全新视角看世界模型：从视频生成迈向通用世界模拟器

近年来， 视频生成（Video Generation）与世界模型（World Models）已跃升为人工智能领域最炙手可热的焦点 。从 Sora 到可灵（Kling），视频生成模型在运动 连续性、物体交互与部分物理先验上逐渐表现出更强的「 世界一致性」，让人们开始认真讨论：能否把视频生成从「 逼真短片」推进到可用于推理、规划与控制 的 「 通用世界模拟器 」 。 与此同时，这一研究方向正快速与具身智能（Embodied AI）、自动驾驶（Autonomous Driving）等前沿场景深度交织，被视为通往通用人工智能（AGI）的重要路 径。 然而，在研究热潮之下，「 何为真正的世界模型 」以及「 如何评判视频模型的世界模拟能力 」等核心议题却陷入了多维争论。当前，世界模型的定义与分类层 出不穷，理论维度的交叉重叠往往令研究者感到困惑，也限制了技术的标准化发展。 为建立更系统、清晰的审视视角， 快手可灵团队 与 香港科技大学（广州）陈颖聪教授团队（共同一作：博士生王罗州、博士生陈知非） 联合发表了从全新视角 深度剖析视频世界模型的系统综述。 本文旨在弥合当代「 无状态」视频架构与经典「 以状态为中心」的世界模型 ...