直到 2024 年，我们在 AI 生成视频中最常看到的“幽灵现象”是：杯子在接触桌面的一瞬间穿透了地板，或者液体在没有容器的情况下凭空漂浮。这种违和感的本质是模型在做“像素概率预测”，而非“物理因果推演”。它知道杯子掉落后通常会有破碎的像素，但它并不理解重力、碰撞反弹和流体力学。
进入 2026 年，这种局面发生了质变。一个标志性的转折点是蚂蚁集团旗下的具身智能公司“蚂蚁灵波”开源了通用世界模型 LingBot-World。在其实测案例中，一个最令开发者兴奋的细节是：当模拟中的鸭子在水中蹬腿时，水面的波纹扩散方向、水花的溅起高度以及鸭子受到的反向阻力，完全符合流体力学规律。这不再是简单的视频片段拼接，而是模型在潜在空间（Latent Space）中构建了一套近似的物理模拟器。
这种从“生成”到“模拟”的跨越，解决了长期以来困扰视频 AI 的物理一致性问题。回顾之前我们讨论的 《视频模型为何总让杯子穿地板？物理约束正在进入生成链路》，当时业内还在争论是应该通过增加训练数据量来“喂”出物理感，还是在解码端强行加入物理约束。而现在的趋势是，物理直觉正在成为模型架构的内生能力。
真正制约世界模型走向“内部模拟器”的，不再是表征能力，而是动力学建模的深度。一个典型的痛点是“漂移”：模型在预测前 30 帧时表现完美，但随着时间推移，误差累积会导致物体在第 100 帧时突然变形或消失。针对这一问题，南京大学林浩鑫在 2026 年的 ICLR 论文中提出了一种新的动力学推演方案，将世界模型的预测步数推向了上千步。这意味着 AI 可以维持一个长时间、高一致性的物理场景，而不会在几秒钟后陷入视觉崩溃。
然而，仅仅能“画”出正确的物理现象是不够的。对于具身智能而言，世界模型必须是“可执行”的。如果你在视频里看到一个球滚向边缘，模型预测它会掉下去，那么当机器人试图接住这个球时，其控制指令必须与这个预测同步。港中深-跨维智能团队提出的 EVA 框架正是在尝试打破这个鸿沟。他们通过强化学习（RL）将视频世界模型与动作空间耦合，让模型不仅能预测“会发生什么”，还能预测“我做了某个动作后会发生什么”。
这种能力让 AI 视频从单纯的视觉艺术变成了某种形式的“数字孪生”。当世界模型能够实时模拟刚体碰撞（如机械臂抓取金属零件时的反弹）和流体交互（如清洗机器人处理泡沫）时，它实际上是在补齐 AGI 缺失的物理直觉。正如我们在 《从生成视频到探索世界，AI开始补上物理直觉》 中分析的，真正的物理智能需要通过“行动-预测-反馈-修正”的闭环来完成。
目前的行业路径分成了两派：一派是以 OpenAI Sora 2 为代表的“纯生成派”，试图通过海量的多模态数据（包括深度图、光学流场）让模型通过暴力计算习得物理规律；另一派则是“物理引擎混合派”，主张将微分物理引擎（Differentiable Physics Engine）直接嵌入神经网络的损失函数中，让模型在违背物理定律时受到直接的惩罚。
从实测结果看，混合派在处理极端物理场景（如高压水射流切割、复杂齿轮组啮合）时具有更高的可靠性，而纯生成派在处理自然场景（如云朵飘动、布料褶皱）时更具视觉美感。但对于工业级应用，可靠性永远优先于美感。当一个机器人通过世界模型预测到抓取动作会导致物体滑落时，它会产生一种类似于人类的“犹豫”感，从而调整抓取角度。这种逻辑在 《当机器人学会‘犹豫’：世界模型在处理模糊指令时的实时决策逻辑》 中已有详细探讨。
即便如此，2026 年的世界模型依然存在一个难以逾越的障碍：微观物理的不可预测性。例如，液体在极小尺度下的湍流、粉末状物体的崩塌，这些场景即便在顶级物理引擎中也需要巨大的计算量，而 AI 模型目前仍倾向于用一种“统计平均”的方式来模糊处理。这意味着，虽然“违和感”在宏观层面消失了，但在极端精密场景下，AI 依然在通过视觉欺骗来掩盖其对底层物理机制的认知不足。
我们正处于一个奇妙的时刻：AI 视频不再仅仅是为了好看，它正在变成一种低成本的实验场。当世界模型能够稳定模拟刚体与流体，意味着我们可以在虚拟空间中进行数百万次物理实验，而无需在现实中打碎一个杯子或浪费一升化学试剂。这种物理能力的习得，才是 AGI 真正走出聊天框、进入物理世界的入场券。
