，它们不求无所不知，只求在自己边界内“不犯致命错误”。5. ​​结构性盲区与风险​​ 作者总结了四类世界模型的系统性风险：数据覆盖盲区、反事实缺失、人类变量缺席、责任边界模糊。如果把模型输出当成绝对真理，人类将失去校正的机会。6. ​​制造业案例：72小时寿命预测被材料批次颠覆​​ 在工业场景中，模型因未纳入上游材料批次这一变量，给出了高置信度却错误的预测；凸显了世界模型在复杂系统中的脆弱性与治理必要性。7. ​​中国路径：务实的“场景锚定”​​ 相比“规模至上”的路线，中国更强调“为场景打磨AI”。现有模型在物理预测上已显价值，但在涉及复杂价值权衡的认知能力上仍处早期阶段。8. ​​方法论：世界模型的“三重飞轮”​​ • ​​世界速写本​​（表征）：把感官洪流提炼成因果草图； • ​​脑内沙盘​​（推演）：在抽象空间进行“如果…那么…”的模拟； • ​​手脚验证​​（闭环）：用行动结果反哺模型，形成自我强化循环。9. ​​未来展望与治理建议​​ • 把世界模型与大语言模型结合，形成“双脑协同”； • 在关键高风险场景强制人工复核、降低单一信号权重、引入不确定性提示； • 让AI“看得远”但不“替人类决定方向”，真正成为增强智能而非替代智能。通过上述论证，作者希望为读者提供一套清醒的认知框架：AI有其擅长与局限，世界模型的构建是通向真正智能的必经之路，而治理与场景化实践是当下最务实的选择。

木铎书评之《世界模型》 随着最近几年AI的爆火，大家都对生成式AI多多少少有了一些了解，所以大家在认识到生成式AI给智力工作带来的巨大影响之后也开始逐渐意识到生成式AI的短板。 生成式AI在使用过程中最令人诟病的短板就是它经常会出现幻觉，并且会忽视我们都知道的常识。有一个著名的笑话，问一个最先进的大语言模型最近的一个洗车店距离我家五百米并且现在路上很堵，我应该是开车去还是走路去，这个大语言模型一本正经地建议你走路去，因为路上很堵，开车浪费时间。这之所以是个笑话是因为我们用常识推理都能知道洗车当然要开车去啊，不开车去洗得哪门子的车啊。 为什么大语言模型会经常忽略我们日常生活中的常识呢？对于这个问题有什么应对方法吗？这本《世界模型》要讨论的就是这个问题。按照这本书的说法来说大语言模型之所以忽略常识并且出现幻觉是因为它不知道"怕“和”“疼”，大语言模型的损失函数仅仅考量能不能根据概率产生下一个token，而不是产生的符号是否符合常识，用一个术语来说就是“符号接地性不良” 现在的大语言模型已经可以快速海量地产生文章和代码，但是如果我们利用这些大语言模型去应对物理世界中的问题则会处处碰壁。为了解决这个问题，真正地让大语言模型的泛化能力和推理能力可以应用在具身智能和机器人上，我们就必须解决大语言模型和物理世界的匹配问题。 其实学术界已经有很多人看到了大语言模型的缺陷和短板，从强化学习的开拓者萨顿到卷积神经网络的重要改进者Yann Lecun都质疑过大语言模型是不是正确的技术道路。这个讨论其实一直在持续，学术界的探索也从未停止过。如果大家对这方面的内容感兴趣，我建议大家可以不用读这本书，直接去读论文就好。这本书更像是介绍世界模型的一本科普书。 不过作为一本入门级别的科普书，这本书还是有一定价值的，它能让我们用日常生活的语言来理解现在的大语言模型有什么缺陷。作者高度概括地总结认为现在的大语言模型还做不到像人一样能理解常识，因为它们还不会“怕”，也感受不到“疼”。当然这个怕和疼都是带引号的，子非鱼安知鱼之乐，AI也不是人类，它们也无法具备和人类一样的感情，同时让它们感觉“疼”和“怕”也没那么必要。 如果我们要追问为什么AI不知道“疼”和“怕”，不如追问一下为什么人和动物知道“疼”和“怕”，原因很简单因为自然环境充斥着各种危险，如果一个动物不知道“疼”和“怕”，就无法生存了。人类和其他动物的“疼”和“怕”都是在几十亿年的自然进化中形成的。大自然几十亿年的自然进化和淘汰其实就相当于大语言模型的预训练，而人类和动物能够从经验和模仿中学习到内容就相当于大语言模型通过后训练微调和上下文工程学习到的内容。 理解了生物智能和人工智能在预训练和后训练上的相似性，我们就能理解为什么大语言模型在适配物理世界的时候有问题了，核心问题还是在于人类和AI的预训练内容和过程有着本质上的差别。人类作为灵长类动物的一支在漫长的进化过程中已经掌握了精巧的手指动作能力（如果没有手指的精巧动作，猿猴和猿类就不能在树上辗转腾挪），灵活的运动能力（如果没有长跑能力，早期的人类就无法逃避猛兽和追击猎物），判断其他个人行为和意图的能力（如果没有判断他人情绪，行为和意图的能力，人类就无法维持社群内的交往）等等。 这些能力都是人类在自然界中长期进化出来的能力，就好比是人类在自然进化这个游戏已经刷了几百万年的副本了，自然不是短短几十年的人工智能就能覆盖的，所以才有了莫拉维克悖论：对人类越简单的任务对机器越难，对人越难的任务对机器越简单。其实莫拉维克悖论一点都不难理解，人类觉得简单的任务是因为人类的预训练时间长，比如说精巧的手指动作，人类在自然进化中已经练习了几百万年，让人类觉得难的任务比如说计算长除法是因为这个任务出现的年头太短，人类在进化中还没有形成熟练的技能。 我其实作为一个热爱研究智能进展的人也一直在思考如何让AI能够发展出人类具备的能力比如说用手指叠衣服，或是用机械臂来拿物体。现在的机器人在动作的流畅度和动作的可迁移性上仍然和人类有差距。以前我总是认为要做到这点就需要抛弃现在大语言模型的生成式模型底座，重头发明一套新的机制，但是最近我看的书和GPT6的表现让我对这件事有了新的理解。 最近GPT6在操纵机械臂上的表现相当亮眼，结合我最近看的《智能简史》一书对智能的全新理解，我觉得让大语言模型适配物理世界可能不需要充打锣鼓另开张，完全可以复用现在大语言模型的生成式模型底座。《智能简史》这本书给我最大的启发就是人和其他哺乳动物都是生成式模型，人和哺乳动物的行动之所以比爬行动物敏捷完全是因为我们在行动之前先在大脑中生成一份动作的模拟。 如果让生成式AI适配物理世界，我们可能并不需要改变底层的模型底座，我们只需要改变预训练数据包含的内容和损失函数的计算，就可以让生成式AI知道“疼”和“怕”。比如Yann Lecun的JEPA就是通过改变预训练数据，让预训练数据遮蔽大量的图像内容，然后让模型通过预测被遮蔽的内容学到图片中蕴含的语义。现在的世界模型更多地把机器人的行动轨迹和同步的视频也纳入训练数据，这样就能通过训练让模型预测不同运动轨迹的后果。 当然现在的世界模型还方兴未艾，距离让AI像人一样感知物理世界的各种后果还有遥远的距离，但只要方向对了，就有了更大的成功可能性。同时我建议大家多关注一下现在的一个新兴研究领域:RSI(Recursive Self Improvement)。 人类比其他动物在智能上的优势就在于我们的智能具备一定的灵活性，可以实现根据不同的外部环境做出调整，而这正是人类可以通过少量样本掌握物理世界行动规律的奥秘所在。我相信随着RSI和世界模型等技术的成熟，我们有望真正让AI理解物理世界的限制和规则。

# 代价的所有权：一本诊断书如何照出 2026 年 AI 的结构性欠账 全书围绕一个判断展开：当前 AI 的瓶颈落在世界模型的缺失，而世界模型的建立依赖身体经验、社会理解与情境判断[^1]。这个判断在技术圈已不新鲜。真正值得在 2026 年重估的，是它无意中触到的更硬的东西—— **代价的归属权** 。 这条暗线比"世界模型"这个词本身更有解释力。一个系统之所以能建立因果模型，前提是它承担错误的后果，并且后果能反向修改它的内部表征。今天的 AI 产业把因果学习的成本外部化了：错误由用户承担，风险由保险和免责条款承担，验证由客户的真实生产环境承担，而资本开支由资本市场承担。 **世界模型的缺失是技术现象，代价不可传导才是产业病灶。** 这篇评论沿这条线索往下拆。 --- ## 四个能穿越周期的机制 ### 2.1 代价内化机制：负反馈无法外包 文本证据集中在 2.4、6.5、8.1、9.4（"如何让AI学会'害怕'"）[^1]。机制是这样运转的：人类的物理常识来自不可撤销的负反馈，烫伤一次即完成一次高权重的因果标注，且这次标注同时更新了感知、动作与风险偏好三套系统。当前 AI 的训练信号与后果之间隔着一层：损失函数由人设计，错误由部署方承担，模型不会因为烫到用户而改变自己的内部先验。 这个机制在 2026 年有一组极具讽刺意味的宏观对偶。资金侧，据高盛测算 2026 年全球 AI 资本开支约 7650 亿美元，德勤对 AI 数据中心口径的测算为 4000 亿至 4500 亿美元，瑞银预计接近 1 万亿美元且约九成增量来自内存涨价[^2]。落地侧，Deloitte 的调研显示约 89% 的企业 Agent 试点没能进入生产，Gartner 预计 2027 年前超过 40% 的 Agent 项目会被取消，某些复盘把约 60% 的失败归因于数据质量、上下文缺口与治理缺失而非模型能力[^3]。（这两组数字来自机构与媒体转述，口径不一，作为量级参考而非精确事实。） 万亿级资本在买算力，而失败在数据治理、场景理解和责任边界上。 **算力可以用钱买到，代价结构只能用事故、赔付、停产和人身伤害买到，后者不进入资产负债表，也不进入训练集。** 这是全书最本质的矛盾，作者点到了，但没有算清账。 **失效条件** ：在可无限仿真、错误可低成本赔付的领域（推荐排序、内容生成、代码补全、蛋白结构预测），这一机制不构成约束，规模化仍然有效。凡涉及不可逆物理后果与人身安全的场景，它就是天花板。 ### 2.2 抽象层选择机制：JEPA 路线把难题搬了家，没有消灭它 第4章对 JEPA 的判断在 2026 年获得了产业层面的强化。据多家媒体报道，Yann LeCun 于 2026 年离开 Meta 创办 AMI Labs，以 JEPA 联合嵌入预测架构为技术底座，2026年3月完成 10.3 亿美元种子轮，投前估值 35 亿美元，目标客户指向航空航天、汽车制造、生物医药等对可靠性要求极高的工业领域[^4]。资本已经为"预测抽象表征而非生成全像素"这条路线定了价。 但抽象派有一个不可回避的代价： **丢掉哪些细节，由谁决定。** 预测抽象表征意味着先确定表征空间，而表征空间的选择等价于注入归纳偏置。洗衣机后盖会不会碎，取决于塑料件的应力集中与卡扣结构，这类信息在多数视觉抽象中会被压缩掉。抽象层选对了，样本效率飞升；选错了，模型会自信地预测一个不存在的物理世界。这个问题在学术上被讨论了几十年，换成 JEPA 的说法仍然存在。 **边界** ：抽象表征路线在结构稳定、物理规律主导的场景（刚体操作、装配、车辆动力学）优势明确；在材料非线性、人际意图、社会规范主导的场景，抽象层难以先验设定，需要大量真实交互数据回填。 ### 2.3 长时序误差累积机制：世界模型的真实 KPI 这是全书讲得最不够、而 2026 年证据最硬的一环。中国科学院自动化研究所 2026年5月19日发布的消息记录了一场有 153 支队伍参加的国际竞赛（ICRA 2026 的 AGIBOT World Challenge 世界模型赛道），其 NeoVerse-ABot 队伍夺冠，技术要点被明确总结为三条：长时上下文建模以保持状态连续性、细粒度动作校准以实现精细条件控制、优化数据与训练机制以抑制"动作幻觉"，并特别说明训练数据中保留了长尾与失败轨迹，以降低模型生成"默认成功"结果的倾向[^5]。 这段文字的信息量远超它的篇幅。它给出了世界模型的真实评价维度： **可稳定预演的步数、动作条件的跟随精度、以及对失败的忠实建模** 。画面漂亮属于次要指标。同一机制在其他尺度上重复出现：多步链式决策中，单步 99% 准确率经过 20 步会掉到约 82%，自动驾驶的感知漏判、"幽灵刹车"与 Agent 在生产环境中的错误放大，是同一数学现象在不同物理载体上的投影[^6]。 一个直接推论： **能够生成失败的模型，比只能生成成功的模型更接近世界模型。** 一个系统如果从未在内部演练过"手滑了、汤洒了、老人没接住"，它在现实中就没有害怕的能力。产业界的演示文化与这个要求正面冲突——展示需要成功率，训练需要失败率。 ### 2.4 场景资产化机制：中国路径的真实门槛 第7章提出的"中国路径"在政策与人口两个层面都有可核验的支撑，但兑现方式与作者的乐观叙述有距离。 政策侧的时间线相当密集。工业和信息化部等八部门印发《"人工智能+制造"专项行动实施意见》（工信部联科〔2025〕279号），成文于2025年12月25日，2026年1月7日公开发布，联合发文单位包括中央网信办、国家发展改革委、教育部、商务部、国务院国资委、市场监管总局、国家数据局[^7]。八个部门共同署名一份制造业 AI 文件，这个署名结构本身说明落地障碍被识别为跨部门的数据、标准与国资考核问题。消费侧，商务部等八部门《关于加快"人工智能+消费"发展的实施意见》明确开展智能养老服务机器人结对攻关和场景应用试点，推进家庭智能化、适老化整体改造，面向"一老一小"重点人群加快养老机器人、陪伴机器人应用示范，并鼓励开展人工智能产品租赁、共享、试用等新模式创新[^8]。 人口侧的数字决定了需求刚性。国家统计局数据显示，2025年末全国 60 岁及以上人口 32338 万人，占全国人口 23.0%[^9]。 真实门槛在两处。其一， **场景数量与数据可用性是两件事** 。养老机构里的跌倒、噎食、拒绝照护，工厂里的异常停机与人机混线，都是极高价值的长尾交互数据，但它们同时是隐私最敏感、标注最昂贵、责任最纠缠的数据。政策文件反复强调数据集建设与数据合作联合体，恰恰证明数据没有自动变成资产。其二， **租赁与订阅模式的出现说明单机售价撑不住价值主张** 。设备租赁、试点试用、政府补贴这套组合意味着终端用户尚未愿意为当前能力付全价。 ### 2.5 责任定价机制：给权力上锁的那把钥匙 第9章"谁给AI的权力'上锁'""何时值得放手"是全书立意最高的一章[^1]。机制很简单：任何自动化系统进入高代价场景的前提，是存在一个能够承担后果的责任主体。没有责任主体，技术再成熟也只能停在演示与陪伴层。这解释了为什么陪聊、导览、巡检推进快，而给失能老人喂食、协助翻身推进慢——后者的责任无法用免责声明覆盖。 顺着这个机制看， **AI 的落地速度正在由保险与合规的定价能力决定** ，而非由模型能力决定。当一家保险公司愿意为某个具身场景出具费率，那个场景才真正开始规模化。 --- ## 三、放进 2026 的坐标系：五层映射 ### 3.1 技术层：世界模型已从一个概念变成三条互斥的技术路线 媒体盘点把当前格局归纳为生成式视频派、抽象预测派（JEPA 系）、空间智能派三条并行路线，参与者涵盖海外头部机构与国内新锐公司，评价体系开始围绕视觉质量、物理遵循性、3D 空间准确性等多维度展开[^10]。国内一类代表性产品把参数压到十亿级以支持端侧独立部署，并强调"预演—验证—行动"的决策闭环[^10]。（产业盘点类信息源权威性有限，此处仅取"路线分化与端侧化趋势"这一结构性判断。） 对本书的影响是双向的：作者的 JEPA 偏好获得了资本背书，但他对生成式路线的贬抑显得过早——把高保真视频生成当作机器人训练的数据引擎，已经成为主流工程做法，自动化所的获奖方案本身就是基于扩散模型的动作条件视频生成框架[^5]。 **生成与抽象在工程上正在合流，书中的路线二分法已被 2026 年的实践稀释。** ### 3.2 资本层：哑铃化与错配风险 资本结构呈现明显的哑铃形态，基础设施层吞噬天量资本，应用层考验项目甄别，中间层被挤压。争议的焦点也很清楚：有测算认为若要覆盖当前投入并实现 15% 回报率，AI 相关生产率需在 2030 年前提升到当前的 2.7 倍；反方则以当前市盈率远低于 2000 年互联网泡沫时期、以及芯片电力算力的硬短缺作为辩护，同时出现头部企业筹划对外出售闲置算力的迹象[^2]。 把这组事实与本书命题并置，会得到一个不太舒服的结论： **这一轮投资在为语言与内容的边际效率付费，而真正的增量价值锁在物理世界，后者的开锁工具（世界模型、代价结构、责任制度）成熟度远低于算力。** 资本错配的风险不在算力过剩本身，而在时间错配——基础设施的折旧周期短于世界模型的成熟周期。 ### 3.3 人口与适老化层：养老是世界模型最残酷的考场 23.0% 的老龄化率与"一老一小"政策取向，把养老推成具身智能最大的需求池和最难的测试场[^8][^9]。本书 7.2 的问题在真实场景里会以更复杂的形式出现：方言与含糊表达、认知障碍导致的语义漂移、"不用管我"背后的尊严诉求、家属与机构之间的责任分配。跌倒检测这类纯感知任务已经在多地试点中落地，而真正的照护动作涉及身体接触与不可逆伤害，卡在责任定价上。 这里有一个需要直说的判断： **把适老化简化为"更大的字体、更响的音量、更温柔的语音"是一种廉价的技术敷衍。** 老年用户面对的是操作路径记忆、突发状况的求助链路、以及被误解时的无力感。AI 若不能理解"不用管我"这类反向表达，投再多陪伴机器人也只是在制造新的孤独。 ### 3.4 技能与职业层：护城河的位置正在迁移 第10章的"定义代价"这个说法值得从职业结构角度展开。当模型能力商品化、工具链开源化之后，稀缺性向三个位置迁移： - **定义正确性的人** ：能说清在某个具体物理场景中，什么叫"做对了"、什么叫"不可接受的失败"、失败的分级与赔付如何对应。- **构造失败的人** ：能系统性地生成、采集、标注长尾与失败轨迹。自动化所方案里"保留失败轨迹"这一条，在工程组织上意味着一个新岗位。- **承接责任的人** ：能把技术能力翻译成可投保、可验收、可审计的条款。 调参能力会迅速贬值，这一点书里说对了。 ### 3.5 文化与知识传承层：常识的最后一批持有者 书中把疼痛、代价、文化并列为直觉的熔炉[^1]。往前推一步： **大量高价值常识以师徒制、身体记忆和行业默契的形式存在，从未进入任何语料库，而它们的持有者正在退休。** 老钳工对异响的判断、护理员对老人神色的判断、农技员对土壤的判断，这些是世界模型最紧缺的训练信号，也是最快消失的一类。国家层面推进工业数据筑基与高质量数据集建设，实质是一场与时间赛跑的常识抢救。这个议题的紧迫性被本书低估了。 --- ## 四、这本书暴露的基本矛盾 | 矛盾 | 一方 | 另一方 | 2026 年的表现 ||---|---|---|---|| 学习成本的不对称 | 算力与数据可规模化采购 | 代价体验只能真实发生 | 万亿资本开支与 89% 试点不落地并存 || 评测权的争夺 | 视觉保真度易于展示与融资 | 物理一致性才决定可用性 | 榜单与竞赛口径成为产业话语权战场 || 场景富国与数据穷国 | 3.23 亿老人、全球最完整产线 | 隐私、标注、合规与责任约束 | 政策反复强调数据集建设与联合体 || 演示文化与安全要求 | 商业化需要确定性承诺 | 安全要求系统"学会害怕" | 行业出现"重展示轻应用"的批评 | 第四组矛盾最值得警惕。一个被要求在发布会上永不失手的产品，其内部训练也会被优化成永不生成失败。这条激励链条会系统性地阻止世界模型学到最重要的东西。 --- ## 五、三种最常见的误读 **误读一：把"世界模型"当成一个待发布的产品。** 它是一族路线的统称，内部路线选择彼此冲突，评价标准尚未统一。任何声称已经实现世界模型的表述，都应该被追问：可稳定预演多少步、动作跟随误差多少、失败轨迹占训练数据多少比例。 **误读二：把"AI 缺乏身体经验"读成"AI 永远做不到"。** 仿真、真机采集、人类示教、失败轨迹回填正在系统性补这个缺口，只是成本结构与语言模型完全不同——前者的边际成本随物理试错次数上升，后者随参数与语料上升。这决定了具身智能的商业曲线不会复制大模型的曲线，不会出现一夜之间的能力跃迁，只会出现场景逐个攻克的缓慢推进。 **误读三：把"中国路径"读成必胜论。** 场景与数据的规模优势是一张期权，而非一份资产。兑现条件包括数据合规流通机制、跨本体标准统一、责任与保险制度、以及国资体系的容错考核。本书对这些制度成本谈得太轻，这是它作为科普读物的必然代价，也是读者最该自行补上的一课。 --- ## 六、给 35–45 岁博士/博士后的迁移路径 这个群体的典型困境不在能力，在 **能力与可交易价值之间的翻译损耗** 。博士训练提供的是严密因果推理、复杂系统建模与长周期攻坚耐力，而产业采纳一项技术依赖利益分配、时机窗口、组织信任和风险归属。世界模型这条赛道恰好处在两套逻辑的交汇处，它需要的正是"能把物理约束讲清楚、能把失败定义清楚、能把责任算清楚"的人。 ### 6.1 四类资本盘点 | 资本类型 | 该赛道上的具体形态 | 常见短板 ||---|---|---|| 专业与方法 | 物理建模、统计与因果推断、实验设计、误差分析 | 缺工程化与成本意识 || 产业与问题 | 对某类产线、某类照护动作、某类作业风险的第一手理解 | 场景理解停留在参观级 || 组织与网络 | 能接触到真实场景负责人、设备方、保险与合规方 | 网络局限于学术圈内 || 叙事与信誉 | 可验证的评测报告、公开数据集、可复现基线 | 成果形式只有论文 | ### 6.2 三个可占位的生态位 **生态位 A：物理一致性评测与验收。** 面向具身系统建立场景化验收标准与测试集，把"能不能上线"从主观判断变成可量化流程。能力栈是度量设计、统计功效分析、失败模式分类、标准文本撰写。可交付作品是一份针对具体场景（例如产线上料、居家助浴、无人配送末端交接）的公开评测方案与基线结果。这个位置对博士训练的复用度最高，竞争最少，也最容易被产业和监管同时需要。 **生态位 B：代价与责任工程。** 把技术失效模式映射成赔付条款、保险费率与运维 SOP。能力栈是 FMEA、风险量化、合规文本、与保险及法务的协作语言。入口是设备方、养老机构、保险公司三方交界处的空白地带。 **生态位 C：场景数据资产化。** 在合规前提下把真实交互（尤其是失败轨迹）变成可复用数据资产。能力栈是数据治理、隐私技术、标注体系设计、数据权属条款。这条路与作者的密码学与数据要素背景高度契合，也是政策最密集扶持的方向。 ### 6.3 四层组合策略 守住底盘：现金流、健康与家庭责任不进入任何实验的赌注范围，专业声誉不为短期机会折价。 转译存量：把过往研究能力重新包装为"问题定义 + 证据判断 + 技术路线评估 + 复杂项目推进"四项可采购服务，而非某个具体算法技能。 建设邻接增长：从自己原专业物理距离最近的场景切入。材料背景走接触与失效，控制背景走长时序预演，统计背景走评测与因果，公共卫生背景走照护安全。跨度越小，可信度越高。 保留期权：以低成本方式持续接触三类人——一线操作者、设备厂商产品经理、合规与保险从业者。这三类人决定了任何技术判断在现实中的有效性。 ### 6.4 90 天实验与止损条件 前 30 天完成场景侧的一手调研，目标是 8 到 12 次一线访谈，产出一份该场景的失效模式清单与代价分级表。中间 30 天把清单转成可执行的评测方案或数据采集方案，找到一个愿意提供真实环境的合作方。最后 30 天完成一次小规模实测，公开基线结果。 领先指标看三项：是否有人主动引用你的失效清单；是否有机构愿意为评测或数据方案付费或提供场地；是否被邀请进入标准、招标或验收讨论。 止损条件也要写清楚：三个月内拿不到任何真实场景准入，说明网络资本不足，应先补渠道而非继续深化技术方案；场景方只愿意做演示不愿意谈验收标准，说明该场景尚未进入真实采购阶段，应换场景。 --- ## 七、三情景 × 三时距 **基准情景（概率最高）** ：世界模型在结构化程度高、责任边界清晰的场景逐个落地。0–18个月，工业巡检、物流分拣、园区服务常态化部署，养老侧停留在监测、陪伴与移位辅助；18–36个月，评测标准与跨本体接口趋于统一，租赁订阅模式出现稳定复购；3–7年，物理任务的能力提升呈台阶状而非指数状，通用家庭机器人仍限于中高收入家庭。 **加速情景** ：抽象表征与生成式仿真在工程上合流，失败数据规模化采集突破，叠加保险产品成熟。0–18个月标志事件是出现第一批按效果付费而非按设备付费的具身合同；3–7年内高危作业与重体力照护出现实质替代，职业结构在制造与照护两端同时重组。 **受阻情景** ：资本开支回报不及预期引发投资收缩，叠加一到两起高关注度的人身伤害事故与随之而来的严格准入。0–18个月表现为试点预算收紧、演示项目增多而采购减少；3–7年具身智能长期停在"可监测、不可操作"的安全区，世界模型研究退回实验室与少数工业客户。 **共用领先指标** ：评测榜单中物理一致性与动作跟随权重的变化；实景实训的常态部署清单长度；养老与工业场景的租赁复购率；相关保险产品是否出现公开费率；内存成本占 AI 资本开支的比重；闲置算力转售的规模变化。任一指标连续两个季度反向，切换情景假设。 --- ## 八、这本书的局限与待核验之处 **证据强度不均。** 书中案例多为叙事化呈现，豆瓣读者对案例信度的质疑不能简单否定[^1]。使用书中任何具体案例作为论证依据前，应独立核实。 **诊断强于处方。** 全书对"世界模型如何构建"给出的是三大基石、JEPA、代价与模拟推演这类框架性表述，缺少可操作的技术路径，这是读者反馈中最集中的批评[^1]。 **路线判断偏早。** 对生成式视频模型的贬抑与 2026 年主流工程实践存在偏差，自动化所的获奖方案即以扩散模型为基础[^5]。 **制度成本谈得太轻。** "中国路径"的兑现依赖数据合规、标准统一、责任制度与容错机制，本书对这几项的分析深度不足。 ## 九、结论 这本书的真正价值在它没有充分展开的那半句话里： **AI 之所以不懂世界，因为它从不为错误付账。** 2026 年的产业格局把这句话放大成了一道公开的账目——一侧是七千亿到一万亿美元级别的算力投入，另一侧是接近九成的 Agent 试点死在从演示到生产的那一步；一侧是八部门联合发文推动制造与消费场景的智能化，另一侧是评论界对"重展示轻应用"的持续批评。 缺口不在算力，在代价的账本上没有 AI 的名字。谁能把这本账建起来——定义什么叫做错、错到什么程度不可接受、由谁赔付、用什么数据证明——谁就握住了下一阶段的定价权。对于有博士训练背景、习惯于在约束条件下求解的人来说，这是一个罕见的结构性机会：这件事需要严密的物理与统计功底，需要对真实场景的耐心，也需要愿意长期与失败数据打交道的性格。三样都不稀缺，稀缺的是把三样放在同一个人身上。 至于那 3.23 亿位老人，以及说"不用管我"的那一位，他们不会等技术准备好。世界模型这门课的期末考试，考场在他们的客厅里。 <footnote>[^1]: [世界模型 (豆瓣)](https://book.douban.com/subject/38394580/)[^2]: [AI会带来新一轮的经济泡沫吗](https://cj.sina.com.cn/articles/view/5953740931/162dee08306703zo9o)[^3]: [89% of enterprise AI agent pilots never reach production](https://data-today.net/enterprise-ai-agent-pilot-failure-89-percent/)[^4]: [Yann LeCun's AMI Labs Secures $1.03 Billion to Develop World Models](https://explore.n1n.ai/blog/yann-lecun-ami-labs-funding-world-models-2026-03-10)[^5]: [世界模型新探索，自动化所牵头队伍获得国际比赛第一名](https://ia.cas.cn/kxyj/kydt_1/202605/t20260519_8206090.html)[^6]: [肉眼看不出的幻觉？清华提出视觉源幻觉](https://m.36kr.com/p/3991348966292486)[^7]: [工业和信息化部等八部门关于印发《"人工智能+制造"专项行动实施意见》的通知](https://www.miit.gov.cn/jgsj/kjs/wjfb/art/2026/art_5ea5b1663f264fcea69df0ab00d1f6f3.html)[^8]: [养老服务将与人工智能深度融合（民政部）](https://www.mca.gov.cn/n2623/n2684/n2703/c1662004999980011628/content.html)[^9]: [国家统计局：60岁及以上人口32338万人，占全国人口的23.0%](https://www.cncaprc.gov.cn/xxllsy/770049.jhtml)[^10]: [2026世界模型赛道实力企业全景盘点](https://china.qianlong.com/2026/0921/8730443.shtml)</footnote>

一句话概括 今天的AI擅长从数据中模仿世界，却缺乏通过身体、行动、代价和社会关系形成的真实常识；只有建立能够表征现实、推演未来、接受反馈并知道何时停止的世界模型，AI才可能从“会说”走向“会做”。 核心逻辑 本书的推理链条是： 大模型从文本和影像中学习统计关联 → 可以生成逼真的语言与画面 → 但没有亲自接触和改变过世界 → 无法稳定理解物理因果、社会动机、情境变化和不可逆风险 → 在现实场景中出现结构性错误 → 需要用“疼痛、代价、模拟”重新构建认知架构 → 在潜空间中表征关键状态、推演行动后果 → 通过真实行动和反馈更新模型 → 同时为高风险决策设置人工否决、责任边界和停止机制。 作者认为，AI最大的缺陷不是会犯错，而是“不知道错误意味着什么”。语言错误可以重新生成，现实行动造成的烫伤、设备损坏、信任破裂和尊严伤害却可能无法撤销。 核心内容 1. AI常识的五个结构性断层 作者认为，AI的低级错误主要来自五类缺口。 第一，情境盲视。AI可能知道“凌晨5点”和“扫地”分别是什么，却不能稳定地理解“凌晨5点在卧室扫地不合时宜”，因为它缺少时间、空间与事件的动态耦合。 第二，物理失感。模型理解“撬”“裂”“烫”等词语之间的关联，却没有触觉、力度和受伤反馈，无法把动作与物理后果牢固绑定。 第三，动机漠然。AI能观察行为，却不一定能够从行为反推意图。老人说“不用管我”，可能是真正拒绝，也可能是不愿麻烦别人的求助。 第四，规则僵化。书面规则无法包含组织中的所有潜规则、规模变化和责任关系。逻辑上成立的制度设计，放进真实组织后可能完全无法执行。 第五，风险钝感。模型常追求期望收益或平均准确率，却难以稳定处理“低概率、极高代价”的长尾风险。 这些问题不是简单增加数据或算力就能解决的，而是现有认知架构与现实世界之间存在断层。 2. AI搭不起世界模型的根本原因 人类通过“行动—反馈—调整”认识世界。婴儿反复扔勺子，不是在学习“勺子掉了”这句话，而是在用视觉、声音、动作和身体反馈验证重力与因果。 大模型则主要通过文本和影像进行统计压缩。它拥有大量关于勺子的描述，却没有亲手扔过勺子；知道烫伤的语言模式，却没有因为错误动作缩回过手。 因此，人类知识带有三个AI难以复制的特征：身体性，知识与触觉、本体感觉和生理状态相连；因果性，行动会产生后果，预测错误会推动模型更新；情境性，相同行为在不同时间、空间和社会关系中意义不同。 3. 人类活在大脑编织的预测中 本书借用预测编码理论解释人的世界模型：大脑不是被动接收感官信息，而是在不断预测下一刻会发生什么。 感官输入的主要作用，是检查现实是否符合大脑的内部预测。当现实与预测发生较大偏差时，预测误差会迫使大脑修改内部模型。 因此，人看到一把倾斜的椅子，会立即预见它即将倒下；老司机看到旁车轻微偏移，会提前推断对方准备变道。这种直觉是经验、风险和预测被高度压缩后的结果。 当前AI虽然拥有海量“素材”，却缺少一个能够持续模拟未来、根据预测误差更新的完整内部“剧本”。 4. 疼痛、代价与文化如何塑造常识 作者把人类直觉的形成归纳为三种机制。 疼痛建立身体因果。烫伤、跌倒和碰撞，会把“行动—后果”关系刻入身体记忆，使人以后自动回避危险。 代价建立社会边界。经济损失、关系破裂、声誉受损和被群体排斥，使抽象规则转化为具体的负向反馈。 文化沉淀群体经验。大量个人试错会以习惯、默契、礼俗和潜规则的方式变成共享的预测模板，使人无须每次都从头计算。 所以，专家直觉不是神秘能力，而是经过大量真实错误成本压缩形成的“暗知识”。 5. 为AI构建世界模型的三大基石 作者提出三项基础机制。 疼痛，是行动与严重后果之间不可忽视的负向信号。AI不需要获得生物痛觉，但需要将某些错误定义为高权重、不可轻易撤销的失败。 代价，是把设备损坏、经济损失、用户伤害、信任破裂和尊严受损转化为模型能够处理的约束。 模拟，是在行动前建立内部沙盘，推演“如果这样做，接下来会发生什么”，为不可逆行动安装思维刹车。 三者形成递进关系：疼痛建立底线，代价建立现实边界，模拟推演未来路径。它们不是给语言模型增加几个插件，而是要求重新设计决策架构。 6. AI常识研究的三条失败路线 规则主义试图用逻辑规则完整描述世界，但现实中的情境和例外无限增长，规则最终会相互冲突并失去可维护性。 连接主义让机器从大量数据中学习模式，却产生黑箱、因果缺失和组合泛化困难。模型可能识别出猫，却不知道猫为什么跳上桌子。 深度学习显著提高了识别和生成能力，但仍容易依赖统计捷径，受到对抗样本、分布外场景和长尾事件影响。 大语言模型则像生活在“语言镜像厅”中：它能熟练描述人类关于世界的知识，却未必拥有通向真实世界的窗口。 作者认为，出路不是无限扩大镜像厅，而是形成“语言＋模拟＋工具＋行动反馈”的协同系统。 7. JEPA：世界模型的预测引擎 本书重点介绍了杨立昆提出的JEPA——联合嵌入预测架构。 它包括三个核心环节： 表征：把海量感官数据压缩进潜空间，过滤无关细节，保留温度、速度、稳定性等关键状态。 推演：不预测每一个像素，而是在抽象状态空间中推演未来变量如何变化。 行动：根据推演结果采取行动，再用现实反馈修正内部表征和预测。 作者把它概括为三个齿轮：世界速写本，提取关键因果要素；脑内沙盘，运行“如果—那么”的未来模拟；手脚验证，通过行动让预测接受现实校准。 世界模型的目标不是单纯预测未来，而是通过更可靠的预测选择行动、改变未来。 8. Sora生成的视频不等于理解物理世界 Sora等视频模型可以生成视觉上连贯的画面，但视觉逼真不等于物理理解。 模型可能学会“挥杆之后球会飞出去”的影像规律，却不理解力量、惯性和碰撞的统一机制；可以生成一个人向前倾，却让杯中的液体保持静止。 作者提出三个检验问题：能否生成在特定条件下不融化的盐水冰块？能否用石头和木棍组合出砸坚果的工具？能否准确推演微波炉加热带壳鸡蛋的后果？它们分别检验反事实推理、组合泛化和代价感知。 真正的世界模型不仅要生成“像真的”画面，还要允许人干预变量，并保持整个因果系统的一致性。 9. 为什么行动智能比语言智能困难 在语言世界里，错误可以删除、修改和重新生成；在物理世界里，动作会造成不可逆后果。 机器人端一碗汤，需要同时处理抓握与接触力、液体晃动、机械运动和谐振、地面摩擦、人与机器的距离、网络延迟和突发障碍。 如果追求高精度，计算可能无法实时完成；如果约束过强，机器人会变得极端保守；如果强调泛化，换一种碗或液体就可能失败。 从仿真环境迁移到现实环境，还会出现明显的“仿真—现实鸿沟”。模拟器无法完整复现油脂、反光、透明物体、微小摩擦变化和突发干扰。 10. 云端与边缘端应承担不同风险 机器人的“大脑”上云后，网络延迟可能使危险动作无法及时停止。 作者主张：边缘端像脊髓，负责毫秒级刹停、松手和姿态调整；云端像大脑，负责全局规划、复杂推理和系统性风险分析。 边缘端负责“快害怕”，防止机器人撞击、跌倒或烫伤；云端负责“慢害怕”，避免整个系统发生规模性错误。 理想状态是云边协同，但任何通信中断都不能取消本地安全机制。 11. 世界模型在中国场景中的应用 教育场景中，AI不能只判断答案对错，还应区分知识障碍、认知负荷和情绪挫败。它最适合成为教师的认知增强工具，而不是替代教师。 养老场景中，AI应识别语言、生理和行为信号之间的冲突，把不确定性和风险交给照护者，避免在安全与尊严之间擅自裁决。 制造场景中，通用模型容易产生违背材料和设备约束的建议。更可靠的路线是把力学、热学和安全边界嵌入模型，并将停机、返工和产品损坏转化为明确代价。 作者把中国路径概括为“场景驱动的在地进化”：不追求一个模型理解一切，而是在教育、养老、交通和制造等具体场景中建立专用世界模型。 12. 世界模型的能力边界 世界模型并不是万能钥匙。作者把应用划分为三类： 绿灯区：规则稳定、状态可观测、错误可以修复，AI可较高程度自主执行，例如质检和规则明确的优化任务。 黄灯区：包含情绪、关系、文化和不确定推断，需要人机共同决策，例如教育诊断和养老预警。 红灯区：涉及生命价值、人格尊严、公平裁决或不可逆后果，AI不得独立决策，例如司法判决和生命优先级排序。 真正成熟的智能，不是什么都敢算，而是知道什么时候停止计算并请求人类接管。 13. AI权力必须被“上锁” 当AI的错误被包装成高置信度的客观结论，它可能改变学生发展路径、医疗资源分配和个人命运。 本书提出几项治理原则：把社会代价前移为系统成本；保留人类最终否决权；在系统上线前进行红队和边界测试；显式呈现不确定性；对不可逆结果强制人工复核；建立全生命周期审计和快速下线机制；让受影响者参与价值和代价的定义。 作者还提出“AI决策质疑五步法”：看置信度，查因果链，核数据适用范围，判断后果是否可逆，涉及尊严和公平时交由人类裁决。 14. AI时代的职业护城河 作者认为，职业护城河不是调参能力，而是“定义代价”的能力。 未来可能出现三种重要角色： 因果工程师：把物理规律、因果链和否决机制装进系统。 场景架构师：理解真实环境中的潜规则、关系、风险和底线。 价值对齐设计师：把公平、尊严和法律边界转化为系统约束。 真正稀缺的人，不一定最懂模型参数，而是能够判断AI犯错后会产生什么物理、经济、社会和人性代价，并让系统在关键时刻停下来。 反对的观念 本书主要反对以下观念：数据和算力足够多，AI自然会产生常识；能够流畅描述世界，就等于理解世界；能生成逼真视频，就掌握了物理规律；统计相关性最终会自动演变成因果理解；仿真环境中的成功率可以直接代表现实表现；提高平均准确率就能解决安全问题；所有社会规则都可以被完整写入系统；AI比人客观，所以更适合进行价值裁决；通用模型必然优于场景化专用模型；成熟AI应该在任何情况下都给出确定答案。 作者认为，“承认不知道并把权力交还给人类”，不是智能不足，而是成熟智能的重要标志。 本书最值得关注的核心观点 本书最值得关注的是：真正的智能不只是预测正确，而是理解错误的代价。 在低风险场景里，错误可以重试；在现实行动、高风险决策和社会关系中，错误可能造成设备损坏、生命危险、人格标签和信任破裂。 因此，评价AI不能只看准确率，还要追问：它是否理解行动与后果之间的因果链？是否能够识别分布外场景？是否显式表达不确定性？错误后果是否可逆？代价由谁承担？是否保留人工复核和中断权？哪些价值不应由模型决定？ 这套“代价视角”比单纯讨论模型是否更聪明，更接近AI进入现实世界后的关键问题。 个人启示 第一，根据后果选择AI使用方式。写普通文案可以大胆试错；涉及资金、健康、法律、职业发展和他人权益时，必须提高验证和人工复核等级。 第二，不要只核对答案，还要核对因果链。追问AI使用了哪些前提、忽略了哪些变量，以及条件变化后结论是否仍然成立。 第三，学会识别分布外场景。当实际对象、地区、文化、设备或人群明显不同于模型熟悉的环境时，应主动降低对结果的信任。 第四，将专家经验转化为代价规则。真正有价值的行业经验，往往不是“如何做对”，而是“哪些错误绝对不能犯”。这些知识可以成为AI系统的安全约束。 第五，为重要决策保留停止按钮。任何可能产生不可逆后果的自动化流程，都应保留人工接管、降级运行和快速中止机制。 第六，建立“厚数据”意识。数字记录只是现实的一部分。理解一个人或场景，还要考虑时间、关系、文化、情绪和未被说出口的动机。 观点评价 本书的最大价值，是把抽象的“世界模型”概念落到了杯子、热汤、道路、课堂、养老和工厂等具体场景中。它清楚展示了语言智能与行动智能的差别，并用“疼痛—代价—模拟”建立了一套容易理解的分析框架。 书中关于绿灯、黄灯、红灯应用区，人类否决权，以及“何时应该停止”的讨论，具有很强的治理和产品设计价值。职业护城河被定义为“代价翻译能力”，也比泛泛强调学习AI工具更有启发性。 但本书也存在明显局限。 首先，作者使用的“疼痛”和“害怕”主要是工程隐喻。把负奖励加入模型，并不等于机器获得了人类的疼痛经验；能够预测代价，也不等于真正理解代价。 其次，书中有时把大语言模型描述得过于静态。现代多模态模型、工具调用、模型化强化学习和具身智能已经具备一定模拟、规划与反馈学习能力，虽然距离稳定的世界理解仍然很远，但“只有统计、完全没有推演”的表述过于绝对。 第三，JEPA能够学习抽象预测表征，却不会自动产生可靠因果模型、社会常识或价值判断。它是一条重要研究路线，而不是已经得到验证的通用解决方案。 第四，一些技术评分、成功率推断和中国路径案例属于作者的理论分析或思想实验，并非经过统一实测的数据。书中也明确承认部分判断只是理论评估，因此不能把所有案例当成已经证实的工程结论。 第五，书中偶尔把人类直觉理想化。人的身体经验和文化知识同样会产生偏见、刻板印象和错误因果，不能因为经验具有代价，就假设它天然可靠。 总体而言，这是一本把AI从“会不会聊天”推进到“能不能安全行动”的有价值读物。它未必给出了世界模型的最终技术答案，却提出了一个非常正确的问题：当AI走出屏幕、进入现实世界后，谁来定义错误，谁承担代价，谁拥有最后的停止权？ 一段话总结 《世界模型——AI尚未理解的真实世界》指出，当前AI虽然能够生成流畅语言和逼真影像，却主要依赖统计关联，缺少人类通过身体行动、疼痛反馈、现实代价、社会文化和未来模拟形成的世界模型，因此容易在物理操作、情境理解、动机判断和长尾风险中犯结构性错误。作者提出以“疼痛、代价、模拟”为三大基石，并借助JEPA式的表征、推演和行动闭环，让AI从模仿世界走向预测并谨慎介入世界；同时强调，教育、养老、司法和生命价值等高风险场景必须保留不确定性提示、人工复核和最终否决权。书中部分技术判断和案例偏理论化，也容易把工程负奖励拟人化为真正的疼痛，但它提出的核心尺度极具价值：衡量AI不能只看答案是否准确，更要看它是否理解错误的后果、是否知道自己的边界，以及能否在不该决定时把权力交还给人类。

作为程序员，我常被大模型的聪明唬住，却忽略了它没有亲手触碰过世界这一事实。书中用洗衣机被撬裂、路线规划穿过公墓等故事，让我意识到：光有数据和算法远远不够，AI 还得拥有对物理与社会的深层理解，才能不犯低级错误。这种缺口被称为世界模型，它不是花哨概念，而是让机器像婴儿一样，在真实环境中试错、修正，逐步搭建起对重力、平衡、人性的内部模拟。对我而言，这提醒在追求模型规模的同时，更要重视让 AI 与环境互动，获得“摔跤”级别的反馈，才能真正成长。别只给 AI 词汇，更别忘了把它放进真实世界去历练，否则它永远只是语言的囚徒。