世界模型：架構、方法論、推理範式與應用綜述

世界模型（World Models）作為學習環境結構和動態的內部模擬器，已成為實現通用人工智能（AGI）的核心範式。它們使智能體能夠在學習到的表徵中預測、規劃和推理。儘管在強化學習、機器人、自動駕駛和視頻生成等領域取得了快速進展，但該領域仍缺乏一個統一的框架來整合其多樣的架構選擇、訓練方法、推理機制和應用場景。為了填補這一空白，這篇綜述論文提出了一個多軸分類法，沿四個維度組織：（1）架構，涵蓋表徵格式、動態公式、輸入模態、學習範式和下游應用；（2）方法家族，包括狀態空間和循環方法、基於Transformer的模型、擴散生成器、物理信息網絡以及語言增強多模態系統；（3）推理策略，覆蓋基於想象的規劃、潛在策略學習、反事實推理和不確定性下的規劃；（4）應用領域，包括機器人、自動駕駛、視頻預測、多模態智能體、強化學習、科學建模、醫學影像、教育測量及商業金融。論文追溯了該領域從早期認知科學基礎到里程碑系統（如PlaNet、Dreamer系列、MuZero、Sora、Cosmos和Genie）的發展歷程，考察了這些維度如何相互作用，並重點指出了最近思維鏈推理與世界模型想象的融合趨勢。此外，還對評估協議和基準進行了回顧，識別了諸如複合預測誤差、仿真到現實遷移以及評估碎片化等持續存在的挑戰。最後，論文概述了未來方向，包括統一的多模態世界模型、基礎規模交互式模擬器以及在安全關鍵領域的可靠部署。為了進一步闡述，我們注意到世界模型的概念源於認知科學，旨在構建能夠模擬環境動態的內部表徵。隨着深度學習的發展，PlaNet首次將循環狀態空間模型引入基於圖像的世界模型，Dreamer系列則在潛在空間中進行規劃，MuZero通過無需環境模型的學習實現了突破性的強化學習性能。最近的Sora和Cosmos展示了在視頻生成和大規模仿真中的潛力，而Genie則從互聯網視頻中學習生成交互環境。這些系統雖然各有側重，但都基於類似的原理：學習一個緊湊的潛在表示，並利用該表示進行模擬和決策。然而，一個關鍵挑戰是複合預測誤差，即模型在長期預測中誤差會逐步累積，導致規劃失準。另外，仿真到現實遷移問題在機器人等領域尤為突出，因為仿真環境與現實世界之間存在差距。評估碎片化也是一個問題，現有基準往往針對特定場景，難以統一衡量模型能力。因此，該綜述提出的分類法有助於整合這些分散的研究，為未來工作提供指導。