世界模型读书会启动：从内部表征到真实世界的智能

导语

以大语言模型为基础的 ChatGPT为代表，通过了对话式图灵测试，成为AI发展的里程碑。但属于“黑箱”测试，并局限于离身智能形态的涌现，本质是基于海量数据的统计拟合，而非对物理世界运行规律的结构理解，导致无法建立因果逻辑，难以应对未知场景。如何构建对外部环境的内部表征，使智能体能够预测状态变化、评估具身行为后果并据此进行决策和行动，正成为人工智能研究的重要问题。李德毅院士三年前就明确提出行业核心判断：AI 下一阶段标志性里程碑为具身图灵测试常态化。完整智能必须依托物理实体交互，具身智能是人工智能研究的出发点与最终归宿。

近年来，世界模型（World Model）逐渐成为多条前沿技术路线的交汇点。从杨立昆提出的JEPA，到李飞飞倡导的空间智能、黄仁勋提出的物理AI，以及李德毅院士原创发展的认知物理学，不同研究均试图回答一个共同问题：智能体如何表征世界、学习其演化规律，并将内部模型用于预测、规划与行动？

目前，世界模型并非边界明确的单一技术范式。强化学习、生成模型、认知科学、具身智能与复杂系统等领域，对“世界”“状态”及其动力学机制有着不同理解。世界模型究竟应预测感知信号、学习隐空间中的状态转移，还是刻画行动、物理约束与因果关系？预测能力又如何转化为有效的规划、决策和行动？这些问题仍有待系统梳理。

为此，集智俱乐部联合认知科学、具身智能、AI Agent、复杂系统与高阶网络等领域的研究者发起「世界模型」读书会，围绕世界模型的思想源流、理论基础、技术路线与应用边界展开专题分享和讨论。读书会自2026年8月7日起，每周五晚19:30-21:30，将以“世界如何被表征、其动力学如何被建模、内部模型如何服务于智能体”为主线，尝试讨论整理世界模型统一框架。

关键词：世界模型、具身智能、认知科学、认知工程、AI Agent、复杂系统、群体智能

读书会背景

为什么世界模型成为人工智能研究的新焦点？

随着大语言模型的能力边界不断扩展，人工智能研究正在从语言与符号空间进一步走向对物理环境和复杂动态系统的多模态、多任务的具身智能建模。大语言模型主要通过“数据拟合”学习符号序列的统计规律形成表征与预测能力，而智能体要进入真实世界，还需要识别环境状态、预测行动后果、理解主体与环境之间的相互作用，并在开放和交互情境中持续修正自身模型。

世界模型（World Model）由此成为当前人工智能领域的重要研究方向。其基本目标是从感知与交互数据中学习环境的内部表征及其演化规律，使智能体能够在内部模拟不同状态和行动路径，进而支持预测、规划、控制与决策。近年来，随着具身智能、视频生成、视频理解、自动驾驶和AI Agent的发展，世界模型迅速受到学术界与产业界关注，国内外科技企业也开始探索其在机器人、智能驾驶、内容生成、工业仿真等场景中的应用。

然而，世界模型目前尚未形成统一的概念体系和技术范式。不同研究路线对“世界”的建模对象、表征层级和能力目标存在显著差异：

• Dreamer等模型式强化学习方法侧重学习动作条件下的环境动力学，以内部模拟支持策略学习与决策，但存在长时序想象轨迹的误差累积和模型幻觉价值缺陷；

• JEPA侧重在抽象表征空间中预测缺失或未来信息，避免对感知输入的全部细节进行显式重建，但存在表征崩溃的技术瓶颈；

• 视频生成模型主要通过未来帧生成学习视觉场景中的时空规律，但存在用于长时序视频续写时场景漂移、物体畸变、空间关系错乱、回访结构丢失和几何失真等技术难题；

• 空间智能关注物体、场景、三维结构及其可供性，强调对可交互空间的理解，但存在每轮推理需要完整 3D 仿真重建，长时序成本指数上升等问题；

• 物理AI进一步将接触、约束、运动规律与控制过程纳入建模，服务于机器人和工业系统，但当前系统仅复刻了物理世界的表象运动特征，并未形成类人的物理直觉与自省式认知机制；

• AI Agent与多智能体研究则要求模型表征任务状态、其他主体及其相互作用，以支持长期规划、协作和社会行为模拟。但子智能体角色固定，无法适配动态多变复杂长周期任务，缺少统一抽象范式，不同智能体架构难以互通，框架耦合度高等问题。

这些方向都被不同程度地纳入“世界模型”的讨论，但其技术目标并不完全一致：有的侧重感知预测，有的学习隐空间状态转移，有的强调物理规律与因果结构，还有的直接面向规划和控制。概念边界的扩张，使世界模型逐渐成为多种技术路线的集合性术语，也带来了定义混用、评价标准不一和应用边界模糊等问题。

因此，当前更需要从基本问题出发，对世界模型进行系统辨析：模型所表征的“世界”是什么？状态及其动力学如何定义？预测结果如何转化为规划和行动？不同技术路线分别解决了哪些问题，又受到哪些条件限制？厘清这些问题，是理解世界模型研究进展、比较产业方案并判断其实际能力的必要基础。

理解世界模型的四个基本问题

不同技术路线虽然都使用“世界模型”这一概念，但其建模对象、实现方式与能力目标并不相同。仅以生成结果是否逼真或短期预测是否准确作为评价依据，难以判断模型是否真正学习了环境中稳定的结构与演化机制，更无法说明其能否支持智能体在开放环境中的规划和行动。

当前世界模型面临的问题贯穿整个建模过程：表征学习可能发生坍缩，长期预测会出现误差累积，规划过程可能利用模型漏洞，进入真实环境后还将遭遇分布变化与多主体交互。因此，理解和比较世界模型，需要依次考察四个相互关联的问题：模型如何表征世界，如何学习环境动力学，如何支持智能体决策，以及如何适应开放的复杂系统。

世界如何被表征？

世界模型首先需要确定什么构成环境的“状态”。状态既可以由像素、视频帧或三维几何直接表示，也可以被编码为隐空间变量、对象及其关系、物理量或因果变量。不同表征方式保留的信息和引入的归纳偏置不同，也由此限定了模型能够预测什么、向哪些任务迁移，以及是否能够支持后续规划。

现有世界模型面临的一个基础问题是表征崩溃。在自监督学习或联合嵌入预测中，如果训练目标缺乏适当约束，编码器可能将差异显著的输入映射到相近甚至相同的隐空间位置。模型由此获得较低的训练损失，却丧失了区分环境状态的能力。即使没有发生完全崩溃，模型也可能形成信息维度高度压缩、表征多样性不足的“部分崩溃”，忽略对下游行动至关重要的对象属性、空间关系或物理变量。

表征学习还面临“保留什么、舍弃什么”的矛盾。像素重建容易使模型耗费大量能力拟合纹理、光照等感知细节；高度抽象的隐空间表征则可能过滤掉影响行动结果的微小变化。训练数据中稳定出现的统计相关性，也可能被误认为环境的本质结构，导致模型在视角、场景或任务发生变化时失效。

因此，世界表征的关键不只是压缩感知输入，而是学习一种既能避免表征崩溃，又能保留对象、关系、物理属性及行动可供性的结构化表征。如何检验隐空间是否真正编码了与预测和决策相关的变量，仍是现有世界模型的重要难题。

世界的演化规律如何建模？

形成状态表征之后，世界模型还需要刻画状态随时间和行动变化的机制。Dreamer等模型式强化学习方法侧重学习动作条件下的环境动力学；JEPA在抽象表征空间中预测缺失或未来信息；视频生成模型主要学习视觉序列中的时空变化；物理世界模型则试图进一步引入接触、约束、运动规律与因果结构。

现有模型通常能够在短时间尺度内生成连贯预测，但长期推演仍面临显著的误差累积。模型在每一步产生的微小偏差会被带入下一步预测，经过多轮递归后，模拟轨迹可能逐渐偏离真实环境。在混沌系统或对初始条件高度敏感的环境中，这一问题更加突出。

真实世界还具有随机性和多种可能的未来。以单一预测结果为目标的模型容易将多种演化路径平均化，生成看似合理但实际上并不存在的状态；生成式模型虽然能够表达多模态分布，却可能缺乏跨时间的一致性。部分视频模型可以模拟物体运动的表面规律，却难以保持物体恒存性、几何结构和物理约束，进而出现物体凭空消失、形态突变或因果顺序错误等现象。

另一个关键问题是，模型可能学习到稳定的相关关系，却未必识别出变化背后的生成机制。它能够预测“接下来会发生什么”，不代表能够区分环境的自主演化、智能体行动造成的变化，以及其他主体介入产生的影响。如何从观测数据和交互数据中学习可干预、可迁移的因果动力学，是世界模型由表面预测走向机制建模的核心挑战。

内部模型如何支持智能体？

预测环境变化并非世界模型的最终目标。只有当内部模型进入感知—预测—规划—行动的闭环，帮助智能体比较行动路径、评估可能后果并根据反馈修正策略时，它才真正构成智能系统的一部分。

在机器人操作、自动驾驶和强化学习中，世界模型用于模拟动作后果并辅助控制；在AI Agent中，它需要表征任务状态、工具能力、执行约束与长期目标；在多智能体系统中，还需要估计其他主体的知识、意图与可能行动。

然而，模型误差进入规划过程后，可能产生比单步预测错误更严重的后果。规划器往往会主动寻找模型预测中回报最高的路径，也可能由此发现并利用内部模型与真实环境之间的偏差，即所谓的模型利用或“模型漏洞”。某个行动在内部模拟中具有较高收益，并不意味着它在真实环境中同样有效；规划步数越长，模型误差和不确定性越可能被放大。

世界模型的预测目标与智能体的任务目标也未必一致。一个在视觉预测指标上表现良好的模型，可能没有保留完成任务所需的变量；一个能够准确模拟环境的模型，也可能因目标设定错误、搜索能力有限或计算成本过高，无法形成有效决策。在多智能体场景中，其他主体会根据智能体的行为改变策略，使环境本身呈现非平稳性，固定的内部模型因而很快过时。

因此，世界模型不仅需要提高预测精度，还需要量化自身不确定性，识别模型适用范围，并在真实反馈与内部推演出现偏差时及时修正。持续学习、测试时适应、在线更新及安全探索，正是解决这一问题的重要方向。

世界模型如何适应真实复杂系统？

当世界模型从游戏、仿真环境和机器人控制扩展至数字孪生、工业制造、科学计算、虚拟细胞与社会模拟，其建模对象也从规则相对明确的封闭环境，转向开放、异质且持续演化的复杂系统。

当前模型普遍依赖训练数据与应用环境在统计分布上的相对一致性。一旦场景、对象、任务规则或交互主体发生变化，模型便可能遭遇分布外泛化失败。在线更新虽然能够帮助模型适应新环境，却也可能造成灾难性遗忘，使其在学习新规律的同时丧失已有能力。

真实复杂系统还具有显著的多尺度结构。生命过程可能同时涉及分子、细胞、器官与个体层级，社会系统则包含个体决策、群体互动、制度约束和宏观演化。现有模型往往只在单一时间或空间尺度上建立状态转移，难以同时表示跨尺度反馈，也难以解释微观互动如何产生宏观结构。

此外，许多方法主要建模对象之间的成对关系，但真实系统中广泛存在群组协作、集体约束和其他高阶交互。随着主体数量增加，可能状态和交互关系呈组合式增长，使模型在数据需求、计算成本和长期模拟稳定性方面遭遇可扩展性瓶颈。社会系统中的反身性进一步增加了难度：智能体不仅受到环境影响，还会根据对环境和其他主体的认识改变自身行为，进而反过来改变系统规律。

因此，世界模型进入真实环境，不仅意味着扩大训练数据或提高生成精度，还要求模型处理非线性、多尺度、高阶关联、反馈循环、分布变化与涌现。由此，世界模型开始与复杂系统建模形成实质性交汇：复杂科学为理解开放系统的演化机制提供理论框架，世界模型则为复杂系统的预测、模拟与干预提供新的计算工具。

读书会框架

本次读书会不以某一类模型或单一机构的技术方案为线索，而是围绕世界模型的基本理论问题、主要方法范式与应用场景展开。整体内容分为三个相互衔接的阶段。

第一阶段：概念溯源与理论框架

从人工智能、认知科学与复杂科学等不同视角出发，梳理世界模型的思想来源、概念演进与研究边界，比较JEPA、空间智能、物理AI与认知物理学等代表性研究路径，辨析不同理论对“世界”“状态”“预测”与“智能”的基本假设，由此建立理解和比较世界模型的总体框架。

第二阶段：方法范式与共性问题

围绕模型式强化学习、联合嵌入预测、生成式建模、空间智能、物理世界模型与结构化建模等主要方向，介绍具有代表性的研究方法，分析其建模对象、表征形式、学习目标与适用边界。

尽管不同方法在模型架构、训练机制和任务设定上存在显著差异，但仍面临一系列共性问题：如何学习稳定、可泛化且与行动相关的世界表征，并避免表征崩溃；如何刻画符合现实的环境动力学、物理约束与因果关系；如何表示不确定性及多种可能的未来；以及如何将环境预测转化为有效的规划、控制与决策。各期主讲人可结合自身研究方向，对相关方法及其核心问题进行专题讨论。

第三阶段：应用场景与前沿拓展

进一步考察世界模型在具身智能与机器人、自动驾驶、AI Agent、多智能体系统、社会模拟、数字孪生、生命系统及科学计算等场景中的应用，分析不同任务对状态表征、动力学建模、因果推理与智能决策提出的具体要求，并讨论世界模型从受控实验环境走向开放真实系统所面临的泛化、适应、安全与可扩展性问题。

适合谁参加？

如果你正在关注以下问题，这次读书会或许能为你提供一幅更完整的研究地图：

• 希望系统了解世界模型的概念、历史与主要技术路线；

• 从事强化学习、具身智能、机器人或自动驾驶以及物理AI研究；

• 关注AI Agent、多智能体协作与社会模拟；

• 希望理解预测加工、主动推理等认知科学理论；

• 研究复杂系统、群体智能、高阶网络或系统建模；

• 面对不断出现的新模型，希望建立一套可持续使用的分析框架。

读书会不要求参与者预先掌握所有技术方向，但希望大家愿意阅读文献、提出具体问题，并参与有实质内容的交流。

我们最终想回答什么？

世界模型不是给智能系统增加一块独立的“世界知识库”，而是要重新理解感知、记忆、预测、规划与行动之间的关系。

一个真正能够进入现实环境的智能体，可能不仅要预测下一刻会发生什么，还要知道哪些变量值得关注、什么关系在推动变化、自己的行动会造成怎样的后果，以及原有模型何时已经失效。

这也是本次读书会希望贯穿始终的几个问题：

模型学习了什么？世界如何被表示？动力学如何被建模？智能体又如何利用这个世界？

当人工智能从语言和屏幕走向机器人、生命系统、工业现场与多主体社会，对这些问题的回答，将决定世界模型究竟只是又一个热门概念，还是通向下一代智能的重要基础。

发起人团队

牟牧云，北京通用人工智能研究院高级研究工程师，北京师范大学系统科学学院博士，研究兴趣包括复杂系统建模与调控、强化学习世界模型以及认知科学相关内容。

胡洁雯，北脑和协和医学院研究生，曾在上海中科院神经所做连接组学项目，关注全脑神经元动力学等。在北脑吉妮实验室做认知计算的工作，关注人类探索/推理等行为特点和认知机制。

特邀主讲人

鲍泓，二级教授、博导，原北京联合大学副校长，北京市信息服务工程重点实验室创始主任，北京联合大学机器人学院/人工智能学院教授，现担任中国人工智能学会智能驾驶专业委员会副主任、中国通信学会创新驱动工委副主任、高级别自动驾驶安全测试与验证北京市重点实验室学术委员会委员等。

主题：世界模型的溯源与演进 — 构建面向下一代人工智能的认知框架

内容简介：当前人工智能行业内，“世界模型” 相关概念存在边界模糊、定义繁杂、内涵混淆等乱象。本讲将从世界模型的发展脉络切入，系统梳理其背后的认知科学研究范式与底层核心逻辑：思想起源阶段：追溯至 20 世纪 40 年代心智仿真假说，这是世界模型思想最早的源头；系统建模阶段：20 世纪 70 年代，学界围绕全球资源、生态环境、宏观经济发展等重大议题开展量化推演与趋势预测，依托系统动力学方法论搭建世界模型 II、世界模型 III 等经典模型；人工智能阶段：21 世纪 20 年代，基于 Transformer 架构的大语言模型在离身智能赛道实现跨越式突破，其技术底座为深度神经网为代表的第四代人工神经网络（4G-ANN），这类虚拟AI缺乏对真实物理世界的感知、理解与行动能力。现阶段：为突破纯虚拟大语言模型的局限，打造可感知、理解物理世界并完成交互、自主行动的具身智能，学术界与产业界陆续提出多种方案和多条并行技术路线，代表性方案包括：世界模型结合 JEPA 架构、空间智能融合 POMDP 方法、物理 AI 搭配 Omniverse 仿真平台，以及国内学者提出的 OOXA 认知螺旋模型与认知物理学体系。课程将逐一拆解各类方案的适用边界、网络架构设计与底层理论支撑。同时，本讲将剖析现阶段世界模型落地过程中存在的表征崩溃等核心技术瓶颈，并给出针对性解决思路；进一步探讨以认知科学为先导融合物理-生物-信息技术的第五代人工神经网络（5G-ANN）为核心底座的世界模型，能否成为下一代人工神经网络核心范式。

德国物理学家、哲学家海森堡曾提出：科学诞生于思辨探讨，根植于思想交流。本讲作为系列 “世界模型” 专题的开篇内容，旨在抛砖引玉，诚挚欢迎各位开展深度研讨、交流观点。

本讲核心参考文献

世界模型思想源流

[1] D. Ha, J. Schmidhuber. Recurrent World Models Facilitate Policy Evolution. NeurIPS, 2018. (arXiv:1809.01999)

[2] Y. LeCun. A Path Towards Autonomous Machine Intelligence. OpenReview, 2022 (Version 0.9.2).

世界模型联合嵌入预测架构（JEPA）

[3] M. Assran, Q. Duval, I. Misra, et al. Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture (I-JEPA). CVPR, 2023.

[4] A. Bardes, Q. Garrido, J. Ponce, et al. V-JEPA: Latent Video Prediction for Visual Representation Learning. arXiv:2312.14119, 2023.

[5] M. Assran, A. Bardes, D. Fan, et al. V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning. arXiv:2506.09985, 2025.

世界模型式强化学习

[6] D. Hafner, J. Pasukonis, J. Ba, T. Lillicrap. Mastering Diverse Domains through World Models (DreamerV3). Nature, 2025. (arXiv:2301.04104)

[7] N. Hansen, H. Su, X. Wang. TD-MPC2: Scalable, Robust World Models for Continuous Control. ICLR, 2024. (arXiv:2310.16828)

生成式与交互式世界模型

[8] J. Bruce, M. Dennis, A. Edwards, et al. Genie: Generative Interactive Environments. ICML, 2024. (arXiv:2402.15391)

[9] Google DeepMind. Genie 3: A New Frontier for World Models. 技术报告, 2025.

世界模型与社会模拟相关文献

[12] X. Xue, D. Zhou, X. Yu, G. Wang, J. Li, X. Xie, L. Cui, F. Y. Wang. Computational Experiments for Complex Social Systems: Experiment Design and Generative Explanation. IEEE/CAA Journal of Automatica Sinica, 11(4): 1022–1038, 2024.

[13] 计算实验方法的溯源, 现状与展望. 薛霄， 于湘凝， 周德雨， 彭超， 王晓， 周长兵， 王飞跃. 自动化学报 49 (2), 246-271

[16] X. Xue, X. Yu, F. Y. Wang. ChatGPT Chats on Computational Experiments: From Interactive Intelligence to Imaginative Intelligence for Design of Artificial Societies and Optimization of Foundational Models. IEEE/CAA Journal of Automatica Sinica, 10(6): 1357–1360, 2023.

[17] X. Yu, Y. Guo, Y. Hou, X. Xue, Q. Ma. CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations. Findings of the Association for Computational Linguistics: ACL 2026, 24447–24479, 2026.

[18] Y. Guo, Z. Zhao, X. Liu, X. Yu, Q. Ma, D. Zhou, X. Xue. From Script to Stage: Automating Experimental Design for Social Simulations with LLMs. Findings of the Association for Computational Linguistics: ACL 2026, 15897–15916, 2026.

薛霄，天津大学智能与计算学部，教授、博导。主要研究方向为服务计算、计算实验、AI Agent、群体智能。目前兼任：天津市健康人居环境与智慧技术重点实验室副主任；中国自动化学会计算社会与社会智能专委会副主任。2020年与2025年出版著作《复杂系统的计算实验方法一一原理、模型与案例》与《复杂系统的计算实验方法—— 从Agent Simulation 到 Social Simulator》，是国内第一次对计算实验方法进行系统化梳理的专著系列，获得同行高度评价。

主题：世界模型驱动的AI Agent与社会模拟：从认知建模到群体智能

内容简介：本次分享围绕世界模型在AI Agent中的应用展开，介绍智能体如何构建对环境的内部认知，并据此完成规划、决策与协作。结合工作流Agent、本体网络、多智能体协同等典型场景，分析世界模型在任务执行中的作用；以斯坦福小镇（Generative Agents）等社会模拟案例为例，探讨智能体如何形成主观世界模型并模拟社会行为；进一步讨论Agent如何理解物理环境、学习物理规律，以及世界模型在社会模拟与群体智能研究中的应用价值。

高跃，清华大学长聘副教授、博士生导师，主要研究领域为人工智能、计算机视觉及医学图像处理，系统性提出了超图计算理论，建立了以超图结构为基础的高阶关联理解方法体系，实现了高阶关联结构解析、融合表示及通用知识迁移，有效应对人工智能应用场景中数据不足和信息关联复杂等挑战，破解高阶关联理解存在的科学瓶颈，应用于计算机视觉、医学辅助诊断与大模型等领域。研究成果在Nature Communications、Engineering、中国科学、IEEE TPAMI等发表论文百余篇，论文谷歌学术引用2万余次、SCI他引近万次，出版《超图计算》、《Hypergraph Computation》等专著，多次入选科睿唯安高被引科学家、爱思唯尔中国高被引学者和中国智能计算科技创新人物，担任IEEE TPAMI、IJCV、MedIA等人工智能、计算机视觉及医学图像处理国际顶级期刊编委，曾以第一完成人获得中国电子学会自然科学一等奖。

主题：复杂交互视角下的世界模型：高阶关联、群体智能与复杂系统建模

内容简介：本次分享将从复杂科学与高阶网络的视角重新审视世界模型，探讨传统状态建模之外的高阶关联、复杂交互和多主体协同机制。重点分析世界模型如何突破简单状态转移的描述方式，将高阶关系、群体行为与复杂系统演化纳入统一建模框架，为复杂环境中的智能决策、群体智能以及未来世界模型的发展提供新的理论视角。

利友诚，北京大学智能学院 2023 级博士生，师从王立威教授，Medge AI 核心团队成员、科学世界模型核心算法总架构师。其研究聚焦通用人工智能的关键底层问题，包括世界模型、多模态表征学习、因果推断、强化学习与主动学习，致力于推动 AI 从“生成语言”走向对真实世界的表征、预测、干预和持续校正。

主题：世界模型驱动AI for Science：下一代科学研发范式

内容简介：

本次分享围绕“世界模型如何重构工业界科学研发”展开。面对实验成本高、周期长、数据割裂、结果难复制等挑战，LLM与自动化工具虽能提升局部效率，却难以理解科学对象的状态演化及干预后果。分享将阐明科学世界模型与大语言模型、生成式世界模型及数字孪生的根本区别：它不仅生成内容，更要表征真实系统、预测多种未来、量化不确定性，并接受实验反馈校正。进一步探讨其如何与AI for Science结合，把因果推演、主动实验、机器人自动化和现实验证连成闭环；并以高校实验室、临床试验、CRO与药企为场景，分析从辅助决策、试验设计到研发协同的落地路径。最后讨论数据飞轮、模型复用、服务化商业模式及平台网络效应，说明世界模型如何从单点工具演变为下一代科学研发基础设施。

参考论文：

[1] Yu, H., Li, Y., Zhang, N. et al. A foundation generative model for breast ultrasound image analysis. Nature Biomedical Engineering (2026).

[2] Ha, D. & Schmidhuber, J. World Models. arXiv:1803.10122 (2018).

[3] Bodnar, C. et al. A foundation model for the Earth system. Nature (2025).

[4] Zeni, C. et al. A generative model for inorganic materials design. Nature639, 624–632 (2025).

[5] Brunton, S. L., Proctor, J. L. & Kutz, J. N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems. PNAS113, 3932–3937 (2016).

运营负责人

运行模式

「世界模型」读书会2026季正式启动

时间规划：2026年8月7日开营，共持续8-10周左右。

参与形式：腾讯会议——每周五晚19:30-21:30。

报名您将获得：

• 扫描二维码直达报名通道，锁定学习席位。

• 加入专属学员群，与读书会发起人、主讲人及优秀同行直接交流。

• 每期内容结束后可随时观看高清视频回放，支持反复学习与复习。

• 报名之后还可自荐成为主讲人，分享世界模型相关研究。

欢迎加入世界模型读书会，与不同研究背景的同行一起，从认知、计算与复杂系统出发，重新理解智能体如何认识世界，并在世界中行动。

报名参与读书会

读书会价格：299元

报名方式

第一步：微信扫码填写报名信息。

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：

我们鼓励围绕复杂系统、人工智能及相关具体问题的深入探讨。为保证讨论质量，请避免发表脱离本期读书会主题、缺乏实证基础或过于空泛的哲学思辨类内容。

若讨论内容明显偏离主题，经主持人提醒后仍未调整，为维护整体学习环境，我们将不得不将该成员请出讨论群，并根据其实际参与进度，对未参与部分按比例办理退费。

感谢您的理解与配合，让我们共同营造一个专注、深入、有收获的共学空间。

加入社区可享核心资源

成为会员即可解锁完整学习生态，包括：线上实时问答、全部课程录播回看、独家资料共享、高质量社群交流、第一手信息同步，以及通过参与共创任务获取积分等权益。

特色退费与激励机制

我们提供以下两种途径，让您的投入获得实际回馈：

1. 任务达标退费路径
   

   认领并合格完成任意两期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。

2. 运营成长激励路径
   

   合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。

相关内容推荐

1. 「世界模型」读书会推荐阅读材料

扫描下方二维码可跳转至集智斑图网站阅读文章：《世界模型》读书会推荐阅读材料。

1. 往期公众号相关内容推荐