完美世界模型也打不赢卡尔森：AI预测与决策的鸿沟

完美的世界模型，为何仍不够？

AI研究者Alexander Mattick抛出了一个颇具挑战性的观点：即便给你一个关于国际象棋的完美世界模型，你依然无法解出它，也依然成不了马格努斯·卡尔森（Magnus Carlsen）。这背后隐藏着一个常被低估的区别——能够预测未来，和能够推断出正确的行动，是两件完全不同的事情。

世界模型（World Model）近年来成为AI领域的热门方向，其核心是让模型学会预测环境在给定行动下的演化。然而Mattick指出，拥有一个能准确预测结果的模型，并不等于拥有在复杂局面中做出最优决策的能力。象棋的规则是完全已知的、确定性的，但真正下赢对手需要的是在庞大搜索空间中进行高质量推断（inference）的能力，而非仅仅是模拟棋盘状态的能力。

这个区分之所以重要，是因为它触及了当前AI能力边界的本质：预测是关于"会发生什么"，而决策是关于"我应该做什么"。两者之间横亘着一条远比表面看起来更宽的鸿沟。

世界模型（World Model）的概念可追溯至David Ha与Jürgen Schmidhuber在2018年的同名论文，其核心思想是让智能体在内部维持一个对外部环境的压缩表示，并用这个表示来"想象"不同行动的后果，从而在不与真实环境交互的情况下规划行为。Yann LeCun近年来大力倡导的"Joint Embedding Predictive Architecture（JEPA）"也属于这一思路的延伸。世界模型被寄予厚望，部分原因在于它似乎提供了一条通往"理解"的路径——如果模型能准确预测物理世界的演化，是否意味着它对世界有某种深层理解？Mattick的论点正是对这种直觉的纠偏：预测精度（prediction accuracy）与策略质量（policy quality）在理论上是相互独立的目标，前者是监督学习问题，后者本质上是一个搜索与优化问题。即便在模型完美的假设下，如何在指数级爆炸的决策树中高效地找到最优路径，依然是一个独立且极其困难的计算挑战。

为什么现有世界模型任务"看起来"很强

Mattick认为，世界模型目前展现出的能力被高估了，很大程度上是因为当下用世界模型处理的任务，从控制（control）的角度来看并不算困难。

换句话说，许多演示场景的决策复杂度其实有限。模型在这些相对规整、可预测的环境中表现亮眼，容易让人产生"世界模型已经很强大"的错觉。但一旦任务涉及真实世界中高度复杂、接触密集的控制问题，差距就会暴露出来。

这提醒我们在评估AI进展时需要更谨慎：一个系统能在受控环境里完成炫目的任务，并不代表它掌握了可泛化的决策与控制能力。预测精度与行动能力之间，不能简单画等号。

机器人为何只会"后空翻"却不会取牛奶

Mattick用了一个极具说服力的例子来说明这一点。你会看到来自中国、美国、德国等各国的人形机器人不断展示后空翻、冲刺奔跑这样的动作，但你几乎看不到它们完成这样一个简单任务：站起来，走到隔壁房间，打开冰箱，看看里面深处，拿出一盒牛奶递给我。

原因并非机器人"不想"做这种日常任务，而是这类任务实际上要难得多。后空翻和奔跑虽然看起来惊险，但本质上是相对结构化、可预先规划的动作序列。而取牛奶这个任务涉及接触密集的环境（contact-rich environment）——手指与物体的精细接触、力的控制、对柔软或不规则物体的操作。

Mattick特别指出，当前仍然缺乏真正优秀的**高精度触觉感知（high tactile sensing）**手段。接触密集的操作既难以建模，也难以采集数据——你无法像录制视频那样轻松地获取大量高质量的触觉交互数据。这正是日常操作任务迟迟难以攻克的核心瓶颈。

接触密集型任务（contact-rich manipulation）之所以构成机器人学的核心难题，在于接触本身带来的物理不连续性。当手指夹住一个物体时，系统的动力学方程在接触点发生突变——力的方向、摩擦系数、物体形变都在毫秒级时间内剧烈变化，传统的基于微分方程的控制方法很难优雅地处理这类"混合系统"。相比之下，后空翻属于"无接触"或"单一接触点"的弹道运动，物理方程在整个过程中保持相对连续，更易于通过强化学习或轨迹优化来求解。触觉传感器的不成熟进一步加剧了这一困境：现有商业触觉传感器（如GelSight、DIGIT等基于视触觉原理的方案）虽然取得了进展，但在耐用性、空间分辨率和实时信号处理上仍远落后于人类皮肤。数据匮乏的问题同样棘手——互联网上存在海量视频可供视觉模型学习，但高质量的触觉交互数据至今没有可比规模的公开数据集，这使得以数据驱动为核心的现代机器学习方法在这一领域先天受限。

对AI发展的启示

这番论述揭示了一个重要的产业现实：炫技式的机器人演示与真正实用的日常操作之间，存在巨大的技术代差。能后空翻的机器人未必能帮你从冰箱里拿东西，正如拥有完美象棋模型的系统未必能战胜顶级棋手。

核心矛盾可以归纳为几点：预测能力不等于决策能力；受控环境的成功不代表真实世界的能力；而接触密集型任务的建模与数据采集，仍是横在具身智能面前的硬骨头。

对于关注AI与机器人领域的人来说，这是一个有价值的"去噱头"视角——评判进展时，与其被炫目的动作吸引，不如关注系统在复杂、非结构化、接触密集场景中的实际推断与控制表现。真正的突破，往往藏在那些看起来"平平无奇"的任务里。