世界模型：架构、方法论、推理范式与应用综述

世界模型（World Models）作为学习环境结构和动态的内部模拟器，已成为实现通用人工智能（AGI）的核心范式。它们使智能体能够在学习到的表征中预测、规划和推理。尽管在强化学习、机器人、自动驾驶和视频生成等领域取得了快速进展，但该领域仍缺乏一个统一的框架来整合其多样的架构选择、训练方法、推理机制和应用场景。为了填补这一空白，这篇综述论文提出了一个多轴分类法，沿四个维度组织：（1）架构，涵盖表征格式、动态公式、输入模态、学习范式和下游应用；（2）方法家族，包括状态空间和循环方法、基于Transformer的模型、扩散生成器、物理信息网络以及语言增强多模态系统；（3）推理策略，覆盖基于想象的规划、潜在策略学习、反事实推理和不确定性下的规划；（4）应用领域，包括机器人、自动驾驶、视频预测、多模态智能体、强化学习、科学建模、医学影像、教育测量及商业金融。论文追溯了该领域从早期认知科学基础到里程碑系统（如PlaNet、Dreamer系列、MuZero、Sora、Cosmos和Genie）的发展历程，考察了这些维度如何相互作用，并重点指出了最近思维链推理与世界模型想象的融合趋势。此外，还对评估协议和基准进行了回顾，识别了诸如复合预测误差、仿真到现实迁移以及评估碎片化等持续存在的挑战。最后，论文概述了未来方向，包括统一的多模态世界模型、基础规模交互式模拟器以及在安全关键领域的可靠部署。为了进一步阐述，我们注意到世界模型的概念源于认知科学，旨在构建能够模拟环境动态的内部表征。随着深度学习的发展，PlaNet首次将循环状态空间模型引入基于图像的世界模型，Dreamer系列则在潜在空间中进行规划，MuZero通过无需环境模型的学习实现了突破性的强化学习性能。最近的Sora和Cosmos展示了在视频生成和大规模仿真中的潜力，而Genie则从互联网视频中学习生成交互环境。这些系统虽然各有侧重，但都基于类似的原理：学习一个紧凑的潜在表示，并利用该表示进行模拟和决策。然而，一个关键挑战是复合预测误差，即模型在长期预测中误差会逐步累积，导致规划失准。另外，仿真到现实迁移问题在机器人等领域尤为突出，因为仿真环境与现实世界之间存在差距。评估碎片化也是一个问题，现有基准往往针对特定场景，难以统一衡量模型能力。因此，该综述提出的分类法有助于整合这些分散的研究，为未来工作提供指导。