arXiv：从人类认知出发重新审视世界模型

导语

从视频生成、具身智能到能够检索文献和调用工具的AI Agent，越来越多系统被冠以“世界模型”之名，但生成连贯画面是否等于理解物理世界，完成复杂任务又是否意味着具备真正的机器认知？2016年4月17日发表于arXiv的一篇综述以认知架构理论为框架，从感知、记忆、语言、推理、想象、动机与元认知七项功能出发，系统比较视频、具身与知识型世界模型。研究指出，当前模型在世界表征和未来预测上进展显著，但内在动机与元认知仍明显不足；世界模型要从“生成得像”走向真正服务于预测、行动与自我修正，仍需回答目标从何而来，以及系统能否识别并纠正自身错误。

关键词：关键词：世界模型、认知架构、机器认知、具身智能、AI Agent、主动推断、元认知

贾梓杏丨作者

赵思怡丨审校

论文题目：Human Cognition in Machines: A Unified Perspective of World Models 论文链接：https://arxiv.org/abs/2604.16592 发表时间：2026年4月17日 论文来源：arXiv

今天，越来越多不同的技术路线被放进“世界模型”（World Model）这个名字之下：从 Dreamer 的潜空间想象、JEPA 的表征预测，到生成未来视频、机器人在行动前预演后果，再到能检索文献、调用工具的 AI Agent。这些系统常被描述为能“理解场景”“想象未来”“推理行动”，甚至表现出“类人行为”。 但一篇新综述提醒我们：这些描述在指向具体计算能力时是有用的，却也可能掩盖模型实际在做什么——生成了连贯的几秒画面，就等于理解了物体、因果和行动吗？能写出研究计划，就等于拥有了某种"科学世界模型"吗？ 《Human Cognition in Machines: A Unified Perspective of World Models》没有试图再给世界模型下一个更宽泛的定义，而是换了一把尺子：以认知架构理论为组织框架，把当代世界模型放进感知、记忆、语言、推理、想象、动机和元认知这七项功能中逐一审视——不问系统整体上"像不像人"，而问它在功能上实现、近似或遗漏了哪些认知能力。沿着这把尺子，研究者发现了两个被严重忽视的功能：动机与元认知，并以主动推断和全局工作空间理论为参照，给出了改进方向。

1. 当“世界模型”成为集合性术语

1.1 从内部模型到技术热词

“世界模型”并不是凭空出现的新名词。早在 1943 年，心理学家 Kenneth Craik 就在《The Nature of Explanation》中提出，人会在头脑中携带一个外部世界的“小尺度模型”，用它来预演尚未发生的事件——这几乎就是今天世界模型定义的雏形。后来 Grush 进一步论证，Craik 所识别的感知—运动回路（sensorimotor loop）会在大脑中形成建模世界的神经回路：感觉运动交互不断确认或否决模型对感觉反馈的预期。

认知科学家 Allen Newell 则尝试把人类与机器的认知活动拆解为可以统一讨论的功能部件。在强化学习中，这一思想被写成了更可操作的形式：智能体学习环境的状态转移规律，再利用这个内部模型生成模拟经验、规划行动——Sutton 提出的 Dyna 架构即是代表。[4]

2018 年，Ha 与 Schmidhuber 将可学习的视觉压缩、记忆网络和控制器结合，以“World Models”命名这条在内部潜空间中训练控制策略的路线。[2] 此后，随着视频生成、具身控制、视觉—语言—动作模型（VLA）及 Agent 系统的迅速发展，世界模型开始覆盖越来越大的对象范围：它可以是像素或三维几何的预测器，也可以是动作条件下的潜状态动力学，还可以是围绕语言、文献、数据库与工具输出不断更新的知识状态。

图1：世界模型思想谱系：从心智模型、认知架构与 Dyna，到今天的神经世界模型。图源：笔者自行可视化，依据相关文献整理。

1.2 分类角度

这种扩张并不意味着所有系统都在做同一件事。它恰恰说明，“世界”可以指视觉时空、可操作的物理环境，也可以指一组会被交互改变的知识状态；而“模型”可以是显式的转移函数，也可以分散在编码器、策略、检索器、工具调用和多 Agent 协议之中。

这正是《Human Cognition in Machines》一文首先面对的概念问题。作者指出，“世界模型”一词的快速扩张制造了概念上的含混：当一个系统被描述为“理解场景”“想象未来”时，这些说法可以提示模型可能具有的计算能力；但若没有明确的功能标准，它们也会遮蔽系统实际做了什么、没有做什么。用论文的话说，这个领域缺少一种共享的词汇，来区分“哪些认知功能已经存在、哪些缺席、哪些仍只是愿景”。

例如，能生成下一帧不等于能够为行动建立因果预测；能在长上下文中保留 token，不等于具有可检索、可更新并能参与决策的记忆；有一个 reward function，也不等于系统形成了自己的动机。既有综述常把世界模型粗略分为“世界表征”与“世界生成”两类，本文并不否认这个划分，而是追进一步：两类系统的内部究竟依赖哪些认知功能？不同领域在这些功能上又各自推进到了哪里？在论文的综述范围对比表（Table 1）中，既有综述分别按“理解 vs 预测”“仿真器”“物理对齐”等线索组织，而本文是第一个以认知架构理论为组织框架、并同时覆盖视频、具身与知识型三类系统的综述。

2. 从人类认知出发

2.1 Newell、Soar 与 Global Workspace

本文借用的不是“机器大脑”这一比喻，而是认知架构理论中的功能分解：先把一个能够适应环境的智能系统需要完成的工作拆开，再检查不同人工系统在这些工作上分别做到了什么。

Newell 在《Unified Theories of Cognition》中给出了这套分解的关键来源：感知、记忆、语言、推理、想象和动机，都可以被理解为人类与机器认知中需要协调的功能部件。[3] 值得注意的是，Newell 的原始清单只有这六项；本文作者额外加入了第七项——元认知，理由是它在调节其他所有认知功能时具有关键作用。

随后，Laird 与 Newell 将这份清单实现为 Soar 认知架构：一个递归的 State–Operator–Result（S-O-R）循环——系统表征当前状态，选择并应用算子，再得到一个新状态，写作 R＝frules(Sₜ, Oₜ)，其中 R 就是 Sₜ₊₁。[6] 论文把它和今天世界模型的标准写法并置：zₜ₊₁＝Wθ(zₜ, aₜ)。状态对应状态，算子对应动作，规则函数对应学到的转移模型——这个式子不只是一个神经网络公式，也是一个认知循环的现代写法。Soar 的产生式规则作用于一个共享的工作记忆，这又恰与为人类认知提出的全局工作空间理论遥相呼应。

图2：本文分类框架的三项理论来源。Newell 的功能分解提供坐标；Soar 将状态、操作和结果写成循环；GWT 提供全局可访问与元认知的视角。（图源：笔者自行可视化，依据论文及相关文献整理。）

Global Workspace Theory（GWT）补充的是另一层问题：信息能否在不同认知成分之间被共享和访问。Baars 用“剧场”作类比：记忆、语言、感官处理等成分像舞台上的演员与道具，幕后还有一位导演在排练中给出反馈；注意的“聚光灯”在成分之间移动，一次只照亮一处，但即便不在聚光灯下，剧院的所有组件依然在场并相互作用。[5] 论文借此讨论元认知，但并没有把“全局可访问”直接等同于元认知：只有当系统能利用这些共享信息去反思、评价或控制自己的表征、推理和决策时，才算跨过了元认知的门槛。

语言在这一框架中的位置也值得单独一提。论文回顾了从“语言是影响外部世界的工具”到“语言演化自人类共享意图的能力”的谱系，并引用 Deacon 与 Jaynes 的论断——“符号思维并非先天内置，而是通过内化语言背后的符号过程发展起来的”“意识嵌入在语言之中”。作者由此断言语言的作用至关重要（paramount）：人类语言始终指向一个由交谈各方共享的世界模型。

2.2 一种描述方式

作者明确承认，认知架构并不只有一种合法的功能划分：ACT-R 使用贝叶斯式的激活机制，ICARUS 强调层级化的技能与概念，EPIC 关注感知—动作的时间约束，Active Inference 则以生成模型和自由能目标组织认知。选择 Newell 的分解，并不表示它是关于认知的最终答案；它的价值在于，Newell 的功能清单同时贯穿早期与当代的机器认知研究，因而能把视频、具身和 Agent 系统放进同一坐标中比较。

同样重要的是“功能类比”与“机制等同”的区分。论文说得很直白：机器认知是在功能上模拟（functionally emulates）人类认知的组件，而不是在机制上复制它们。“当我们说一个世界模型有‘记忆’时，我们的意思是它在时间步之间维持了状态表征，而不是说它拥有任何类似情景回忆或人类记忆生物基础的东西。”一个模型可以被归入“记忆”，因为它维持了跨时间一致的潜状态，这并不意味着它有人的情景记忆；一个 Agent 可以在语言工作空间中反复生成、评审和修改假设，这也不自动证明它拥有意识。本文要比较的是计算贡献，而不是把人工系统的内部机制拟人化。

正是这种克制，让框架的提问方式变得可检验：某个表征是否保留了任务相关变量？某次 rollout 是否真的受行动条件约束？模型能否发现自己的预测不可靠，并据此改变后续的信息获取或行动？

3. 七项认知功能：统一框架与数学骨架

3.1 七项功能及其内部结构

论文从 Newell 的六项功能出发，补充元认知后得到七项，每一项都对应一个明确的“世界模型类比”：感知对应把观测编码为世界状态 zₜ；记忆对应存储过去状态、地图或外部记忆；语言对应对目标、状态与推理的 token 化；推理对应从其他组件推断 zₜ₊₁ 或 aₜ；想象对应 rollout 生成的、模拟的或假想的状态与动作；动机对应选择 zₜ₊₁ 或 aₜ 的准则；元认知则对应对所有其他组件的自我反思、自我评估与自我控制。

这套分类还有一个比“七功能清单”更重要的内部结构：感知与记忆对应传统世界模型中的 world representation；想象与动机对应 world prediction / generation；语言与推理横跨二者；元认知则作用于整套系统。也就是说，论文不是把语言简单放入“输入端”、把推理简单放入“输出端”，而是将二者视为连接世界表征与世界生成的中间能力。而元认知也不是一个额外的内容模块，它是其他功能的递归应用：推理自己的推理、监控自己的感知、评估自己的记忆检索，并据此决定修改表征、补充信息、模拟备选方案，还是暂缓行动。

表 1. 本文采用的七项功能及其世界模型类比。资料来源：论文 Table 2。

图3：论文提出的统一认知框架。图中将感知、记忆、语言组织为世界表征，将推理、想象、动机组织为世界生成，并把元认知置于对其他功能的调节层。（图源：论文 Fig. 3）

用这套框架给具体工作归类时，作者采用了一条刻意克制的编码规则：只有当一项工作自述的贡献明确落在某项功能上时，才为它标记该功能；声称多项贡献的工作会被归入多类。以 I-JEPA 为例：它的第一项贡献——通过预测表征（而非像素）学习强编码——被记为感知与动机上的创新；而“模型更简单、归纳偏置更少”与“可扩展、高效”则被视为非认知层面的工程考量，不计入任何功能。这条规则让分类结果可以被检查，也让持有不同意见的读者能够精确定位分歧所在。

3.2 感知：压缩不是目的，“足够”才是约束

论文为这套功能框架写出了一组统一的数学骨架。感知从多模态观测开始：图像、语言、音频等输入 oₜ 经由编码器 φθ 形成当前的潜在世界状态 zₜ＝φθ(oₜ)。这一表示同时受两个约束：它的维度不能超过记忆容量预算 B，即 dim(zₜ)≤B；它与观测之间的互信息也不能无节制地大，即 I(oₜ; zₜ)≤C——这是信息瓶颈的形式。

图4：多模态观测经编码器形成潜在状态，同时受到 memory budget 与 information bottleneck 约束。（图源：笔者自行可视化，依据论文 Eq. (2)–(3) 整理）

但压缩本身不是目的。作者进一步用一个“足够性”（sufficiency）条件来选择编码器：在所有候选编码器组成的集合 F 中，理想的 在尽量少保留冗余信息的同时，必须让下游任务 T 达到不低于 ρ 的预期回报，即 ，。这里的下游算子 T 可以是世界转移模型 Wθ、直接策略网络，也可以是模型预测控制器（MPC）。换言之，世界表征要丢弃多少细节，取决于这些细节会不会影响后续的预测、规划和行动。论文特别指出，ρ 这样的阈值由研究者选择——所谓“足够好的表征”，仍然取决于人在系统之外定义的任务。

3.3 记忆：状态必须携带历史

单时刻的编码有一个明显漏洞：zₜ＝φθ(oₜ) 不含任何状态转移动力学，无法表示状态如何随时间演化；而且从单一观测状态出发去最大化一个标量奖励，容易导致 reward collapse，并在长时程、奖励延迟的任务中加剧信用分配问题。论文于是把观测扩展为历史序列 o≤t，让潜状态携带短期记忆：zₜ＝φθ(o≤t)，信息瓶颈也随之改为针对整段历史 o₁:t。

这一改写的实践含义很直接：当世界以视频帧的形式呈现时，V-JEPA 与 I-JEPA 的差别，正在于是否把滑动窗口式的短期记忆纳入表征。而记忆也不止于上下文长度。论文回顾了从演化中的 LiDAR 地图、光流与 3D 点流，到可查询的长期场景记忆（如 MosaicMem、SparseWorld），再到 KV-cache、自回归 transformer 与状态空间模型等一系列机制，并给出一个强调性的判断：“Adding memory to world models does not just make world models more human-like, it is what makes their practical use possible.”——给世界模型加上记忆，不只是让它们更像人，而是让它们的实际应用成为可能。这也解释了为什么视频世界模型、激光雷达地图和跨模态时序编码会同时触及感知与记忆：它们共同回答的是“什么样的状态足以支持后续的世界演化”。

3.4 语言与推理：连接表征与生成

在论文的框架里，语言占据一个特殊位置。作者指出，LLM 与 VLM“本身就是世界模型”——尽管它们作为世界模型的鲁棒性仍有争议：有证据表明，语言模型学到的潜空间会跨模态收敛到相似的嵌入，其视觉表征甚至与人脑的激活模式对齐；也有证据表明，LLM 对意义并不敏感、尚不能像人一样推理。更重要的是语言与元认知的关系：从统一框架图可以看出，语言可以作用于其他每一个认知组件——论文图注称之为“语言模仿了元认知”（the component of language mimics metacognition）。但作者同时保持谨慎：语言是否是操作机器中其他认知组件的理想算子，“尚待验证”。

推理则被写作一个优化问题。若转移模型 Wθ 支配潜状态演化、奖励函数 R(z) 评估未来状态的可欲性，那么行动选择就是在时间范围 H 内寻找使累计期望回报最大的行动序列：（Eq. 6）。在这个意义上，“行动选择可以被理解为对时空潜轨迹的推断”。论文把当代系统的推理设计排成一个谱系：一端是 VLA 这样的直接策略网络，用 VLM 骨干加 flow-matching 动作头，把观测直接映射为动作，完全绕过显式的未来状态预测；另一端是只表征世界、另配独立价值或策略模型的 World Action Models——表征与行动生成的分离带来了想象上的最大灵活性，但世界预测的误差与行动选择的误差也会各自独立地累积。

想象（imagination）则有两种形态：训练时的“dreaming”——在无监督或模拟环境中学会世界动力学，让策略在潜空间中预演，从而以 sim-to-real 克服真实数据的稀缺；推理时的假设性推理（hypothetical reasoning）——在一组候选行动 rollout 上模拟未来，以选出最优动作。而这一切的前提是 3.2 节的编码足够好：只有可遍历、在长时程上保持一致的世界表征，想象的轨迹才不会迅速失真。

3.5 动机：谁在选择未来？

在论文的统一框架中，想象、动机和推理组成一个连续的行动环：想象从当前状态 rollout 出可能的未来，动机为这些未来提供选择标准，推理据此选取轨迹。传统模型式强化学习把这个过程写成 3.4 节的 Eq. (6)：在行动序列中寻找使未来回报期望和最大的那一条——世界模型负责预测，reward function 则告诉系统哪些未来值得追求。问题在于，这个 reward 通常定义在世界模型外部：手工设计的奖励在新环境里可能无法泛化，甚至会与真正的操作目标错位（misaligned）；多任务训练和 RLHF 能补充目标与偏好，却并没有回答“目标从哪里来”。论文的盘点印证了这一点：三个领域中动机一栏的创新“几乎总是”实现某种外在动机，而“Using intrinsic motivation for world models is drastically unrealized”——在使用内在动机的强化学习工作中，只有 7 篇是显式的世界模型工作，其中仅 3 篇明确把 Active Inference 用作奖励信号。

作者因此把 Active Inference（主动推断）[7] 作为一个值得认真探索的方向。它把认知理解为不断“最小化惊讶”的过程，并分成两条路径。面对已经发生的观测，系统更新自己关于世界的信念：观测越出乎意料，“惊讶”（surprise）就越大；而直接计算惊讶需要对看不见的潜在状态积分，通常不可行，于是转而最小化它的一个可优化上界——变分自由能。这个量可以拆成 complexity 与 accuracy 两项：前者是为了容纳新证据，当前信念相对先验需要改变多少；后者是这些信念能否把已经看到的数据解释好。最小化自由能，就是在“不要无谓地改变既有信念”与“要把证据解释清楚”之间取得可优化的平衡。面对尚未发生的未来，系统则用期望自由能来比较不同的行动方案，其中同样有两项：information gain——沿这条路径走下去，未来观测能在多大程度上减少模型对世界的不确定性；value——这条路径带来的结果有多接近系统偏好的状态。最小化期望自由能的行动，既“减少不确定”，又“趋向偏好”。

这就是 Active Inference 与动机相连的准确位置：它把“认识世界的需要”（信息增益、减少不确定性）和“趋向某些世界状态的需要”（偏好结果）同时写进行动选择的目标——探索欲与目标追求不再是外挂的静态标量奖励，而是从生成模型内部长出来的信号。这正是“内在动机”的精确含义：它回答的不是“世界将如何演化”，而是“什么样的未来值得被选择”。不过论文也保持清醒：偏好分布本身仍可由设计者给定，目标的来源依然部分是外部的；而且今天替世界模型选择阈值、设计奖励与训练集的，仍是研究者本人——“It is researchers who breathe life into world models.”

3.6 元认知：不是“再想一遍”

论文补充进框架的第七项功能——元认知，同样不能被简化为多一轮生成。按照论文基于认知架构理论与 GWT 给出的操作性定义，它是 self-reflection、self-evaluation 与 self-control 的能力：估计不确定性、发现错误、选择模型、重新规划、寻求额外信息，或者暂缓行动。Soar 把抽象任务递归拆解为子任务、在进展受阻时对记忆与感知等组件进行“调试”并提出替代路线，提供了一种早期类比；但论文的措辞很保守：这仅仅“展示了最低程度的”（a minimal degree of）元认知，让世界模型具备类人元认知“在理论上可能，但在实现上仍是一个基本未解的问题”。核心局限在于：潜空间世界模型学会了 zₜ 和状态转移，却“缺少一种监控、评估或控制内部计算路由的机制”。

作者讨论了几条潜在的工程路径作为近似：用 mixture-of-experts 加 world-aware router，让路由对专家的选择表现出某种自我控制；让 router 决定 looped transformer 的循环次数，即对“推理多少”的控制——某种意义上是“reasoning about reasoning”；或引入第一人称之外的第三人称视角模态，为自我反思提供更多参考。语言 Agent 的 Global Workspace 则提供了一个更直观的起点：共享的语言记录让系统可以比较不同假设、检查工具结果、要求补充证据，生成与判断也可分配给不同角色，通过 critique、ranking、execution trace 等机制形成“提出—评估”循环。但这只是元认知的脚手架，不是已经完成的自主元认知：评审器可能与生成器共享数据、模型和盲点。作者的结论因此并不乐观：关键不只是“多加几个 Agent”，而是发展出可靠的来源追踪（provenance tracking）、不确定性感知的验证，以及可问责的人机治理机制。

图5：综述提出的几条潜在元认知工程路径：按状态选择专家、调节推理深度，以及利用多视角进行交叉检查。（图源：笔者自行可视化，依据论文及相关工作整理）

4. 不同的世界表征

4.1 Video、Embodied 与 Epistemic

作者将当代世界模型研究归入三类。Video World Models 围绕视觉时空状态工作：以观测和动作为条件生成或预测未来视觉状态，核心挑战是空间一致性与长时程的时间连贯。Embodied World Models 把问题推进到可干预的物理环境：接触几何的感知、持久环境的记忆、力传播的推理，都成为状态建模的一部分。前两类被统称为 latent world models——它们在学习得到的潜空间中表示和预测世界，涵盖了此前绝大多数世界模型工作。

第三类是作者新提出的 Epistemic World Models。这里的“世界”不再是场景或机器人周围的物体，而是由文献、数据库、代码、实验结果、工具输出和人类反馈组成的结构化知识空间：领域专业知识诱导出状态空间，科学产物充当观测，智能体通过推理和工具操作不断更新这个认识状态。前一类路线是对外部环境的“潜压缩”，后一类则是对结构化知识的“显式维护与更新”——两种互补的世界建模策略。

图7：本文的三类世界模型。Video 与 Embodied World Models 主要在潜在状态中表示与预测世界；Epistemic World Models 将知识工作空间视为可更新的“世界”。（图源：笔者自行可视化，依据论文整理）

4.2 视频世界模型：超越“视觉上的逼真”

论文用一组方程概括视频世界模型：zₜ₊₁＝fθ(zₜ, aₜ)，xₜ＝gφ(zₜ)——潜状态编码场景几何、物体位形、物理因素与时间上下文，视频经由“状态演化加渲染”产生，而不是逐帧直接合成。作者由此强调：Wan、Sora、Kling 这样的系统“并不只是在合成像素”；一个世界模型必须超越视觉上的逼真（visually plausible synthesis），支持持久的状态表征、因果的转移建模、可控的干预和有物理依据的预测。这一区分标志着“从被动的文生视频，走向可交互、可控制、面向智能体的环境”。

在这一框架下，视频域的推理被整理为几种范式：自回归因果 rollout（zₜ₊₁＝Wθ(z≤ₜ)），每一步只看过去，因果清晰但误差逐步累积；可提示/动作条件生成（zₜ₊₁＝Wθ(zₜ, aₜ, c)），可以回答“如果这样做会怎样”；双向/掩码生成则对整条轨迹的联合分布建模，全局更优但严格因果性较弱。关于记忆，论文的判断同样适用于此：关键不在于上下文窗口有多长，而在于设计出“在反复 rollout 下仍保持稳定与因果性”的潜状态——Self-Forcing、Causal Forcing、Reward Forcing 等工作，正是在处理训练与生成之间的输入错位（exposure bias）与长程漂移问题。

值得注意的是两个“缺席”。其一，语言在视频世界模型中几乎不作为明确贡献出现——Table 3 的语言列近乎空白，正文甚至没有任何一个语言小节。其二，动机虽有个案——如用可验证的牛顿力学奖励对视频扩散模型做后训练，或 Cambrian-S 以预测误差作为“surprise”来驱动记忆更新与事件分割——但论文对后者有一句关键批评：它“falls short of implementing Active Inference’s full exploratory learning objective”，只用像素级预测误差作 surprise 的代理，缺少驱动探索的信息增益项（见 3.5 节）。

4.3 具身世界模型：从像素到接触几何

论文用一句话点明具身域与视频域的本质区别：视频世界模型的成功，在于生成的帧足够逼真、时间上连贯；而具身世界模型的成功，在于它的预测在物理上准确到足以引导一个有质量、有运动学、有接触表面的身体完成任务。因此，感知必须编码接触几何与六自由度位姿，而不只是视觉外观；记忆必须维持跨交互的、空间落地的持久世界模型；推理必须捕捉物理因果与力的传播；想象必须生成物理上可执行的动作条件未来。

与视频域相比，语言在具身域有了一席之地：LiDARCrafter 把自由文本转成场景图再生成 LiDAR 序列；DrivingGPT 把图像与动作 token 交错成一种“多模态驾驶语言”，将世界建模与轨迹规划统一为同一个 next-token prediction。推理一侧则呈现更丰富的谱系：VLA 模型（如 π0.5、LingBot-VLA）把推理视为语言条件下的长程规划，擅长反应式控制与指令跟随，但在长程物理推理或反事实模拟时需要外部规划器；World Action Models（如 LingBot-VA、DreamZero）联合建模 (zₜ₊₁, aₜ)，把想象与控制统一在同一生成过程中；几何世界模型（如 PointWorld）直接在点云上预测 scene flow 并配合 MPC 规划，物理意义明确但依赖强几何监督。

论文对混合路线的评价颇高：兼具直接动作预测与世界建模的 hybrid VLA-WAM，被称作“如图 3 所示的真正统一世界模型——只缺少内在动机与元认知”。但它也记下一个耐人寻味的反例：Fast-WAM 移除了未来状态的想象能力，推理延迟降到 190ms（比 SOTA 快 4 倍以上）而质量损失很小，作者由此发问——在当前具身场景中，“想象”到底有多重要？

4.4 知识型世界模型：语言工作空间作为动态状态

对 Epistemic World Models 而言，语言不是单纯的输入输出格式。论文将这类系统的 Global Workspace 定义为由既往 prompts、responses 与 tool-call outputs 构成的语言集合——就像一份不断增长的聊天记录。初始的“世界”是静态的：用户给出的 context 与研究目标；随后，智能体检索文献、运行分析、写入代码、接收人类反馈，每一次交互都更新这个集合，也改变系统下一步能看见什么、能验证什么、能提出什么假设。这正是作者把它称作世界模型的理由：交互创造了一个不断变化的环境，从而形成动态状态空间——这与 Soar 的 S-O-R 循环完美对齐。

以 AI Co-Scientist 为例：文献综述、分析引擎、假设生成与辩论智能体围绕一个共享工作空间协作，假设之间通过 Elo 式成对比较排名，critique 与 reflection 循环在湿实验验证之前就对假设进行筛选——生成与判断被分配给不同角色。与潜空间模型相比，这样的状态更可读、更容易审计，也为元认知提供了早期实例。但代价同样明显：状态转移常常分散在 prompts、文档、数据库、检索片段、日志和人工修改之中，“很少像潜空间世界模型那样被清晰地形式化”，可复现性与因果归因都更困难。

论文对这类系统的局限同样直言不讳，并归结为三条：状态转移缺乏形式化；动机仍然是外在的——继承自用户指令、benchmark、奖励函数、机构激励或同行评审，而非内在的目标形成；元认知则“仍是脚手架式的，而非自主的”（scaffolded rather than autonomous）——自我评估依赖额外的智能体、外部工具或人类验证者，而它们“可能与生成者共享同样的盲点”。

5. 回到读书会：世界模型究竟要回答什么？

这篇综述的价值，不在于替世界模型宣布一个封闭的最终定义。它做的是更基础的工作：在视频、具身和 Agent 等技术路线不断扩张时，给出一套可以反复使用的比较语言。用作者在结论中的话说：“Our report provides researchers a vocabulary to debate the merits of equating human and machine cognition.”——在断言机器认知与人类认知可以划等号之前，我们至少应该先能说清楚：哪些功能已被实现，哪些只是近似，哪些仍是愿景。

沿着这套语言，论文把“统一世界模型”写成一幅由七条要求组成的路线图：使用多模态输入；编码多尺度的时空表征；让 token 化的语言成为输入、中间推理空间或输出，以支持人类在环协作；数据稀缺时用 sim-to-real 训练、推理时用假设性推理；用与领域匹配的 SOTA 架构进行推理；为世界模型提供内在奖励信号；以及利用全局工作空间实现自我反思、自我评估与自我控制。

借助这把认知功能的尺子，我们也可以不再满足于“模型看起来很像”“生成得很逼真”这样的判断，而是继续追问：它把什么编码为世界状态？它保存了哪些过去？它能推演怎样的未来？谁在决定它追求什么？当预测与现实不符时，它能否知道自己错在何处，并据此改变信息获取、推理或行动？

这也正是集智俱乐部希望持续讨论的问题。读书会自 2026 年 8 月 7 日起每周五晚 19:30–21:30 进行，围绕“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”这条主线，从概念溯源与理论框架，到方法范式与共性问题，再到具身智能、AI Agent、复杂系统等应用场景逐层展开。我们关心的并不只是又出现了哪一个热门模型，而是：当人工智能从语言与屏幕进入机器人、工业现场、生命系统与多主体社会，它究竟需要怎样的内部世界，才能真正预测、行动并修正自己？

参考文献

[1] Rupprecht, T., Zhao, P., Taherin, A., et al. Human Cognition in Machines: A Unified Perspective of World Models. arXiv:2604.16592v2, 2026.

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

[3] Newell, A. Unified Theories of Cognition. Harvard University Press, 1990.

[4] Sutton, R. S. Dyna, an integrated architecture for learning, planning, and reacting. SIGART Bulletin, 2(4), 160–163, 1991.

[5] Baars, B. J. A Cognitive Theory of Consciousness. Cambridge University Press, 1988.

[6] Laird, J. E. The Soar Cognitive Architecture. MIT Press, 2012.

[7] Friston, K., FitzGerald, T., Rigoli, F., Schwartenbeck, P., & Pezzulo, G. Active Inference and Learning. Neuroscience & Biobehavioral Reviews, 68, 862–879, 2016.

世界模型读书会

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，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。

详情请见：

1.

2.

3.

4.

5.

6.

7.