李飞飞把被滥用的「世界模型」概念理清了，做计算机视觉、机器人或生成式 AI 的开发者能直接对照自己的研究方向找到定位，建议点开看完整分类法。
李飞飞在最新文章中系统阐述了世界模型的三种核心功能：渲染器（输出像素，如文生视频模型）、模拟器（输出状态，需物理准确）和规划器（输出动作，闭合感知-行动循环）。她指出模拟器是最关键但最被低估的一环，连接渲染与规划，是实现可靠真实世界应用的核心。World Labs 的 Marble 项目展示了从多模态提示生成可探索 3D 环境的能力，同时输出视觉和物理数据。文章强调语言模型擅长文本，但物理世界需要空间智能，统一世界模型是 AI 的下一个前沿。
刚刚看到李飞飞最新的发的文章，虽然没有了语言墙，但是还是喜欢自己翻译看一下完整的内容。👇🏻 “世界…
刚刚看到李飞飞最新的发的文章，虽然没有了语言墙，但是还是喜欢自己翻译看一下完整的内容。👇🏻
“世界不是由词语构成的”：Fei-Fei Li 论世界模型的三种形态与空间智能！ （译）
> “The world is everything that is the case.” --路德维希·维特根斯坦
一、世界不是由词语构成的。
语言模型在文本、概念和推理上表现出色，但物理世界运行在空间、时间、物理和几何之上。Fei-Fei Li（李飞飞）及其 World Labs 团队认为，空间智能（spatial intelligence） 是 AI 的下一个前沿，而世界模型（world models） 是通往这一目标的关键路径。
然而，“世界模型”这个词如今已被严重滥用。
计算机视觉、机器人、强化学习、生成式 AI 等不同社区对它的理解大相径庭。
李飞飞基于经典的 POMDP（部分可观测马尔可夫决策过程）/智能体-环境循环，给出了一个清晰的分类法。
世界模型的三种核心功能
1. Renderer（渲染器） 输出观察（observations），主要是像素，服务于人眼。 优化目标是视觉保真度和 plausibility（合理性）。 典型代表：文生视频模型、Google 的 Genie、World Labs 的 RTFM。
局限：画面可以非常完美，但在物理交互或细致检验下容易崩坏——“好看但不结实”。
2. Simulator（模拟器） 输出状态（state）——对世界进行几何和物理上准确的表征。 必须严格遵守物理、碰撞、动力学和材料特性。 既服务于人类（设计、建筑、影视），也服务于机器（训练 RL 智能体、机器人、自动驾驶）。
李飞飞认为这是最关键的一环。它是从渲染和规划中都可以派生出来的结构主干。
当前最大挑战：3D/物理数据极度稀缺、sim-to-real 差距、多物理场 scaling 困难。
3. Planner（规划器）
根据观察和目标输出动作（actions）。 它闭合了感知-行动循环，包括视觉-语言-动作模型以及新兴的“世界动作模型”。
目前大多仍局限于受限的实验室环境。
核心观点
模拟器是最重要、却最不被炒作的那一个。
渲染器已经商业成熟（视频生成赛道）。 规划器正获得大量关注和资金（机器人公司）； 而模拟器连接两者，是实现可靠真实世界应用的关键。
最激动人心的进展在于边界的模糊：
同一套底层知识（几何 + 物理 + 动力学）应该同时支持渲染、模拟和规划。
World Labs 的 Marble 项目就是典型例子，它能从多模态提示生成可探索的 3D 环境，同时输出高斯溅射（用于视觉）和碰撞网格（用于物理）。
长期愿景是一个统一的世界模型，一个基础模型能够流畅地在照片级写实的渲染、精确物理模拟、动作规划三种模式之间切换。
结语
语言让机器学会了“谈论”世界。 而世界模型，才是机器真正理解、想象、推理并在其中行动的方式。
这是一篇信息密度极高的文章，既有技术哲学深度，也清晰地表明了 World Labs 的战略方向。