1天前 世界模型会预测未来，为什么还需要因果？别把因果世界模型当成世界模型的下一代

作者：毛不毛     出品：具身智能前沿

世界模型本来就不只是“预测下一帧”

很多关于因果世界模型的介绍，会先搭一个很顺手的靶子：普通世界模型只能拟合像素和相关性，因果世界模型才知道动作会带来什么后果。

这个说法太省事了，也不准确。

在机器人语境里，世界模型（World Model）是对环境状态如何演化的内部模型。它接收当前观察或状态，以及候选动作，预测下一时刻的观察、状态或潜在表征。输出可以是一帧视频，也可以是物体位姿、速度，甚至一组不需要还原成画面的隐变量。

换句话说，世界模型从一开始就在回答：“如果机器人执行动作 a，世界接下来会怎样？”

2018 年的《World Models》已经让智能体在学习到的动力学模型里“做梦”，再训练控制器。到了 V-JEPA 2，路线更直接：模型先用约 100 万小时互联网视频学习视觉表征，再用少于 62 小时的 DROID 机器人视频训练动作条件预测器。部署时，它会想象一批候选动作的结果，通过模型预测控制不断重规划。

图片来源：V-JEPA 2 论文 Figure 1；图片说明：模型先从互联网视频学习表征，再用 62 小时机器人状态与动作数据训练动作条件预测器。

Meta 公布的实验里，V-JEPA 2-AC 没有使用目标实验室的训练数据，仍能在新环境里完成 reach、pick 和 place；新物体、新环境下的 pick-and-place 成功率为 65%–80%。它没有显式画出一张结构因果图，但确实能根据动作预演未来并控制机械臂。

所以，“能不能预测动作后果”不是分界线。

因果世界模型多出来的，是对机制的承诺

假设机器人看到桌上的杯子被手推了一下，随后向右滑动。一个预测模型可以学到“这种画面之后，杯子通常向右移动”。只要预测够准，规划就能工作。

因果世界模型会追问得更细：推动方向、接触点、施力大小、杯子质量和桌面摩擦，分别怎样参与状态变化？如果换掉其中一个条件，原来的规律还能不能用？

这像医学里的风险预测和病因诊断。前者可以发现某组症状经常伴随某种结果；后者还要区分真正驱动结果的机制、共同影响两者的混杂因素，以及改变治疗后会发生什么。预测准不等于病因找对了，但病因模型也不会因为名字里有“因果”就自动正确。

专业一点说，因果表征学习（Causal Representation Learning）试图从图像、视频和传感器等高维观测里，分离出支持因果陈述的高层变量及其关系。普通解释就是：别把整段视频压成一团难以拆解的特征，尽量找出“谁变了、谁影响了谁、哪些机制在换环境后仍然成立”。

图片来源：Toward Causal Representation Learning 论文 Figure 2；图片说明：高维感知数据被视为未知因果系统的纠缠观测，目标是学习能服务下游任务的因果表征。

这种承诺通常体现在三处：

变量更可分：物体属性、动作、接触关系和动力学因素不再只是纠缠的潜在向量，而要尽可能对应可复用的机制组件。

干预被单独建模：观察“杯子被推动”与主动施加某个方向和大小的力，不被当成同一种统计条件。

反事实有明确对象：模型不仅生成另一个可能未来，还要在保持同一场景背景的前提下，回答“如果刚才换一个动作，结果会怎样”。

2020 年的论文《Causal World Models by Unsupervised Deconfounding of Physical Dynamics》已经给过一个具体版本：它在传统部分可观测马尔可夫决策过程（POMDP）的状态转移中加入潜在混杂因素，再用 do-operation 表达干预后的状态变化。

图片来源：Causal World Models by Unsupervised Deconfounding of Physical Dynamics 论文 Figure 1；图片说明：从普通世界模型的 POMDP，到包含潜在混杂变量的因果 POMDP，再到执行干预后的模型结构。

注意时间：2020 年。

这意味着“因果世界模型”不是 2026 年才冒出来的新名词，更不是某一家公司的独占路线。今天的新变化，是因果表征学习、视频世界模型和机器人基础模型开始被放进同一套工程系统里。

两者不是换代关系，更像两组可以叠加的约束

把普通世界模型和因果世界模型画成两个互斥阵营，很容易制造戏剧性，却会遮住真正的技术问题。

普通世界模型可以学习动作条件动力学，也可能在潜空间里形成对速度、方向、接触等物理量有用的分布式表征。因果世界模型仍然需要预测能力，底层也可以使用 Transformer、视频编码器和生成模型。

区别不在是否使用统计学习，也不在用了哪种神经网络，而在模型要表达什么、数据与假设允许识别什么。普通世界模型通常把预测下一状态或潜在表征的条件分布作为直接目标；因果世界模型仍靠统计估计训练，但会额外引入因果结构、混杂假设或干预数据，尝试让模型在干预和反事实问题上也成立。

2025 年 ICLR 论文 WM3C 提供了一个更接近这层差异的例子。它把语言中的动词和物体当作可组合组件，引导世界模型拆分潜在动力学。训练使用 Meta-World 机器人仿真环境：18 个训练任务跑 500 万步，再在 9 个未见任务上适配 25 万步。

图片来源：WM3C 论文 Figure 5；图片说明：9 个未见 Meta-World 仿真任务的适配曲线，其中 7 个是已知组件的新组合、2 个包含未知组件；结果来自 3 个随机种子，每个任务每次评估 10 个 episode。

这里的增量不是“第一次让模型想象未来”。DreamerV3 本来就会。WM3C 想证明的是：如果动力学被拆成可组合组件，遇到“旧动词 + 新物体”或“新动词 + 旧物体”时，模型可以复用已学机制，只调整变化的部分。

这才接近因果路线真正想换来的东西：不是在训练分布里多赢几个点，而是环境变了以后少推倒重来。

但别跑太快。WM3C 的结果来自 Meta-World 仿真，不是开放工厂；曲线来自有限任务与三次随机种子，也不能直接推出通用机器人已经掌握摩擦、碰撞和材料属性。因果表征学习的综述同样提醒，想从像素中完整恢复真实因果结构，很多时候并不现实。

模型需要假设。假设也会错。

判断“因果”是不是技术增量，看这四道测试

2026 年 6 月，Aether AI 宣布获得 2000 万美元种子轮融资，并把 Physical AI 作为因果世界模型的第一个验证场。它提出的方向并不空：机器人每次动作都在改变数据分布，长程任务里的小误差会累积，靠相似轨迹匹配很难覆盖开放环境。

问题是，方向成立，不等于产品主张已经被证明。

至少目前，Aether 官网公开内容以理念文章、团队介绍和融资公告为主，尚未给出与媒体所述“成功率提升 25%–50%、样本效率提升 5–10 倍”对应的模型论文、评测表或独立基准链接。这样的数字只能按公司披露理解，不能当成行业定论。

别急着看“因果”两个字，先让模型过四道测试：

干预测试：主动改变质量、摩擦、光照、相机位置或动作策略后，模型能否区分外观变化与动力学变化？

组合泛化：已学会的对象、动作和环境机制重新组合时，是否少量数据就能适配，而不是整套模型重新训练？

反事实校验：模型提出“换一个动作会更好”之后，能否在仿真或真实机器人上重复验证，而不是只生成一个听起来合理的解释？

跨基准对照：是否与 V-JEPA 2、DreamerV3、TD-MPC2 等强世界模型在同一数据、机器人本体和任务设置下比较，并公开失败案例与置信度？

CausalWorld 已经提供了可控干预与分布外迁移的机器人基准；CausalVQA 则用反事实、假设、预测和规划问题测试视频模型。后者发现，前沿多模态模型在预测与假设类问题上仍明显落后于人类。缺口确实存在，只是这块地还很泥泞，远没到插旗宣布终局的时候。

我的判断是：因果世界模型值得关注，但它更像世界模型的一组升级约束，不是一张自动通往“物理 AGI”的船票。

当机器人换一个杯子、换一张桌面、换一种接触方式，仍能说清哪些机制变了，并用更少的新数据把任务做成——到那时，“因果”才不只是模型名字里最亮的两个字。